这次与上一次两次作业

2022 11 14日作业：

上一次作业（蒙特卡洛算法）

蒙特卡洛算法简介：

本质上来说蒙特卡洛方法是一类基于概率方法的统称，它并非一个特定的算法或者针对某一问题(如：概率)的解决方案，而是一种解决问题的思想，相关的方法有：蒙特卡罗算法，蒙特卡罗模拟，蒙特卡罗过程，蒙特卡罗搜索树---AlphaGO以及蒙特卡罗积分法。 蒙特卡洛积分是图形学里常用的数值方法。无论BRDF方程，还是PCF阴影滤波都会用到。所以图形学里这是一个需要搞明白的概念。
蒙特卡罗方法的基本思想是：随机抽样无限逼近。举个例子：我们要预测特朗普和拜登的支持率，可以通过随机抽样的方式统计计算，随着采样数的增加，结果越来越准确(实际上大于一定程度的抽象后就已经足够准确了(采样数取决于你对准确度的需求))。这就是所有蒙特卡罗方法的核心出发点。

利用蒙特卡洛算法求解的python过程

import math
import numpy as np

import random

upper_bound=15

lower_bound=10

m=100000
n=0
def func(x):
   return np.log(1+x)/(1+x**2)

for i in range(m):
    x=random.random()
    y=random.random()


def f_x_(x):

    outcome=3*(x**2)+4*math.cos(x)-4*x*math.sin(x)

    return outcome


def F_x_(x):

    outcome=x**3+4*x*math.cos(x)

    return outcome


DefiniteIntegral_By_MonteCarloMethod=0


sum=0

count=1

while count<=10000:

sum=sum+f_x_(random.uniform(lower_bound,upper_bound))

count=count+1

DefiniteIntegral_By_MonteCarloMethod=(upper_bound-lower_bound)*(sum/10000)

print("用蒙特卡洛方法计算的定积分：")

print(DefiniteIntegral_By_MonteCarloMethod)

print("")


DefiniteIntegral_By_PrimitiveFunction=F_x_(upper_bound)-F_x_(lower_bound)

print("直接用原函数计算的定积分：")

print(DefiniteIntegral_By_PrimitiveFunction)

print("")


math_deviation=abs(DefiniteIntegral_By_MonteCarloMethod-DefiniteIntegral_By_PrimitiveFunction)/DefiniteIntegral_By_PrimitiveFunction

print("偏差程度为：")


print('percent: {:.4%}'.format(math_deviation))