- 在线时间
- 1630 小时
- 最后登录
- 2024-1-29
- 注册时间
- 2017-5-16
- 听众数
- 82
- 收听数
- 1
- 能力
- 120 分
- 体力
- 563348 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 174227
- 相册
- 1
- 日志
- 0
- 记录
- 0
- 帖子
- 5313
- 主题
- 5273
- 精华
- 3
- 分享
- 0
- 好友
- 163
TA的每日心情 | 开心 2021-8-11 17:59 |
|---|
签到天数: 17 天 [LV.4]偶尔看看III 网络挑战赛参赛者 网络挑战赛参赛者 - 自我介绍
- 本人女,毕业于内蒙古科技大学,担任文职专业,毕业专业英语。
 群组: 2018美赛大象算法课程 群组: 2018美赛护航培训课程 群组: 2019年 数学中国站长建 群组: 2019年数据分析师课程 群组: 2018年大象老师国赛优 |
详细资源下载附件% p c6 g+ X( a0 f& I+ E' e0 H
l, r) j8 e' z0 g1 y2-8、蒙特卡洛模拟 u. m& @8 \5 @/ T- D2 v
一、背景
6 E. E6 Q% x' p/ @8 h) N7 b& z9 z9 {" @
蒙特卡罗模拟方法 (Monte Carlo simulation) 诞生于上个世纪40年代美国的”曼哈顿计划”,名字来源于赌城蒙特卡罗。蒙特卡罗算法从某种意义上而言,就是一种赌博算法。 : T' _/ e9 G* V+ B
它是一种基于随机试验和统计计算的数值方法,也称计算机随机模拟方法或统计模拟方法。蒙特卡罗方法的数学基础是概率论中的大数定律和中心极限定理。2 \/ u( @ ]% P, O. L
9 M( ^( i# z3 _# z$ s* l7 e: p4 P
二、算法引入/ ?2 r# b$ b8 l x: K2 ?
/ i+ a) G) Q; c- v# D0 G4 a
最早接触到这类算法应该是在高中或者初中阶段,而且是一道送分题。即在一个正方形中有一个内接圆。现在在这个正方形内抛洒豆子。已知正方形面积为S,落在正方形内的豆子总数为 MM,其中落在内接圆内的豆子总数为 NN。请估算内接圆的面积。
: G. K# C+ ]) `* a1 p; C$ ]
7 n* x! J. `) g/ u# m- I* Z& O9 _: f6 g8 X8 o4 s' e
7 h& u$ n/ ^0 A. s9 e 根据概率论中的大数定律可知,当随机事件发生的次数足够多的时候(趋向于正无穷),其发生频率就可作为此事件发生的概率。对于本题,当抛洒的豆子足够多的时候,落在圆中的豆子比值即可视为圆与正方形面积的比值。那么计算结果 S×N/MS×N/M 即为圆形面积。 ; J* ]4 j& A- a" q
这种算法需要承担一定的风险,但是比起这种算法带给我们的收益,风险其实不足为惧,同时我们也可以运用合理恰当的方式来最小化这种风险。 ' `9 i: X* n1 E3 B0 T1 H
在建模和仿真中,应用蒙特卡罗方法主要有两部分工作:用蒙特卡罗方法模拟某一过程时,产生所需要的各种概率分布的随机变量;用统计方法把模型的数字特征估计出来,从而得到问题的数值解,即仿真结果。5 n' R! V% J) Z( i
) l- r$ \) h m1 s解题步骤如下: % B5 A0 s3 N# d: q5 j; g
1、根据提出的问题构造一个简单、适用的概率模型或随机模型,使问题的解对应于该模型中随机变量的某些特征(如概率、均值和方差等),所构造的模型在主要特征参量方面要与实际问题或系统相一致。
5 y7 H# i- X# @) ?9 P 2、根据模型中各个随机变量的分布,在计算机上产生随机数,实现一次模拟过程所需的足够数量的随机数。通常先产生均匀分布的随机数,然后生成服从某一分布的随机数,方可进行随机模拟试验。
% a# x; r* Y/ `% d 3、根据概率模型的特点和随机变量的分布特性,设计和选取合适的抽样方法,并对每个随机变量进行抽样(包括直接抽样、分层抽样、相关抽样、重要抽样等)。 6 |$ O5 s( U. L! N1 `; K% n
4、按照所建立的模型进行仿真试验、计算,求出问题的随机解。
* d! A: r2 Q' u4 V% i4 D 5、统计分析模拟试验结果,给出问题的概率解以及解的精度估计。, }2 | I/ M- P- H8 s" o
$ Y8 C- U) A7 Q
三、算法应用
) ]$ o% M2 g% h; Y( W8 B" J
" y2 @1 t! `: k4 R: I 蒙特卡罗算法的应用领域很多,这个算法在金融学、经济学、工程学等领域得到了广泛应用。适用于 Monte−CarloMonte−Carlo 算法的问题,比较常见的有两类。一类是问题的解等价于某事件的概率,如算法引入中提到的求解圆的面积问题。另一类是判定问题,即判定某个命题是否为真,例如主元素存在性判定和素数的测试问题。
* P$ M! n, K" ^ 对于第一类算法所涉及到的问题,最多的就是定积分的求解。通常情况下我们有公式来求解各种图形的面积,当然也可以求解定积分。但是当我们遇到不规则图形以及极为复杂难以求解的定积分时,由于定积分的直观意义就是函数曲线与 xx 轴围成的图形中,y>0y>0 的面积减去 y<0y<0 的面积。同样是对于不规则面积的求解,最终我们都可以回到蒙特卡罗算法中来求解面积。
: W8 W9 |, n s6 `7 R$ T; {- T% m9 w/ J1 n* p1 O8 Q$ J4 A
对于蒙特卡罗算法,其优缺点也是比较明显的:
' T- T9 E5 i9 X. a, Z; l: X优点:
! `5 z% w5 y2 i- o% A) S$ H3 z 1、能够比较逼真的描述具有随机性质的事物的特点及物理实验过程 & X. Y! h8 P% Z8 S
2、受几何条件限制小 ' b, D$ Y& ~! y8 m6 Y9 |% r8 ?$ J; h
3、收敛速度与问题的维数无关
- {" V2 [: ~$ Y: k 4、误差容易确定 : D6 Q( E/ f4 ^) V, q
5、程序结构简单,易于实现 3 h- u6 c4 q+ p* q! n
缺点:
& q* f3 x6 B% r3 Z+ L, d 1、收敛速度慢 ' ^9 J9 J' x T
2、误差具有概率性 7 n* O d9 Q4 t1 [, Z, j
3、进行模拟的前提是各输入变量是相互独立的+ M# N: Z5 i, ~8 @3 |9 h) h
$ M% C" a; |" s
四、算法实例. m; {$ T# E, g8 Q+ g
& d S' I2 P4 [; g* n# o/ b
例1:
3 G3 ]+ H3 o6 a7 v- z- N1 N; N5 E! o1 x9 R
8 p: x* d" d! @1 n# Z1 G% g
在不知道求解圆面积的公式的情况下,试用蒙特卡罗法求出圆面积。
x' Y5 J R' B9 W+ f
2 U' T8 {& z. i! z解答:
# X! H7 Q! ]% R$ E* k 由上文介绍可知,可在matlab中生成大量在 [0;2][0;2] 上服从均匀分布的随机数,从而模拟上文中的抛撒豆子。通过计算落在圆中的点与总点数,就可算出圆与正方形面积之比。
% C( ]( o/ i# l/ M" i- R
4 Z6 V# s+ o3 |/ L/ ]' ] |
zan
|