蒙特卡洛(Monte Carlo)方法

采用知乎上的说法，其实它本身不算是一种算法，更像是对一类随即算法特性的概括。通常会将随即算法分为两类：

• 蒙特卡洛算法：采样越多，越近似最优解；
• 拉斯维加斯算法：采样越多，越有机会找到最优解；

两者差别就有了，一个就尽量找更好的，只要比上一次好就行；而另一个是总是尽量找最好的。可以拿知乎上的例子：

假如筐里有100个苹果，让我每次闭眼拿1个，挑出最大的。于是我随机拿1个，再随机拿1个跟它比，留下大的，再随机拿1个……我每拿一次，留下的苹果都至少不比上次的小。拿的次数越多，挑出的苹果就越大，但我除非拿100次，否则无法肯定挑出了最大的。这个挑苹果的算法，就属于蒙特卡罗算法——尽量找好的，但不保证是最好的。

而拉斯维加斯算法，则是另一种情况。假如有一把锁，给我100把钥匙，只有1把是对的。于是我每次随机拿1把钥匙去试，打不开就再换1把。我试的次数越多，打开（最优解）的机会就越大，但在打开之前，那些错的钥匙都是没有用的。这个试钥匙的算法，就是拉斯维加斯的——尽量找最好的，但不保证能找到。

这两类随机算法之间的选择，往往受到问题的局限。如果问题要求在有限采样内，必须给出一个解，但不要求是最优解，那就要用蒙特卡罗算法。反之，如果问题要求必须给出最优解，但对采样没有限制，那就要用拉斯维加斯算法。

因为最近在学集合卡尔曼滤波算法，要解决的问题是油藏中的历史拟合，而此问题的关键思路就是不断根据观测数据去修正模型参数，保证模型更加符合真实的场景。所以能够看出来，这应该属于蒙特卡洛算法，即每一次总是让模型更加符合真实的模型从而去拟合生产数据，总是比上次的要好。

部分内容转载自https://www.zhihu.com/question/20254139/answer/33572009