Monte Carlo

最新推荐文章于 2024-08-14 11:57:07 发布

KPer_Yang

最新推荐文章于 2024-08-14 11:57:07 发布

阅读量681

点赞数 3

分类专栏：数学文章标签：算法机器学习

本文链接：https://blog.csdn.net/KPer_Yang/article/details/126188912

版权

数学专栏收录该内容

13 篇文章 5 订阅

订阅专栏

本文介绍了蒙特卡洛方法及其优化策略，包括重点抽样法、取舍法、分层抽样法和序贯抽样法。重点抽样法通过调整概率密度函数以提高效率，减少在函数值低区域的抽样。取舍法涉及利用概率分布进行样本选择。分层抽样法将积分域划分为小区域简化计算。序贯抽样则根据初步结果动态决定样本数量。这些方法广泛应用于复杂问题的数值模拟和统计推断。

摘要由CSDN通过智能技术生成

Monte Carlo方法也称做随机抽样方法，通过统计模拟实验逼近真实的物理过程。

1、重点抽样法

重点抽样法，重点抽样法意在提高蒙特卡罗抽样方法的效率，许多抽样方法的通病就是将大量计算时间浪费在函数值几乎为零的抽样上，因此，应该在被积函数f(x)值小的地方少抽点，在值大的地方多抽点。构造一个概率密度函数g_x(x)，使其形状尽可能接近目标函数f(x)，并且可以很方便地从中从g_x(x)抽取样本。

2、取舍法

假设 $l(x)=c\pi(x)$ 是可计算的，其中\pi是概率密度函数或概率分布函数，ｃ是一未知常量。找到一个抽样分布g(x)和常数Ｍ，使得所有x满足包络性 $Mg(x) \geq l(x)$ ，此时，我们可以采用概率r在g(x)中抽取到符合 $\pi(x)$ 分布的样本，其中 $r=\frac{l(x)}{Mg(x)}$