美赛数学模型（一）——蒙特卡罗法

蒙特卡罗方法概述及其基本思想

蒙特卡罗方法又称随机抽样技巧或统计实验方法，其基本思想为当所求问题的解是某个事件的概率，或者是某个随机变量的数学期望，或者是与概率、数学期望有关的量时，通过某种试验的方法，得出该事件发生的频率，或者该随机变量若干个具体观察值的算术平均值，通过它得到问题的解。特殊的，当随机变量的取值仅为1或0时，它的数学期望就是某个事件的概率。
通俗来讲，蒙特卡罗方法使用随机试验的方式计算积分。即将所要计算的积分看作服从某种分布密度函数$f(r)$的随机变量$g(r)$的数学期望$$<g>={\int }_0^{\infty }g(r)f(r)\mathrm{d}r$$通过某种试验，得到Ｎ个观察值$r1，r2，\dots ，rN$将相应的Ｎ个随机变量的值$g(r1)，g(r2)，\dots ，g(rN)$的算术平均值$$g=\frac{1}{N}\sum _{i=1}^{n}g(ri)$$作为积分的估计值。

蒙特卡罗方法的收敛性、误差及效率

收敛性

由于蒙特卡罗方法是由随机变量X的简单子样
$X1，X2，\dots ，XN$的算术平均值，则有大数定律可知随机变量X的简单子样的算术平均值，当子样数充分大是，以概率1收敛于其期望值。

误差

由中心极限定理可知，蒙特卡罗方法的误差$ϵ$定义为$$ϵ=\frac{{\lambda }_{\alpha }\sigma }{\sqrt{N}}$$

其中，${\lambda }_{\alpha }$与置信度$\alpha$一一对应，根据问题的要求确定出置信水平后，查标准正态分布表即可。$\sigma$为样本有限非零的均方差，其估计值为$$\sigma =\sqrt{\frac{1}{N}\sum _{i=1}^N{X_i}^2-(\frac{1}{N}{\sum _{i=1}^N{X}_i)}^2}$$

效率

一般来说，降低方差的技巧，往往会使观察一个子样的时间增加。在固定时间内，使观察的样本数减少。所以，一种方法的优劣，需要由方差和观察一个子样的费用（使用计算机的时间）两者来衡量，这是蒙特卡洛方法中效率的概念，定义为$${\sigma }^2\ast c$$其中，$c$为观察一个子样的平均费用。

蒙特卡罗方法特点

优点

• 能够比较逼真地描述具有随机性质的事物的特点及物理实验过程

  •   从这个意义上讲，蒙特卡罗方法可以部分代替物理实验，甚至可以得到物理实验难以得到的结果。用蒙特卡罗方法解决实际问题，可以直接从实际问题本身出发，而不从方程或数学表达式出发。它有直观、形象的特点。
    

• 受几何条件限制小

  •   在计算s维空间中的任一区域上的积分时，无论区域形状多么特殊，只要能给出描述区域的几何特征条件，就可以从区域中均匀产生N个点，从而得到积分近似值。
    

• 收敛速度与问题的维数无关

  •   维数的变化，只引起抽样时间及估计量计算时间的变化，不影响误差。也就是说，使用蒙特卡罗方法时，抽取的子样总数N与维数s无关。维数的增加，除了增加相应的计算量外，不影响问题的误差。这一特点，决定了蒙特卡罗方法对多维问题的适应性。
    

• 具有同时计算多个方案与多个未知量的能力

  •   对于那些需要计算多个方案的问题，使用蒙特卡罗方法有时不需要像常规方法那样逐个计算，而可以同时计算所有的方案，其全部计算量几乎与计算一个方案的计算量相当。另外，使用蒙特卡罗方法还可以同时得到若干个所求量。
    

• 误差容易确定

  •   根据蒙特卡罗方法的误差公式，可以在计算所求量的同时计算出误差。同时也不存在有效位数损失的问题。
    

• 程序结构简单，易于实现

缺点

• 收敛速度慢

  •   如前所述，蒙特卡罗方法的收敛速度为O(N^(1/2))，一般不容易得到精确度较高的近似结果。对于维数少（三维以下）的问题，不如其他方法好。 
    

• 项目误差具有概率性

  •   由于蒙特卡罗方法的误差是在一定置信水平下估计的，所以它的误差具有概率性，而不是一般意义下的误差。 
    

• 在粒子输运问题中，计算结果与系统大小有关

蒙特卡罗方法的主要应用范围

蒙特卡罗方法所特有的优点，使得它的应用范围越来越广。它的主要应用范围包括：

• 粒子输运问题
  • 实验核物理
  • 反应堆物理
  • 高能物理
• 统计物理
• 典型数学问题
• 真空技术
• 激光技术以及医学
• 生物
• 探矿

利用蒙特卡罗法计算定积分

针对定积分$$\theta ={\int }_a^{b}f(x)\mathrm{d}x$$求解定积分相当于计算一个图形的面积，而无论图形的形状如何，图形面积一定能被转化成一个以ab为底，y为高（y可以是负数）的长方形面积高，我们只需要用蒙特卡洛算法求y即可。
所以我们可以在$[a,b]$之间生成n个随机点，并计算相应的函数值，再计算被积函数值得平均值$$\frac{{\sum }_{i=1}^{n}f(x_i)}{n}$$则定积分应为$$\frac{{\sum }_{i=1}^{n}f(x_i)}{n}\ast （b-a）$$