自动跟踪算法笔记（1）：蒙特卡洛法、推导以及MATLAB实现

最新推荐文章于 2023-05-31 14:49:43 发布

sangba2019

最新推荐文章于 2023-05-31 14:49:43 发布

阅读量1.3k

点赞数 2

分类专栏：自动驾驶

本文链接：https://blog.csdn.net/sangba2019/article/details/116620415

版权

自动驾驶专栏收录该内容

7 篇文章 2 订阅

订阅专栏

文章目录

蒙特-卡洛方法理解
蒙特-卡洛法求积分
MATLAB实现【求积分+求pi】
参考资料

蒙特-卡洛方法理解

蒙特卡洛方法是什么，就是试验，用大量的样本去替代概率。
比如说，我们想要知道一个骰子投出点数的期望，我们就不断去投这个骰子，把每一次的结果平均取来，就可以知道这个筛子的期望了。
在这个过程之中，有一个非常重要的点：为什么我们通过简单的平均就能够推算出这个骰子的期望呢？原因在于每一次单独实验的概率分布都是符合骰子本来的概率分布的。对于蒙特卡洛方法来说，样本的分布和要求取期望的分布一致至关重要。

蒙特卡洛法，本身是一个利用随机采样对一个目标函数做近似。例如求一个稀奇古怪的形状的面积，如果我们没有一个解析的表达方法，那么怎么做呢？蒙特卡洛法告诉我们，你只要均匀的在一个包裹了这个形状的范围内随机撒点，并统计点在图形内的个数，那么当你撒的点很多的时候，面积可以近似为（包裹形状的面积*图形内的点的个数/总的点个数），当你撒的点足够多的时候，这个值就是面积。这里假设我们总有办法（至少要比找解析的面积公式简单）求出一个点是否在图形内。

蒙特-卡洛法求积分

在这里插入图片描述

MATLAB实现【求积分+求pi】

%% 蒙特-卡洛法求积分
% 积分区间为[0,1),积分函数为x^2
clc;
clear all;
close all;
n = 10^6;
count = 0;
for ii = 1:n
    x = rand;
    y = rand;
    if  y < x*x
        count = count + 1;
    end
end
result = single(count)/single(n);

%% 蒙特-卡洛法求pi
clc;
clear all;
close all;
n = 1000000;
count = 0;
for ii = 1:n
    x = -1 + (1-(-1))*rand;  %x服从[-1,1)的均分分布
    y = -1 + (1-(-1))*rand;
    if x*x + y*y < 1
        count = count + 1;
    end
end
result = 4 * single(count)/single(n);

%% 蒙特-卡洛法求积分2
% 积分区间为[0,1),积分函数为x^2
clc;
clear all;
close all;
n = 10^4;
x_min = 0;
x_max = 1;
xx = x_min:0.01:x_max;
f = @(x) x.^2;
y_min = f(x_min);
y_max = f(x_max);
x = x_min + (x_max - x_min) * rand(1,n);
y = y_min + (y_max - y_min) * rand(1,n);
I = y < f(x);
result = single(sum(I))/single(n) *(x_max-x_min)*(y_max-y_min);

figure(1);
plot(x,y,'go',x(I),y(I),'bo');
axis([x_min x_max y_min y_max]);
hold on
plot(xx,f(xx),'r-');