估算圆周率 π 的蒙特卡洛方法

估算圆周率 π 的蒙特卡洛方法实验报告

---

实现计算π的Monte Carlo算法。假设我们要求误差以大于等于99%的概率小于0.0001。在不使用π真实值的前提下，如何设计算法的停止条件？

1. 算法基本思路

​ 使用蒙特卡洛方法来估算圆周率 $\pi$。该方法通过在单位正方形内随机生成点，然后计算落入单位圆内的点的比例来估算 $\pi$。通过增加采样点的数量，可以提高估计的准确性。并使用 Chebyshev 不等式来估计误差,能够在一定置信水平下估算$\pi$的值，并在达到指定的目标误差时停止迭代。

2. 算法正确性证明

​ 基于大数定律，即随着样本数量的增加，估计值会越来越接近真实值。在本算法中，通过统计落入单位圆内的点的比例来估算 $\pi$，因此当采样数量足够大时，估算值会趋近于 $\pi$。

3. 算法时间复杂度

​ 大致为$O(n)$

4. 代码设计基本框架：

#include <bits/stdc++.h>
using namespace std;

double estimate_pi(int num_samples) {
    srand(time(0));
    int num_inside_circle = 0;

    for (int i = 0; i < num_samples; ++i) {
        double x = (double)rand() / RAND_MAX;
        double y = (double)rand() / RAND_MAX;

        if (x * x + y * y <= 1) {
            num_inside_circle++;
        }
    }

    return 4.0 * num_inside_circle / num_samples;
}

int main() {
    const double target_error = 0.0001; // 目标误差
    const double confidence = 0.99;      // 置信度

    double estimated_pi = 0.0;
    double error = target_error + 1.0; // 初始化误差
	int count=0;//迭代次数 
    int num_samples = 100; // 初始样本数量

    while (error > target_error) {
    	count+=1;
        estimated_pi = estimate_pi(num_samples);

        // 使用Chebyshev不等式估计误差
        double variance = 1.0; // 在[0,1]范围内均匀分布
        double z_score = sqrt(-2.0*log(1.0 - confidence));
        error = z_score * sqrt(variance / num_samples);

        num_samples *= 3; //
        cout << "Estimated Pi: " << estimated_pi <<'\n'<< endl;
    	cout << "Error: " << error <<'\n'<< endl;
    	cout<< "Counts: "<< count <<'\n'<<endl;
    }

    return 0;
}

• 使用 estimate_pi 函数来估算 $\pi$，该函数根据给定的样本数量生成随机点，并计算落入单位圆内的点的比例，返回估计的 $\pi$值。
• 在 main 函数中，通过设置目标误差和置信度，然后使用 Chebyshev 不等式来估计误差。随着样本数量的增加，计算估计的$\pi$ 值并计算误差，直到误差达到目标值为止
• 在每次迭代中，输出估计的 $\pi$​ 值和当前的误差，以便观察算法的收敛情况。