2.3蒙特―卡罗17
上亿文档资料，等你来发现
2.3蒙特―卡罗17
2.3蒙特―卡罗（M-C）模拟模型；2.3.1蒙特-卡罗模拟的概要介绍；A.用M-C方法求解确定性问题；用统计试验方法去解决具有统计性质的数学―物理问题；（1）问题一，求圆周率（π）的问题；众所周知，半径为R的圆，其面积S与半径R之间存在；外接圆的方形面积为S＇=4R2；2R；ssπRπ；==，这样求取π值的问题，便转化为求取两个面积比；s′s′4R24；２
2.3 蒙特―卡罗（M-C）模拟模型2.3.1蒙特-卡罗模拟的概要介绍A. 用M-C方法求解确定性问题用统计试验方法去解决具有统计性质的数学 ― 物理问题是理所当然的，然而能否用统计试验法或者叫做随机模拟方法去解决确定性的数学 ― 物理问题呢？答案是肯定的。蒙特-卡罗（Monte-Carlo）方法就是一种通过随机变量的统计试验去求解数学 ― 物理问题或者工程问题的一种数值计算方法，下面我们举几个简单的例子，予以说明。 （1）问题一，求圆周率（π）的问题。众所周知，半径为R的圆，其面积S与半径R之间存在如下关系式。S=πR2 则π=外接圆的方形面积为S＇= 4R2S2RssπRπ==，这样求取 π 值的问题，便转化为求取两个面积比例（）的问题，s′s′4R24２２２而这个面积比例值是可以通过随机试验获得。圆周的方程为x＋y＝R，经标准化后x2+y2=1。我们可以在（-1，1）区间内随机地取值（xi, yi），如果xi2+yi2&1，则取1Nsπn?= 随机变量ni=1，否则取“0”。这样，lim∑iN→∞N′s4i=1∴（2）问题二，求取任意函数f(x) 的积分值问题。设为f（x）为定义在（0，1）区间的任意函数，如右图所示，求取其积分值。1θ2=∫f(x)dx(0&f(x)&1) 右图曲线下的面积即为f(x) 的积分值θ 2如果在正方形内随机投点（xi, yi），则（xi, yi）位于曲线f(x)下面的概率P（y&f(x)）就是积分值θ
21f(x)P(y&f(x))=∫dx ∫dy 设随机变量ηηi=??1if?0ifyi≤f(xi)yiff(xi)N叫投点成功 叫投点失败经过大量的相互统计独立的随机投点试验，则根据统计理论中的中心极限定律：lim1θ2==N→∞NN∑ηi=112i 样本的标准差，就是积分值θ2的统计无偏估计。?1?Sn=?∑(ηi?)2??Ni=1?由此可见，通过统计试验不仅可以得到积分值θ2，而且可以随时给出它的精度统计估计值。M-C方法的特点是对被积函数f(x)没有任何要求，如果我们用解析法去求其积分值，那么我们只能对一些特定的函数形态，才能给出其相应的积分值，否则就得应用各种近似计算方法去求取其值，所以M-C模拟方法是一种适应性极大的数值计算方法。这是M-C方法的第一个显著优点，但同时我应该注意到，M-C方法要求的独立试验次数是相当大的，否则计算精度就不高，换言之，M-C方法只有在当今计算机高度发达的今天，才能充分施展其才能。从另一个角度分析，如何提高计算效率，降低方差，加速收敛速度成为M-C方法成功与否的重要内容。事实上，我们可以重新设计，求取f(x)积分值的M-C算法。 设xi为在（0，1）区间内均匀分布的随机变量。1则θ1=limN→∞N∑f(x)， 两种不同的算法θii=1N1与θ2都可以给出函数f(x)的积分值，这说明M-C模拟具有相当好的灵活性，其关键问题是如何将一个具体问题设计成一个概率试验模型，这可算作M-C方法的第二个显著特点吧。如果把上述例子推广到更一般的情况，设随机变量η是一个复杂的多变量函数η=η（x1,x2,Lxm）通过随机模拟，可以得到抽样值η1，η2，LηN，统计地处理这些抽样数据，给出它的概率分布和各阶矩的估计值，通常条件下，求取η的数学期望值，E（η）与方差σ(η)估计值已经足够，则问题便得到了解决，根据统计理论1=N则∑ηi=1Ni?E（η&εεσ以概率P=则?εN∫1?2edt成立，如果取置信水平为95.5%2πt2 σε=2σN1的数量级，换言之，要提高一个计算精度量级N由此可见：① M-C的自然收敛速度相当慢，为（即ε减小一个量级），则试验次数要成百倍地增长。 ② 在模拟过程中，可随时估计其计算精度，便可避免盲目计算。③ 模拟精度与概率型的维数（m）无关，因此M-C方法特别适用于多维问题的数值求,解。 ④ 降低σ的方法，将会极大地改善M-C方法的收敛速度。B. 加速收敛的方法我们在上节中给出了两种计算f(x)积分值的M-C模拟计算方法。实际上这两种算法的效率是不同的，为了能客观地比较它的效率，如用T1，T2与σ1,σ2分别代表两种算法完成2T2σ2为它们的效率比，实验结果表一次模拟计算所需的平均时间和它们的方差，则：C=T1σ12明T2&T1，现在需要讨论σ1和σ2的来源及其比较221θ1=N∑f(x)ii=11N 2则σ12=∫[f(x)?θ]dx 此处θ代表f(x)数学期望值。θ1算法的方差是由f(x)对它的数学期望的偏差所引起的，故称它为“期望值估算法”。对θ2的模拟计算方法，实际上我们必须选定两个随机变量r1与r2?1当r1&f(r2)η(r1,r2)=??0当r1&f(r2)统计量θ2=1N2η∑(r1,i,r2,i)N i&1从概率类型角度看，这是一个典型的二项式概率分布类型，若设η取“1”的事件叫做p，η取“0”的事件叫做q，则 p+q 为一个必然事件在离散实验中二项式概率型的方差,为σ2=Npq，此处N为总实验次数，当离散实验推广至连续型实验，N则代表积分区间，当2今的积分区间为（0，1），所以N=1，此时σ=pq，所以2=θ（1?θ）σ2?∫[f(x)?θσ?σ=θ（1?θ）2221 111]dx=2∫ 1?12?2f(x)dx.∫[1?f(x)dx]??∫f(x)dx+θ?2θ∫f(x)dx?00?0?12211Q∫f(x)dx+θ?2θ∫f(x)dx=∫f2(x)dx?θ2 ∴σ?σ=∫f(x)∫[1?f(x)]dx?∫f(x)dx+∫f(x)dx?∫f(x)dx22212 1?1?12=∫f(x)dx?∫[1?f(x)]dx+∫f(x)dx??∫f(x)dx00?0?011111111 =∫f(x)dx?∫f2(x)dx =∫f(x)[1?f(x)]dx&0 2T2σ2∴C=&12T1σ11由此证明了算法θ1比算法θ2更有效（收敛更快） 其实∫η（x,x）dx 1211=f(x2)，所以在θ1的计算中已经用了η（r1,r2）对r1的数学期22望值f (r2)，相对于η（r1,r2）的统计计算，它减少了一个变量的方差值，所以σ1&σ2就很自然了，我们称θ2的算法“随机投点”法。结论为，如果在模拟计算过程中，在一处能用理论分析得到的数学期望值代替该处的统计模拟，即可减少结果的误差。 下面讨论几种降低方差的具体抽样方法。 ① 重要抽样法在上面所举的例子中，无论是x还是y均在（0，1）区间内均匀随机取样，但是由于1f(x)不是均匀分布于x轴上，所以相同的△x对θ=∫f(x)dx的贡献率是不相等的，那么如 果能在权重大的x部分加密采样，在权重小的部分减少采样密度，则可达到减少估计方差的目的。f(x)g(x)dx. g(x)00f(x)如果把g(x)看作被积函数的抽样概率密度函数，则其数学期望值仍为θ.g(x)如令h(x)=f(x)(x).1N统计量θh=∑h(xi)Ni=111θ=∫f(x)dx=∫2σh=limθnN→∞[]2?f(x)?dx?θ2=θ2?θ2=0 ?θ2=∫??g(x)?0?12这只是从理论上证明了，对X采用不均匀采样，可以使方差等于“0”，但此式没有实用价值，因为还没有具体解决不均匀采样的方式问题。1如果g(x)与f(x)具有相似性，换言之∫h(x)dx=, C为常数，则∫Ch(x)dx=1C00xi11如设RN为一个在（0，1）区间内均匀采样的随机数，并令RN=Ch(x)dx，并由此反求 ∫出xi的值，显然xi在（0，1）区间内为非均匀分布，对积分值贡献大的区域xi密集，对积111分值贡献小的区域xi稀疏。θ=∫ f(x)dx=∫h(x)g(x)dx=∫Ch(x) g(x)dx C由于假定了f(x)与g(x)具有相似性，所以h(x)与f(x)及g(x)在统计意义上均为不相关的函数。Q∫A（x）?B(x)dx=∫(+?A)?(+?B)dx=?+∫?A??Bdx只要A（x）与B（x）不相关，则∫?A??Bdx=???=0则∫A(x)?B(x)dx=∫A(x)dx?∫B(x)dx∴∫ch(x)dx=101 ∴θ=∫g(x)dxc1Ng(xi)令θ′=∑则当N→∞时，θ′→θNi=1c② 相关抽样法利用随机变量之间的相关性，可以达到减少模拟方差的目的。若设f(x)在（0，1）区间上是单调函数，则可采用对称化的处理方法，取11f(x)+f(1?x)]，则随机变量g(xi)=[f(xi)+f(1?xi)]仍以θ为它的数学[22期望值，由于f(x)的单调性质，所以f(xi)与f(1?xi)具有负相关性质，所以g(xi)的方差g(x)=σ121为σ=D[f(xi)+f(1?xi)]=(1+ρ)。42其中σ12=σ2[f(xi)],ρ为f(xi)与f(1?xi)的相关系数，由于是负相关性质，所以2g2ρ&0，所以σ2g&σ1。 2.3.2.辐射传输积分方程一般三维辐射传输方程可表达为:??I()+σe()I()=σs()∫p('→?)I(′)d′+Q(,)4π其中?：为光子传输方向矢量。σe：为消光系数，由介质的吸收与散射过程所构成。σs:为散射系数 在此处我们暂时用I代表辐射亮度，因为我们在此处用符号L表示一种微分算子。在下节中我们用符号L代表LAI重取代坐标z，p（→）为散射相位函数，并满足归一化条件，4∫πp(,′,?)d?′=11Q()为源函数，它可以代表介质自身的热辐射，亦可以代表由外界进入的直射辐射，公式 * 可改变为：?PI（?）?σe+I()=σs()Q ′′′PId(,)()?+eσe(r)4∫πQ如果把此等式的左边视为一种微分算子，用L表示，把等式的右边视为一种积分算子，用S表示，则公式可表示为LI=SI+1QI=（L?1S）I+L?（e。e）令f=σeI，其物理意义为光子与介质的碰撞密度，则?1?1f=σe(L?1S)I+σeL?1(Q?1e)。此处L为L的逆算子，即L?L=1，如果L为微分算子，那么L必定是积分算子，其形式可以通过假定公式右边为零时，求解公式 * 左边的一阶微分方程的积分解而获得。因此：t*ρf（?）=∫∫σe()exp{?∫σe(,t)dt}P(,′,)?04π σs()?f(',′)d?′dξ+?()** σe()其中t* 为从出发沿到达空间边界的距离。* * 为积分形式的辐射传输方程，以上积分辐射传输方程的获得主要靠数学符号，算子获得。比较抽象，不容易被理解，下面我们借助对物理过程的分析，同样可以获得辐射传输积分方程。如果把辐射在介质中的传输过程视为光子与介质的碰撞事件所组成的无后效的马尔柯包含各类专业文献、幼儿教育、小学教育、外语学习资料、专业论文、中学教育、应用写作文书、2.3蒙特―卡罗17等内容。　
　学科:数学课题 高一年级 25,26 班 3.2 古典概型 1、正确理解古典概型的两...这种用计算器或计算机模拟试验的方法, 称为随机模拟方法或蒙特 卡罗方法(Monte ... 　2.蒙特卡罗方法的基本原理 由概率定义知,某事件的概率可以用大量试验中该事件...3.蒙特卡罗方法的工作过程 在解决实际问题的时候应用蒙特? 卡罗方法主要有两部分... 　蒙特卡罗方法 - 工作过程 在解决实际问题的时候应用蒙特?卡罗方法主要有两部分...2.对此分子构型的其中粒子坐标做无规则的改变,产生一个新的分子构型。 3.计算... 　蒙特?卡罗方法蒙特? 卡罗方法(Monte Carlo method) ,也称统计模拟方法,是二十...2.计算机根据上述输入,利用给定的某种规则,快速实施充分大量的随机抽样 3.对随机... 　5.2.3 模型的检验 1. 计算机模拟检验 蒙特卡洛算法 蒙特?卡罗方法(Monte Carlo method) ,也称统计模拟方法,是指使用随机数(或 更常见的伪随机数)来解决很多... 　2、数据拟合、参数估计、插值等数据处理算法。 比赛中通常会遇到大量的数据需要...3、应用的范围 蒙特?卡罗方法在金融工程学,宏观经济学,计算物理学(如粒子输运... 　蒙特卡罗方法在数学中的应用通常蒙特?卡罗方法通过构造符合一定规则的随机数来解决...2、计算机根据上述输入,利用给定的某种规则,快速实施充分大量的随机抽样; 3、对... 　此外,蒙特?卡罗方法在金融工程学,宏观经济学,计算物理学(如粒子输 运计算、...参考文献 [1] [2] [3] [4] [5] 蒙特卡罗方法及其在粒子输运问题中的... 　所以,以蒙特 卡罗作为方法的名字,原因大概于此。 由于蒙特卡罗方法是利用一连串的...用一个骰子投掷,其点数 l,2,3,4,5 及 6 设分别表示向 X 轴正向,负向...这个蒙特 卡罗 现场直播，取 款是多 久到 账的啊？_百度知道
这个蒙特 卡罗 现场直播，取 款是多 久到 账的啊？
提问者采纳
要我说啊，现在应该太 阳 城 好些吧
当然了kunb物阜民康欣逢良辰美景
其他类似问题
为您推荐：
卡罗的相关知识
其他1条回答
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁百家乐园选蒙特卡罗_百家乐园选蒙特卡罗魏县少妇电话号码_鹿城最全新闻网
为Ｘ大学的优秀生，林风当
，这些天光
女士先挂上了电话。挂上电话，林
芸看的是又
”“本来还有可能
的阿普拉那样，他
场，我们还训练个什么
[月内到啊特拉公司北京分部来参]