蒙特卡罗算法.ppt

MonteCarloSimulationMethods

蒙特卡罗模拟方法主要内容M-C方法概述随机数的生成模拟训练蒙特卡洛(MonteCarlo)方法，或称计算机随机模拟方法，是一种基于“随机数”的计算方法。这一方法源于美国在第二次世界大战中研制原子弹的“曼哈顿计划”。该计划的主持人之一、数学家冯·诺伊曼用驰名世界的赌城—摩纳哥的MonteCarlo—来命名这种方法，为它蒙上了一层神秘色彩。从Buffon(蒲丰)投针问题谈起数值积分问题我们可产生一系列随机数可简单取3个随机数构成一个随机点，即MonteCarlo数值积分的优点M-C的基本思路回顾几种连续型分布1.均匀分布U(a,b)其概率密度函数为在许多实际问题中,有一类随机变量可以表示成为许多相互独立的随机变量之和,而其中每个随机变量对总和只起微小的影响,这类随机变量往往服从或近似服从正态分布.在实际应用中,如果我们分析到一个随机变量受到较多独立的微小因素的叠加影响,就可以用正态分布来模拟这个变量.如:工厂产品的测量尺寸,农作物的收获量,某地区成年人的身高,体重等可看成服从正态分布的随机变量.二.随机数的生成1.蒙特卡罗模拟的关键是生成优良的随机数。2.在计算机实现中,我们是通过确定性的算法生成随机数,所以这样生成的序列在本质上不是随机的,只是很好的模仿了随机数的性质(如可以通过统计检验)。我们通常称之为伪随机数(pseudo-randomnumbers)。3.在模拟中，我们需要产生各种概率分布的随机数，而大多数概率分布的随机数产生均基于均匀分布U(0,1)的随机数。U(0,1)随机数的生成一个简单的例子一个简单的例子(续)线性同余生成器(混合同余法)

(LinearCongruentialGenerator)常用的线性同余生成器复杂一些的生成器算法实现从U(0,1)到其它概率分布的随机数1.离散型随机数的模拟设随机变量的分布律为令将作为区间(0,1)的分点.若随机变量,有令

则有

据此,可得产生的随机数的具体过程为:每产生一个(0,1)区间上均匀分布随机数,若

则令取值.例1:离散型随机变量X有如下分布律:X012P(x)0.30.30.4设是(0,1)上均匀分布的随机数,令则是具有X分布律的随机数.Matlab程序Functionr=rnd-u(a,b)%产生在[a,b]间均匀分布的随机数r=a+(b-a)*rand;returnMatlab程序Functionr=rnd-beta(lamda)%模拟指数分布%lamda表示指数分布的参数r=-log(rand)/lamda;returnMatlab程序Functiony=rnd(mean,segema)%模拟均值为mean,方差为segma的正态分布r=rand(1,12);x=sum(r)-6;y=segma*x+mean;return三.模拟训练例1.模拟求近似圆周率在边长为1的正方形内有一半径为0.5的内切圆.现在模拟产生在正方形内均匀分布的点n个.如果有m个在圆内,则圆面积与正方形的面积比可近似为m/n.即л/4≈m/nл≈4m/nn=10000m=0;Fori=1:nifrand^2+rand^2=1m=m+1;endendMypi=4*m/n**一.M-C方法概述基本思想很早以前就被人们所发现和利用。17世纪，人们就知道用事件发生的“频率”来决定事件的“概率”。19世纪人们用投针试验的方法来决定π。高速计算机的出现，使得用数学方法在计算机上大量模拟这样的试验成为可能。3180834080.831925Lazzarini3.1595148910300.751884Fox3.15665121832040.601855Smith3.15956253250000.801850Wolfπ的估计值相交次数投针次数针长时间(年)试验者选取(0,1)中随机数序列x1，x2，x3，……xn。则误差约，它并不能和一些高级的数值积分算法比拟，