蒙特卡洛python求解派_Python实现蒙特卡罗方法

一、蒙特卡罗方法简介

蒙特卡罗(Monte Carlo)方法：简单来说，蒙特卡洛的基本原理简单描述是先大量模拟，然后计算一个事件发生的次数，再通过这个发生次数除以总模拟次数，得到想要的结果，精髓就是：用统计结果去计算频率，从而得到真实值的近似值。蒙特卡洛方法可以应用在很多场合，但求的是近似解，在模拟样本数越大的情况下，越接近与真实值，但样本数增加会带来计算量的大幅上升。

二、实例

1.求圆周率pi的近似值：

(1)正方形内部有一个相切的圆，它们的面积之比是π/4。现在，在这个正方形内部，随机产生10000个点，计算它们与中心点的距离，从而判断是否落在圆的内部,若这些点均匀分布，则圆周率 pi=res/npi=res/n。

其中res:表示落到圆内投点数 n:表示总的投点数

(2)代码

import numpy as np

import matplotlib.pyplot as plt

from matplotlib.patches import Circle

# 投点次数

n = 10000

# 圆的半径、圆心

r = 1.0

a,b = (0.,0.)

# 正方形区域

x_min, x_max = a-r, a+r

y_min, y_max = b-r, b+r

# 在正方形区域内随机投点

x = np.random.uniform(x_min, x_max, n) #均匀分布

y = np.random.uniform(y_min, y_max, n)

#计算点到圆心的距离

d = np.sqrt((x-a)**2 + (y-b)**2)

#统计落在圆内点的数目

res = sum(np.where(d < r, 1, 0))

#计算pi的近似值(Monte Carlo:用统计值去近似真实值)

pi = 4 * res / n

print('pi: ',pi)

#画个图

fig = plt.figure()

axes = fig.add_subplot(111)

axes.plot(x, y,'ro',markersize = 1)

plt.axis('equal') #防止图像变形

circle = Circle(xy=(a,b), radius=r ,alpha=0.5)

axes.add_patch(circle)

plt.show()1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

(3)运行结果：

pi的值是：

可以看出存在一定误差，模拟样本越大，误差也会随之减小。

2.求定积分的近似值

(1)在一个1×1的正方形区域里，使用蒙特卡洛方法，随机在这个正方形里面产生大量随机点(数量为n)，计算有多少点(数量为res)落在函数下方区域内，res/n就是所要求的积分值，也即红色区域的面积。

(2)代码

n = 30000

#矩形边界区域

x_min, x_max = 0.0, 1.0

y_min, y_max = 0.0, 1.0

#在矩形区域内随机投点x

x = np.random.uniform(x_min, x_max, n)#均匀分布

y = np.random.uniform(y_min, y_max, n)

#统计落在函数y=x^2下方的点

res = sum(np.where(y < f(x), 1 ,0))

#计算定积分的近似值

integral = res / n

print('integeral: ', integral)

# 画个图

fig = plt.figure()

axes = fig.add_subplot(111)

axes.plot(x, y,'ro',markersize = 1)

plt.axis('equal') # 防止图像变形

axes.plot(np.linspace(x_min, x_max, 10), f(np.linspace(x_min, x_max, 10)), 'b-') # 函数图像

#plt.xlim(x_min, x_max)

plt.show()1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

(3)运行结果

积分值：