HIT 系统生物学 实验二：运用蒙特卡洛随机模拟方法编程计算圆周率 参考代码

实验目的：

深入理解蒙特卡洛随机模拟算法

掌握使用蒙特卡洛算法编程计算pi

实验内容：

1. 熟悉蒙特卡洛随机模拟算法
2. 掌握蒙特卡洛算法进行pi的计算
3. 分析随机点的多少对模拟值的影响

 实验原理及算法：

     蒙特卡洛方法，或称计算机随机模拟算法，是一种基于“随机数”的计算方法。利用事件的“频率”来近似事件的“概率”，再利用计算机进行大量迅速的事件模拟。根据圆面积公式S=pi*R^2，当R=1时，S=pi。由于圆的方程是：x^2+y^2=1,因此1/4圆面积为x轴、y轴和上述方程所包围的部分。如果在1*1的正方形中均匀地落入随机点，则落入1/4圆中的点的概率就是1/4圆的面积，其四倍就是圆面积。由于半径为1，该面积的值为pi的值。

实验环境：

python3.9 matplotlib3.6.2 pycharm64

实验参考代码：

## 函数get_one_pi：利用蒙特卡洛方法获得一个pi值
## num_of_position：随机点的个数	show：是否展示图形
## return：计算得到的pi值
def get_one_pi(num_of_position,show):
    M = 0
    for i in range(num_of_position):
        x,y=random.random(), random.random()
        if math.sqrt(pow(x, 2) + pow(y, 2))<=1:
            M+=1
        if show:
            plt.scatter(x, y, color='red',s=10)
    if show:
        x = np.arange(0, 1, 0.0001)
        y = np.sqrt(1 - x ** 2)
        plt.xlim(0, 1)
        plt.ylim(0, 1)
        plt.plot(x, y)
        plt.show()
    result = 4 * M / num_of_position
    return result
## 函数get_pi：重复进行预测pi
## num_of_position：随机点的个数	num_of_times：重复预测次数
## return：pi预测的平均值与预测方差
def get_pi(num_of_position, num_of_times):
    l_ = []
    for i in range(num_of_times):
        l_.append(get_one_pi(num_of_position,False))
    return sum(l_) / len(l_),np.var(l_)
## 绘制随机点的个数与预测误差与预测方差图形 1-1000
ls_error,ls_var=[],[]
for i in range(1000):
    print(i)
    result = get_pi(i+1, 100)
    ls_error.append(abs(np.pi-result[0]))
    ls_var.append(result[1])
plt.plot(range(1000), ls_error, label='error')
plt.show()
plt.plot(range(1000), ls_var, label='var')
plt.show()
## 绘制随机点的个数与预测误差与预测方差图形 1000-2000
ls_error,ls_var=[],[]
for i in range(1000,2000,1):
    print(i)
    result = get_pi(i, 100)
    ls_error.append(abs(np.pi-result[0]))
    ls_var.append(result[1])
plt.plot(range(1000,2000,1), ls_error, label='error')
plt.show()
plt.plot(range(1000,2000,1), ls_var, label='var')
plt.show()

结果分析：

图形如下：

模拟误差与模拟值的关系：

在一定范围内（模拟值很小时），模拟值越大，模拟误差越小，预测值越准确。

当模拟值很大时，由于随机函数的伪随机性质，模拟值的增加并不会使预测值进一步准确。

模拟方差与模拟值的关系：

模拟值越大，模拟方差越小，每次预测的值的差异越小。

      当模拟值很大时, 模拟值越大，模拟方差也越小，每次预测的值的差异越小。但此时预测精度不会提高，证明了随机函数的伪随机性质，也说明随机点不是越多越好。