光电子 激光
第18卷第6期 2007年6月 Journal of Optoelectronics Laser V ol.18N o.6 Jun.2007
大气光通讯中基于蒙特卡罗方法非视线光传输模型*
贾红辉**,常胜利,兰 勇,杨建坤,邵铮铮,季家
(国防科技大学,湖南长沙410073)
摘要:非视线(NLOS)光传输信道的研究目前常用单次散射近似方法,在进行较远距离、复杂天气条件下NLOS
光传输模拟时误差很大,为此,本文提出并建立了一种基于蒙特卡罗方法NLOS光传输模型。研究表明,该模
型与单次散射近似应用在近距离、天气条件好时NLOS传输的模拟结果比较吻合。进行了不同距离的NLOS
光传输对比实验,结果验证了该算法的正确性和有效性。
关键词:大气光学;蒙特卡罗方法;非视线(NLOS);光散射通信
中图分类号:TN929.12 文献标识码:A 文章编号:1005 0086(2007)06 0690 04
N on line of sight Light Propagation Model Based on Monte C arlo Method
JIA Hong hui**,CH ANG Sheng li,LAN Yong,YANG Jian kun,SHAO Zheng zheng,
JI Jia rong
(National U niversity of Defense Technology,Changsha,410073,China)
A bs tra ct:T he single scattering theory is always used to stud y the non line of sight(NLOS)light propagation,but when it is
used for long distance or under complicated weather,much larger error will occur.In the paper,the NLOS light propagation
model based on Monte Carlo method is described in detail.T his model is not only accordance with si ngle scatteri ng model
under short distance and clear weather,but also in good agreement with the comparative experimental results,which also il
lustrates the correctness and effi ci ency of this algorithm.
Key words:atmosphere optics;Monte Carlo method;non li ne of sight(NLOS);optical scatteri ng communication
1 引 言
大气光散射通信作为一种新兴的保密光通信技术,在局域安全通信领域具有很好的应用前景[1~3]。非视线(NLOS)传输、绕障能力强是其通信技术的最大特点,这使得系统能克服如激光通信[4,5]必须视线(LOS)工作的缺点,这主要是由大气中分子和气溶胶粒子对波长较短的紫外光强烈散射作用所致,因此建立NLOS光传输模型是研究大气散射通信技术的关键问题之一。目前,常用单次散射近似进行NLOS大气散射通信信道特性的研究[6,7],该方法具有计算速度快、操作性强等优点,但是由于模型采用单次散射近似本身具有一定误差,同时当通信距离较远、天气条件复杂传输条件下多次散射作用明显,单次散射近似不再适合于NLOS光传输信道的模拟。
蒙特卡罗(Monte Carlo)方法常被用来研究光在复杂几何形状和非均匀媒介中多次散射传输问题[8,9],本文建立了基于蒙特卡罗方法的NLOS光传输模型。为了验证了所建立模型的正确和有效性,分别进行了与单次散射在近距离、天气条件好的NLOS光传输信道模拟以及不同距离传输条件下的NLOS光传输实验对比。2 蒙特卡罗方法
蒙特卡罗方法是通过采样大量的随机样本来模拟某一物理过程并得到其统计规律,其基本原理为[10]:已知在某区间[a, b]上服从特定分布的待求随机变量u的概率密度函数为P (u),对于区间[a,b]的任意一点x,必然存在一点 满足 [0, 1],使
!x a P(u)d u=F(x)= (1)成立。通过直接或间接采样方法求出x关于 的表达式,即实现随机变量u抽样
x=F-1( )(2)其中,[0,1]区间均匀分布的随机数 可以通过随机数产生器获得。
基于蒙特卡罗方法的NLOS光传输模型,直接模拟光子传输过程,即将散射过程当成是光子与大气介质中的粒子的碰撞过程,2次碰撞间光子在介质中的自由程与消光系数有关,碰撞后光子将改变前进方向,散射角由相函数确定,对大量光子行为跟踪并进行统计就可得到具体问题的结果。该模型能够
*
收稿日期:2006 04 22 修订日期:2006 10 09
* 基金项目:国家自然科学基金资助项目(10377018,60607013) **E m ail:jiahh@https://www.doczj.com/doc/4417877789.html,.c n
处理任意几何情况下的辐射传输,也能处理任意多次散射的反照率和各向异性很强的散射相函数;但由于蒙特卡罗方法是一种随机统计方法,必须采样大量的随机样本才能得到精确的结果,因此蒙特卡罗方法所需的运行时间比较长。
3 NLO S 光传输的蒙特卡罗模拟
NLOS 光传输几何模型示意如图1所示,光源与探测器中
间没有视线传输通道,其中 SV 、 SE 分别为光源的视场角、仰角, DV 、 DE 分别为探测器的视场角、
仰角,H 、D 分别为光源与探测器间的障碍物高度和距离,光源一般采用在大气中散射作用较强的短波紫外光源,探测器采用与之对应波长的紫外光电倍增管。可见,基于蒙特卡罗方法建立的NLOS 光大气传输模型主要研究光源发射光子束、光子在大气中的NLOS 传输及结果统
计等问题。
图1 NLOS 光传输几何模型
Fig.1 The g eom etrical m odel of NLO S lig ht pro pa gation
3.1 光源发射光子
光源发射光子是确定光子初始状态的过程,主要确定光子
的出射点和出射方向,把光源看成点光源,同时限制光源光子在一定视场立体角出射。NLOS 光传输中,图2(a)所示,点光源的中心轴在yoz 平面内,发射仰角为 se ,出射光子在视场角 sd 内均匀发射
。引入新坐标系如图2(b)所示,光子传输方向用单位向量D 表示,其方位角为 和偏转角为 ,在新坐标系x ?y ?z ?里的方位角为 ?,偏转角为 ?
。
图2 (a)光源的发射立体角;(b)出射光子在新坐标下的出射角
F ig.2 (a)Th e s olid ang el o f so urce;(b)The solid ang el in new coo rdina te sy stem
?在[0,2!]内服从均匀分布,直接抽样得到
?=2! (3) ?在[0, sd /2]的取值根据c os ?在[cos ( s d /2),1]内均匀分布,抽样得到 c os ?=1- (1-cos ( sd /2))(4)其中, 、 是[0,1]区间服从均匀分布的随机数。
光子传输方向D 的坐标,在新坐标系下表示为(?x ?,?y ?,?z ?),有 ?x ?=sin ?cos ?;?y ?=sin ?sin ?;?z ?=cos ?(5)在原坐标系xyz 下,D 的坐标可由坐标系旋转得到?x =?x ?;?y =?y sin se +?z ?c os se ;?z =-?y ?cos s e +?z ?sin se
(6)
3.2 光子在大气中的NLO S 传输
采用蒙特卡罗方法模拟光子在大气中的NLOS 传输,主要
包括光子与大气中微粒及障碍物的相互作用。大气中的大气分子、气溶胶、悬浮颗粒与光子发生吸收、散射作用,主要包括确定光子的下一个碰撞点及碰撞传输方向,光子权重统计等;障碍物包括地面、高楼和大山等,一般只考虑光子的吸收。3.2.1 光子的自由程取样
根据Bouguer Lambert 定律,单色光子在均匀大气介质中传输时透过率#随传输距离s 成指数衰减,即 #=exp (-ks)(7)其中,k=k a +k s 为大气的消光系数,是大气吸收系数k a 与散射系数k s 之和。光子的自由程l 的概率密度函数P(l)可表示为 P(l)=k e xp (-kl)(8)应用蒙特卡罗方法,对自由程进行抽样得到 l =-ln l /k (9)其中, l 是在[0,1]区间服从均匀分布的随机数。
当光子传输的自由程l 确定以后,由光子的当前位置(x,y,z)和传输方向(?x ,?y ,?z ),光子预期到达的下一个散射点坐标(x ?,y ?,z ?)为
x ?=x +?x l ;y ?=y +?y l;z ?=z +?z l (10)3.2.2 光子的消光类型选择
当光子经过自由程l 传输到新位置时光子被散射或吸收,其消光类型由蒙特卡罗方法随机抽样。利用大气的散射率#s 和吸收率#a 得到光子被散射的几率?为
?=
#s
#a +#s
(11) 取[0,1]区间均匀分布的随机数 ?,如果 ??/(1+?)时,取光子消光类型为吸收消光。
3.2.3 光子的散射类型
光子在大气中的粒子散射类型与粒子半径大小有关。设粒子半径为r 、光波长为%。当2!r/%<0.3时,发生Rayleigh 散射;当2!r/%>0.3时,发生Mie 散射。当r 远大于%时,散射粒子对入射光子以反射和折射为主,模拟中一般只考虑分子的
691 第6期 贾红辉等:大气光通讯中基于蒙特卡罗方法非视线光传输模型
Ra yleigh 散射和气溶胶的Mie 散射。
根据大气分子和气溶胶对光子的散射率之比&,取[0,1]区间均匀分布的随机数 &。如果 &<&/(1+&)时,取光子散射类型为Rayleigh 散射; &>&/(1+&)时,取光子散射类型为Mie 散射。
3.2.4 光子的散射后方位角
光子散射后方向变化如图3所示。大气分子的半径远小于紫外光的波长,所以大气分子对光子的散射属于Ra yleigh 散射,归一化的散射相函数为[11]
P(cos )=3
4
(1+cos 2 )(12)
经抽样得到c os ?关于随机数 ?的函数为 c os ?=
3
(4 ?-2)-2
(2-4 ?)2
+1+
3
(4 ?-2)+2(2-4 ?
)2+1
(13)
其中, ?是在[0,1]区间服从均匀分布的随机数。
图3 光子散射后传输方向的变化Fig .3 The pho ton direction a fter it wa s scattered
大气中的气溶胶对紫外光子的散射是典型的Mie 散射,其归一化散射相函数服从H G 相函数分布[11],即
P(cos ?)=1-g
2
(1+g 2
-2g cos ?)
32
(14)经抽样得到
c os =12g 1+g 2
-1-g 21+g -2g 2
g #0
2 -1
g =0(15)
其中: 是在[0,1]区间服从均匀分布的随机数;g 为大气气溶胶的非对称因子。
以上两种类型的散射,它们的散射方位角 都在[0,2!]内服从均匀分布,直接抽样得到 =2! 。紫外光子经散射后的传输方向D ?为
??x =sin ?(?x ?y c os -?y sin
)/1-?2
z +?x cos ?
??y =sin ?(?y ?z cos -?x sin )/
1-?2
z +?y c os ?
??z =-sin ?c os 1-?2
z +?z cos ?
|?z |<0.999999(16)
或
??x =sin cos
??y =sin sin |?z |>0.999999??z =SIGN (?z )cos
(17)
其中,SIGN (x)为符号函数。3.2.5 光子传输的终止
从紫外光源发射光子开始,在以下3种情况下,光子的传输终止;1)光子打在障碍物上;2)光子进入探测器;3)光子散射次数达到一定值。
3.3 结果统计
脉冲响应函数是散射大气系统的传递函数,在大气光散射通信系统中,任何到达接收点光信号都可以由发射点的信号与脉冲响应函数的卷积得到。NLOS 光传输主要模拟大气散射系统脉冲响应函数。模拟时,将时间范围划分为若干个统计间隔,然后对光子达到探测器的不同时间间隔分类记录,最后能得到相应的不同时刻的能量分布。
4 模型的验证
4.1 与单次散射近似模拟结果比较
单次散射近似经常被用来研究大气光散射通信信道特性,
它假定光在大气介质中从发射光源到接收器传输过程中只经过1次散射,在建立椭球坐标后该方法用来研究系统的传输时间特性变得比较方便,具体的描述和推导见参考文献4和5,其单次散射近似的条件是衰减系数与传输光程之积P 小于0.1。 为验证所建立蒙特卡罗模型与单次散射近似的自洽性,分别利用单次散射、蒙特卡罗模型模拟2组特定条件下的脉冲响应曲线。参量值为:H =10m,障碍物离发射源位置50m,发射源的仰角 SE =45?、发射视场半角 SV =30?、接收仰角 DE =45?、接收视场半角 DV =15?、单脉冲的能量为1J 。蒙特卡罗模拟了107
个光子,模拟结果如图4所示。图4(a)只考虑Rayleigh 散射作用,此时单次散射与蒙特卡罗模拟结果吻合很好;图4(b)同样只考虑Rayleigh 散射作用,此时多次散射作用明显,随着P 值增大,蒙特卡罗模型更适用于NLOS 光传输信道的研究,并说明了的建立该模型的必要性。
4.2 实验验证
4.2.1 实验系统原理
由于紫外光在大气中传输会强烈衰减信号变得比较微弱,验证实验采用锁相放大检测技术,其实验系统框图如图5所示。发射系统中,光源采用20W 环形低压Hg 灯[12],利用9.6kHz 信号驱动触发控制光源闪烁频率,发射系统由氧化抛光
692
光电子 激光 2007年 第18卷
图4 不同条件下的脉冲响应曲线
Fig.4 The pulse response curve of different co nditions
Al 的反光罩完成;接收系统中,滤光系统采用紫外带通滤光片,光电探测器采用光电倍增管,光电转换后的输出电流经转换成电压后由SR830锁相放大器检测出9.6kH z 信号的相对
强弱。
图5 (a)发射系统框图;(b)接收系统原理框图
F ig .5 (a )The fra mew ork o f transm itter;
(b)The fram ew ork of receiver
在蒙特卡罗模拟时,光波采用单频近似,波长为254nm,模拟出其特定大气散射系统的脉冲响应曲线后卷积再进行傅里叶变换可得到9.6kHz 接收信号相对大小值。由于利用蒙特卡罗定量模拟出实验系统中锁定放大器的输出结果十分困难,实验验证时,只考虑探测9.6kH z 信号相对大小,通过比较模拟结果与实验测试在不同传输距离下的变化趋势来验证模型的正确性。
4.2.2 不同距离传输实验及结果分析
对比实验于2006年7月14日20:00~22:00在长沙进行,大气参量为城市消光系数、能见度5km,障碍物高H 为8m,离发射器位置50m,发射器和接收器仰角都为60?,视场角都为90?,并一直保持不变。实验时,发射器位置不变,改变接收器位置分别测试传输100、200、500、800、1000、1200、1500和2000m 的9.6kH z 信号的相对电压值。蒙特卡罗模拟时,光波
采用单频近似,波长为254nm,传输距离小于1km 时跟踪107
个光子,传输大于1km 时跟踪108个光子。此时,天气模拟参
量由大气传输软件Modtran 得到衰减系数k e = 2.68km -1
,散
射系数k s =1.31km -1
,分子散射占总散射权重R =0.24,非对称因子g =0.7。
不同传输距离下的对比结果如图6所示。传输2km 时接
收系统灵敏度不够,图中只给出1.5km 以近的模拟及实验结果的对比。可以看出,9.6kHz 信号的能量随着距离的增大而迅速衰减,同时在误差允许情况下,蒙特卡罗模型与实验结果一致。同时引起模拟与实验结果部分偏差的主要原因为:
1)蒙特卡罗模拟结果是统计特性,且跟踪光子散射次数有限,实际测试结果则是实时结果,到达探测器前光子经历散射次数会更多;
2)当传输距离增大时,系统接收到的信号十分微弱,受外界干扰明显;
3)M odtran 计算各参量结果跟实际天气传输条件下有一定的偏差等。
图6 测试结果与模拟结果对照图
F ig.6 The com parison between ex periment a nd sim ulation results
5 结 论
提出并建立了一种基于蒙特卡罗方法的NLOS 光传输模型,详细介绍了模型的各参量确定及算法实现。在近距离、天气好传输条件下,模型与单次散射能够自洽。建立了不同距离的NLOS 光传输对比实验,实验结果再一次验证模型的正确性,从而为大气光散射通信信道特性研究及系统参数设计提供一种强有力的模拟手段。
参考文献:
[1] G ray A S ,M elis sa N ,M rin al I,et al.N LOS U V c om m u nication for dis
tribu ted s en s or sy s te m s [A ].SPIE [C ].2000,4126:83 97.
[2] Ya ng J K,C han g S L,Y ang J C ,et al.R es earch of s om e k ey tec hn ol
ogies in U V c om m un ic ation s ys tem [J ].Chi nese Journal of Lasers,2004,31:224 226.(in C hines e )
[3] Sh aw G A ,Siegel A M ,M o del J ,et al.R ec en t pro gre ss ini sh ort
ra ng e ultrav iolet co m m un ic ation [A].SPIE [C ].2005,5796:214 225.[4] LI Xiao fe ng.Finite ele m en t an aly s is of of m irror th erm al dis tortion
w ithin th e s u n s had ow in s pac e to gro un d las er c om m un ic ation[J].Jou rn al of Optoelectroni cs Laser (光电子 激光),2006,17(2):183 186.(in C h in es e)
[5] Y U S i y uan ,M A J in g,T AN Li yin g.M eth od of im prov in g ac quisition
probability of s c an nin g in in ters atellite o ptical com m u n ication s[J].Jou rn al of Optoelectronics Laser (光电子 激光),2005,16(1):57 62.(in C hines e )
[6] D av id MR ,C ardin al W.T em poral c haracte ris tic s of single s c atter ra
diatio n[J ].J Opt Soc ,1979,69(3):464 470.
(下转第697页)
693 第6期 贾红辉等:大气光通讯中基于蒙特卡罗方法非视线光传输模型
5 结 论
在设计的OCDMA ADM中,充分利用了A WG的特殊结构以及Prime/OOC码的特殊构造,系统集成度较高。但是由于系统中使用了分路器,每路得到的信号比较微弱,简单的解决方法是在OCDMA AD M前放置功率放大器。
与其他方案比较,本文设计的OCDMA AD M不但使用的器件数量减少,而且能够同时实现多用户的分插复用功能。仿真结果表明,所设计的ADM性能良好。实际构建了编解码器,但是,由于硬件条件限制,目前还没有实际构建OCDMA ADM,这在今后的工作中进一步开展。
参考文献:
[1] C H E NBiao,W AN G F u ch en g,C H E N J ia jia,et al.O C D M A add d rop
m u ltiplex ers bas ed on fiber gratings an d2 dim ens ional co des[J].
Journal of Optoelectron ics Laser(光电子 激光),2006,17(3):
324 327.(in C hine se)[2] C am ille S oph ie Bres,I van G les k,R obert J R un s er,et a l.All optical
O C D M A co de drop u n it for tra ns parent rin g n etw ork s[J].IE EE Pho ton Tech nol Lett,2005,17(5):1088 1090.
[3] S hen g P eng Wan,Yu H u.T wo dim en siona l optic al C D M A diff eren tial
s ys temwith prim e/O OC c od es[J].IE EE Photon T echn ol Lett,2001, 13(12):1373 1375.
[4] 李传起,孙小菡.O C D M A系统地址码理论[M].合肥:中国科学
技术大学出版社,2005.45 101.
[5] Z H A N G Q i,YUC ho ng x iu,XUD a x ion g,et al.N ovel lin ear co m bin a
to ria l c ode for w avelen gth tim e OC D M A s ys tem[J].Jou rnal of Opto el ectron ics Laser(光电子 激光),2005,16(6):690 693.(in C h i ne se)
[6] S okoloff J P,Pru cn al P R,G les k I,et al.A terah ertzoptic al as ym m et
ric dem ultiplex er(T OA D)[J].I EE E Ph oton T ech nol Lett,1993,5(7): 787 790.
作者简介:
张灵箭 (1983-),男,硕士研究生,主要研究基于OCDM A的AD M和OXC
(上接第693页)
[7] M ark RL,J eff rey H S,D a vid M R.N o n lin e of sight s ingle s ca tter
pro pagation m od el[J].J Opt Soc,1991,18(12):1964 1972.
[8] Brus c aglion P,Za cc anti G,Bian coa S D.M on te C a rlo for m u ltip le
s catterin g an d n on s pheric al partic le s[A].SPI E[C].2004,5237:223 227.
[9] M ak oto I gara sh ia,Kaz uh iro G on oa,T aka sh i O bia.Sim ulation of s pec
tral reflectan c e of m u ltiple sc attering m ediumus in g the m eth od co m
b ine d M ie th eory with M onte
c arlo m eth od[A].SPIE[C].2003,4955:
305 312.
[10]X U Z h ong ji.Th e M onte Carl o Meth od[M].Sh an gh ai:S cienc e a nd
T ec hn olo gy Pres s of S han gh ai,1985.(in C hines e)
[11]W U Bei yin g,LI W ei,C H E N H on g bin,et al.Practial Ari thm etic of
Atm ospheric Radi ati on an d Propagation[M].B eijin g:M e teoro logical P re ss,1998.(in C hines e)
[12]S hen gl C ha ng,Jiank Ya ng.Ju nc Y ang,et al.T h e ex perim en tal re
se arc h of U V c om m un ic ation[A].SPIE[C].2004,5284:344 348.
作者简介:
贾红辉 (1979-),男,苗族,贵州松桃县人,博士研究生,研究方向为大气光散射通信技术和微弱光电信号检测
697
第6期 张灵箭等:基于A WG二维编解码的OCDMA多用户分插复用
当科学家们使用计算机来试图预测复杂的趋势和事件时, 他们通常应用一类需要长串的随机数的复杂计算。设计这种用来预测复杂趋势和事件的数字模型越来越依赖于一种称为蒙特卡罗模似的统计手段, 而这种模拟进一步又要取决于可靠的无穷尽的随机数目来源。 蒙特卡罗模拟因摩纳哥著名的赌场而得名。它能够帮助人们从数学上表述物理、化学、工程、经济学以及环境动力学中一些非常复杂的相互作用。数学家们称这种表述为“模式”, 而当一种模式足够精确时, 他能产生与实际操作中对同一条件相同的反应。但蒙特卡罗模拟有一个危险的缺陷: 如果必须输入一个模式中的随机数并不像设想的那样是随机数, 而却构成一些微妙的非随机模式, 那么整个的模拟(及其预测结果)都可能是错的。 最近, 由美国佐治亚大学的费伦博格博士作出的一分报告证明了最普遍用以产生随机数串 的计算机程序中有5个在用于一个简单的模拟磁性晶体中原子行为的数学模型时出现错误。科学家们发现, 出现这些错误的根源在于这5个程序产生的数串其实并不随机, 它们实际上隐藏了一些相互关系和样式, 这一点只是在这种微小的非随机性歪曲了晶体模型的已知特 性时才表露出来。贝尔实验室的里德博士告诫人们记住伟大的诺伊曼的忠告:“任何人如果相信计算机能够产生出真正的随机的数序组都是疯子。” 蒙特卡罗方法（MC） 蒙特卡罗（Monte Carlo）方法： 蒙特卡罗（Monte Carlo）方法，又称随机抽样或统计试验方法，属于计算数学的一个分支，它是在本世纪四十年代中期为了适应当时原子能事业的发展而发展起来的。传统的经验方法由于不能逼近真实的物理过程，很难得到满意的结果，而蒙特卡罗方法由于能够真实地模拟实际物理过程，故解决问题与实际非常符合，可以得到很圆满的结果。这也是我们采用该方法的原因。 蒙特卡罗方法的基本原理及思想如下： 当所要求解的问题是某种事件出现的概率，或者是某个随机变量的期望值时，它们可以通过某种“试验”的方法，得到这种事件出现的频率，或者这个随机变数的平均值，并用它们作为问题的解。这就是蒙特卡罗方法的基本思想。蒙特卡罗方法通过抓住事物运动的几何数量和几何特征，利用数学方法来加以模拟，即进行一种数字模拟实验。它是以一个概率模型为基础，按照这个模型所描绘的过程，通过模拟实验的结果，作为问题的近似解。可以把蒙特卡罗解题归结为三个主要步骤：构造或描述概率过程；实现从已知概率分布抽样；建立各种估计量。 蒙特卡罗解题三个主要步骤： 构造或描述概率过程： 对于本身就具有随机性质的问题，如粒子输运问题，主要是正确描述和模拟这个概率过程，对于本来不是随机性质的确定性问题，比如计算定积分，就必须事先构造一个人为的概率过程，它的某些参量正好是所要求问题的解。即要将不具有随机性质的问题转化为随机性质的问题。 实现从已知概率分布抽样： 构造了概率模型以后，由于各种概率模型都可以看作是由各种各样的概率分布构成的，因此产生已知概率分布的随机变量（或随机向量），就成为实现蒙特卡罗方法模拟实验的基本手段，这也是蒙特卡罗方法被称为随机抽样的原因。最简单、最基本、最重要的一个概率分布是(0,1)上的均匀分布（或称矩形分布）。随机数就是具有这种均匀分布的随机变量。随机数序列就是具有这种分布的总体的一个简单子样，也就是一个具有这种分布的相互独立的随机变数序列。产生随机数的问题，就是从这个分布的抽样问题。在计算机上，可以用物理方法产生随机数，但价格昂贵，不能重复，使用不便。另一种方法是用数学递推公式产生。这样
系列一 蒙特卡洛随机模拟 实验目的：学会用计算机随机模拟方法来解决随机性问题 蒙特卡洛模拟法简介 蒙特卡洛(Monte Carlo)方法是一种应用随机数来进行计算机摸你的方法。此方法对研究对象进行随机抽样，通过对样本值的观察统计，求得所研究系统的某些参数。作为随机模拟方法，起源可追溯到18世纪下半叶蒲峰实验。 蒙特卡洛模拟法的应用领域 蒙特卡洛模拟法的应用领域主要有： 1.直接应用蒙特卡洛模拟:应用大规模的随机数列来模拟复杂系统，得到某些参数或重要指标。 2.蒙特卡洛积分:利用随机数列计算积分，维数越高，积分效率越高。 蒙特卡洛模拟法求解步骤 应用此方法求解工程技术问题可以分为两类:确定性问题和随机性问题。解题步骤如下： 1.根据提出的问题构造一个简单、适用的概率模型或随机模型，使问题的解对应于该模型中随机变量的某些特征（如概率、均值和方差等），所构造的模型在主要特征参量方面要与实际问题或系统相一致 2 .根据模型中各个随机变量的分布，在计算机上产生随机数，实现一次模拟过程所需的足够数量的随机数。通常先产生均匀分布的随机数，然后生成服从某一分布的随机数，方可进行随机模拟试验。 3. 根据概率模型的特点和随机变量的分布特性，设计和选取合适的抽样方法，并对每个随机变量进行抽样（包括直接抽样、分层抽样、相关抽样、重要抽样等）。 4.按照所建立的模型进行仿真试验、计算，求出问题的随机解。 5. 统计分析模拟试验结果，给出问题的概率解以及解的精度估计。 在可靠性分析和设计中，用蒙特卡洛模拟法可以确定复杂随机变量的概率分布和数字特征，可以通过随机模拟估算系统和零件的可靠度，也可以模拟随机过程、寻求系统最优参数等。 一. 预备知识: 随机数的产生 提示：均匀分布(0, 1)U 的随机数可由C 语言或Matlab 自动产生，在此基础上可产生其他分布的随机数. 1．逆变换法： 设随机变量U 服从(0，1)上的均匀分布，则)(1U F X -=的分布函数为)(x F . 步骤：(1) 产生)1,0(U 的随机数U ；(2) 计算)(1 U F X -=， 则X 服从)(x F 分布. 问题：练习用此方法产生常见分布随机数.例如“指数分布，均匀分布),(b a U ”.还有其它哪种常见分布的随机数可用此方法方便产生？
蒙特卡洛习题 1.利用蒙特卡洛计算数值积分 () ()() 1280ln 1tan x x x xe dx +++? clear all ;clc;close all ; n=1000; count=0; x=0:0.01:1; y=log((1+x).^2+(tan(x).^8)+x.*exp(x)); plot(x,y,'linewidth',2) hold on for i=1:n x1=rand; y1=rand*y(end); plot(x1,y1,'g*') pause(0.01) if y1 2.分别用理论计算和计算机模拟计算，求连续掷两颗骰子，点数之和大于6且第一次掷出的点数大于第二次掷出点数的概率。 clear all;clc;close all; count=0; n=100000; for i=1:n x=floor(rand*6+1); y=ceil(rand*6); if x+y>6&&x>y count=count+1; end end P=count/n 3. clear all;clc;close all; count=0; n=2000; ezplot('x^2/9+y^2/36=1'); hold on ezplot('x^2/36+y^2=1'); hold on ezplot('(x-2)^2+(y+1)^2=9') for i=1:n x=rand*12-6; y=rand*12-6; plot(x,y,'gh','linewidth',2) pause(0.01) if x^2/9+y^2/36<1&&x^2/36+y^2<1&&(x-2)^2+(y+1)^2<9 蒙特卡洛方法 1、蒙特卡洛方法的由来 蒙特卡罗分析法（Monte Carlo method），又称为统计模拟法，是一种采用随机抽样（Random Sampling）统计来估算结果的计算方法。由于计算结果的精确度很大程度上取决于抽取样本的数量，一般需要大量的样本数据，因此在没有计算机的时代并没有受到重视。 第二次世界大战时期，美国曼哈顿原子弹计划的主要科学家之一，匈牙利美藉数学家约翰·冯·诺伊曼（现代电子计算机创始人之一）在研究物质裂变时中子扩散的实验中采用了随机抽样统计的手法，因为当时随机数的想法来自掷色子及轮盘等赌博用具，因此他采用摩洛哥著名赌城蒙特卡罗来命名这种计算方法，为这种算法增加了一层神秘色彩。 蒙特卡罗方法提出的初衷是用于物理数值模拟问题, 后来随着计算机的快速发展, 这一方法很快在函数值极小化、计算几何、组合计数等方面得到应用, 于是它作为一种独立的方法被提出来, 并发展成为一门新兴的计算科学, 属于计算数学的一个分支。如今MC方法已是求解科学、工程和科学技术领域大量应用问题的常用数值方法。 2、蒙特卡洛方法的核心—随机数 蒙特卡洛方法的基本理论就是通过对大量的随机数样本进行统计分析，从而得到我们所需要的变量。因此蒙特卡洛方法的核心就是随机数，只有样本中的随机数具有随机性，所得到的变量值才具有可信性和科学性。 在连续型随机变量的分布中, 最基本的分布是[0, 1]区间上的均匀分布, 也称单位均匀分布。由该分布抽取的简单子样ξ1，ξ2ξ3……称为随机数序列, 其中每一个体称为随机数, 有时称为标准随机数或真随机数, 独立性和均匀性是其必备的两个特点。真随机数是数学上的抽象, 真随机数序列是不可预计的, 因而也不可能重复产生两个相同的真随机数序列。真随机数只能用某些随机物理过程来产生, 如放射性衰变、电子设备的热噪音、宇宙射线的触发时间等。 实际使用的随机数通常都是采用某些数学公式产生的，称为伪随机数。真随机数只是一种数学的理想化概念，实际中我们所接触到的和使用的都是伪随机数。要把伪随机数当成真随机数来使用, 必须要通过随机数的一系列的统计检验。 无论伪随机数用什么方法产生,它的局限性都在于这些随机数总是一个有限长的循环集合, 而且序列偏差的上确界达到最大值。所以若能产生低偏差的确定性序列是很有用的,产生的序列应该具有这样的性质, 即任意长的子序列都能均匀地填充函数空间。 人们已经产生了若干种满足这个要求的序列,如Halton序列、Faure序列、Sobol序列和Niederreiter序列等。称这些序列为拟随机数序列。伪随机序列是为了模拟随机性, 而拟随机序列更致力于均匀性。 3、蒙特卡洛方法的原理 当问题可以抽象为某个确定的数学问题时，应当首先建立一个恰当的概率模型，即确定某个随机事件A或随机变量X，使得待求的解等 浅析蒙特卡洛方法原理及应用 于希明 （英才学院1236103班测控技术与仪器专业6120110304） 摘要：本文概述了蒙特卡洛方法产生的历史及基本原理，介绍了蒙特卡洛方法的最初应用——蒲丰投针问题求圆周率，并介绍了蒙特卡洛方法在数学及生活中的一些简单应用，最后总结了蒙特卡洛方法的特点。 关键词：蒙特卡洛方法蒲丰投针生活应用 蒙特卡洛方法（Monte Carlo method），也称统计模拟方法，是二十世纪四十年代中期由于科学技术的发展和电子计算机的发明，而被提出的一种以概率统计理论为指导的一类非常重要的数值计算方法。它是以概率统计理论为基础, 依据大数定律( 样本均值代替总体均值) , 利用电子计算机数字模拟技术, 解决一些很难直接用数学运算求解或用其他方法不能解决的复杂问题的一种近似计算法。蒙特卡洛方法在金融工程学，宏观经济学，计算物理学（如粒子输运计算、量子热力学计算、空气动力学计算）等领域应用广泛。 一、蒙特卡洛方法的产生及原理 蒙特卡洛方法于20世纪40年代美国在第二次世界大战中研制原子弹的“曼哈顿计划”计划的成员S.M.乌拉姆和J.冯·诺伊曼首先提出。数学家冯·诺伊曼用驰名世界的赌城—摩纳哥的Monte Carlo—来命名这种方法，为它蒙上了一层神秘色彩。在这之前，蒙特卡洛方法就已经存在。1777年，法国数学家蒲丰（Georges Louis Leclere de Buffon，1707—1788）提出用投针实验的方法求圆周率π。这被认为是蒙特卡洛方法的起源。 其基本原理如下：由概率定义知，某事件的概率可以用大量试验中该事件发生的频率来估算，当样本容量足够大时，可以认为该事件的发生频率即为其概率。因此，可以先对影响其可靠度的随机变量进行大量的随机抽样，然后把这些抽样值一组一组地代入功能函数式，确定结构是否失效，最后从中求得结构的失效概率。蒙特卡洛法正是基于此思路进行分析的。 设有统计独立的随机变量Xi(i=1，2，3，…，k)，其对应的概率密度函数分别为fx1，fx2，…，fxk，功能函数式为Z=g(x1，x2，…，xk)。首先根据各随机变量的相应分布，产生N组随机数x1，x2，…，xk值，计算功能函数值Zi=g(x1，x2，…，xk)(i=1，2，…，N)，若其中有L组随机数对应的功能函数值Zi≤0，则当N→∞时，根据伯努利大数定理及正态随机变量的特性有：结构失效概率，可靠指标。 二、蒲丰投针问题 作为蒙特卡洛方法的最初应用, 是解决蒲丰投针问题。1777 年, 法国数学家蒲丰提出利用投针实验求解圆周率的问题。设平面上等距离( 如为2a) 画有一些平行线, 将一根长度为2l( l< a) 的针任意投掷到平面上, 针与任一平行线相交的频率为p 。针的位置可以用针的中心坐标x 和针与平行线的夹角θ来决定。任意方向投针, 便意味着x与θ可以任意取一值, 只是0≤x ≤a, 0≤θ≤π。那么, 投针与任意平行线相交的条件为x ≤ l sinθ。相交频率p 便可用下式求 第三章蒙特卡罗方法简介 3.1 Monte Carlo方法简介 Monte Carlo方法是诺斯阿拉莫斯实验室在总结其二战期间工作（曼哈顿计划）的基础上提出来的。Monte Carlo的发明，主要归功于Enrico Fermi、Von Neumann和Stanislaw Ulam等。自二战以来，Monte Carlo方法由于其在解决粒子输运问题上特有的优势而得到了迅速发展，并在核物理、辐射物理、数学、电子学等方面得到了广泛的应用。Monte Carlo的基本思想就是基于随机数选择的统计抽样，这和赌博中掷色子很类似，故取名Monte Carlo。 Monte Carlo方法非常适于解决复杂的三维问题，对于不能用确定性方法解决的问题尤其有用，可以用来模拟核子与物质的相互作用。在粒子输运中，Monte Carlo技术就是跟踪来自源的每个粒子，从粒子产生开始，直到其消亡（吸收或逃逸等）。在跟踪过程中，利用有关传输数据经随机抽样来决定粒子每一步的结果[6]。 3.2 Monte Carlo发展历程 MCNP程序全名为Monte Carlo Neutron and Photon Transport Code (蒙特卡罗中子-光子输运程序)。Monte Carlo模拟程序是在1940年美国实施“发展核武器计划”时，由洛斯阿拉莫斯实验室（LANL）提出的，为其所投入的研究、发展、程序编写及参数制作超过了500人年。1950年Monte Carlo方法的机器语言出现, 1963年通用性的Monte Carlo方法语言推出，在此基础上，20世纪70年代中期由中子程序和光子程序合并,形成了最初的MCNP程序。自那时起，每2—3年MCNP更新一次, 版本不断发展，功能不断增加，适应面也越来越广。已知的MCNP程序研制版本的更新时间表如下：MCNP-3：1983年写成，为标准的FORTRAN-77版本，截面采用ENDF /B2III。 MCNP-3A：1986年写成，加进了多种标准源，截面采用ENDF /B2I V[20]。 二、蒙特卡洛模拟原理及步骤 （一）蒙特卡洛模拟原理：经济生活中存在大量的不确定与风险问题，很多确定性问题实际上是不确定与风险型问题的特例与简化，财务管理、管理会计中同样也存在大量的不确定与风险型问题，由于该问题比较复杂，一般教材对此问题涉及较少，但利用蒙特卡洛模拟可以揭示不确定与风险型问题的统计规律，还原一个真实的经济与管理客观面貌。 与常用确定性的数值计算方法不同，蒙特卡洛模拟是用来解决工程和经济中的非确定性问题，通过成千上万次的模拟，涵盖相应的可能概率分布空间，从而获得一定概率下的不同数据和频度分布，通过对大量样本值的统计分析，得到满足一定精度的结果，因此蒙特卡洛模拟是进行不确定与风险型问题的有力武器。 1、由于蒙特卡洛模拟是以实验为基础的，因此可以成为财务人员进行风险分析的“实验库”，获得大量有关财务风险等方面的信息，弥补确定型分析手段的不足，避免对不确定与风险决策问题的误导； 2、财务管理、管理会计中存在大量的不确定与风险型问题，目前大多数教材很少涉及这类问题，通过蒙特卡洛模拟，可以对其进行有效分析，解决常用决策方法所无法解决的难题，更加全面深入地分析不确定与风险型问题。 （二）蒙特卡洛模拟步骤以概率型量本利分析为例，蒙特卡洛模拟的分析步骤如下： 1、分析评价参数的特征，如企业经营中的销售数量、销售价格、产品生产的变动成本以及固定成本等，并根据历史资料或专家意见，确定随机变量的某些统计参数； 2、按照一定的参数分布规律，在计算机上产生随机数，如利用EXCEL提供的RAND函数，模拟量本利分析的概率分布，并利用VLOOKUP寻找对应概率分布下的销售数量、销售价格、产品生产的变动成本以及固定成本等参数； 3、建立管理会计的数学模型，对于概率型量本利分析有如下关系式，产品利润=产品销售数量×（产品单位销售价格-单位变动成本）-固定成本，这里需要说明的是以上分析参数不是确定型的，是依据某些概率分布存在的； 4、通过足够数量的计算机仿真，如文章利用RAND、VLOOKUP等函数进行30000次的模拟，得到30000组不同概率分布的各参数的排列与组合，由于模拟的数量比较大，所取得的实验数据具有一定的规律性； 5、根据计算机仿真的参数样本值，利用函数MAX、MIN、A VERAGE等，求出概率型量本利分析评价需要的指标值，通过对大量的评价指标值的样本分析，得到量本利分析中的利润点可能的概率分布，从而掌握企业经营与财务中的风险，为财务决策提供重要的参考。三、概率型量本利分析与比较 （一）期望值分析方法假设某企业为生产与销售单一产品的企业，经过全面分析与研究，预计未来年度的单位销售价格、销售数量、单位变动成本和固定成本的估计值及相应的概率如表1，其中销售数量单位为件，其余反映价值的指标单位为元，试计算该企业的生产利润。表1概率型量本利分析参数 项目概率数值 单位销售价格0.3 40 0.4 43 0.3 45 单位变动成本0.4 16 0.2 18 0.4 20 固定成本0.6 28000 0.4 30000 蒙特卡罗也称统计模拟方法，是二十世纪四十年代中期由于科学技术的发展和电子计算机的发明，而被提出的一种以概率统计理论为指导的一类非常重要的数值计算方法。是指使用随机数（或更常见的伪随机数）来解决很多计算问题的方法。蒙特卡罗方法的名字来源于摩纳哥的一个城市蒙地卡罗，该城市以赌博业闻名，而蒙特·罗方法正是以概率为基础的方法。与它对应的是确定性算法。 蒙特卡罗方法在金融工程学，宏观经济学，计算物理学(如粒子输运计算、量子热力学计算、空气动力学计算)等领域应用广泛。 基本思想 当所求解问题是某种随机事件出现的概率，或者是某个随机变量的期望值时，通过某种“实验”的方法，以这种事件出现的频率估计这一随机事件的概率，或者得到这个随机变量的某些数字特征，并将其作为问题的解。有一个例子可以使你比较直观地了解蒙特卡罗方法：假设我们要计算一个不规则图形的面积，那么图形的不规则程度和分析性计算（比如，积分）的复杂程度是成正比的。蒙特卡罗方法是怎么计算的呢？假想你有一袋豆子，把豆子均匀地朝这个图形上撒，然后数这个图形之中有多少颗豆子，这个豆子的数目就是图形的面积。当你的豆子越小，撒的越多的时候，结果就越精确。在这里我们要假定豆子都在一个平面上，相互之间没有重叠。 工作过程 在解决实际问题的时候应用蒙特卡罗方法主要有两部分工作： 用蒙特卡罗方法模拟某一过程时，需要产生各种概率分布的随机变量。 用统计方法把模型的数字特征估计出来，从而得到实际问题的数值解。 计算步骤 使用蒙特卡罗方法进行分子模拟计算是按照以下步骤进行的： ① 使用随机数发生器产生一个随机的分子构型。 ②对此分子构型的其中粒子坐标做无规则的改变，产生一个新的分子构型。 ③计算新的分子构型的能量。 ④比较新的分子构型于改变前的分子构型的能量变化，判断是否接受该构型。 若新的分子构型能量低于原分子构型的能量，则接受新的构型，使用这个构型重复再做下一次迭代。 若新的分子构型能量高于原分子构型的能量，则计算玻尔兹曼常数，同时产生一个随机数。 蒙特卡罗方法的解题过程可以归结为三个主要步骤：构造或描述概率过程；实现从已知概率分布抽样；建立各种估计量。 蒙特卡罗方法解题过程的三个主要步骤： （1）构造或描述概率过程 对于本身就具有随机性质的问题，如粒子输运问题，主要是正确描述和模拟这个概率过程，对于本来不是随机性质的确定性问题，比如计算定积分，就必须事先构造一个人为的概率过程，它的某些参量正好是所要求问题的解。即要将不具有随机性质的问题转化为随机性质的问题。 （2）实现从已知概率分布抽样 构造了概率模型以后，由于各种概率模型都可以看作是由各种各样的概率分布构成的，因此产生已知概率分布的随机变量（或随机向量），就成为实现蒙特卡罗方法模拟实验的基本手段，这也是蒙特卡罗方法被称为随机抽样的原因。最简单、最基本、最重要的一个概率分布是（0，1）上的均匀分布（或称矩形分布）。随机数就是具有这种均匀分布的随机变量。随机数序列就是具有这种分布的总体的一个简单子样，也就是一个具有这种分布的相互独立的随机变数序列。产生随机数的问题，就是从这个分布的抽样问题。在计算机上，可以用物理方法产生随机数，但价格昂贵，不能重复，使用不便。另一种方法是用数学递推公式产生。这样产生的序列，与真正的随机数序列不同，所以称为伪随机数，或伪随机数序列。不过，经过多种统计检验表明，它与真正的随机数，或随机数序列具有相近的性质，因此可把它作为真正的随机数来使用。由已知分布随机抽样有各种方法，与从(0,1)上均匀分布抽样不同，这些方法都是借助于随机序列来实现的，也就是说，都是以产生随机数为前提的。由此可见，随机数是我们实现蒙特卡罗模拟的基本工具。 （3）建立各种估计量 蒙特卡罗方法及应用 实验讲义 东华理工大学核工系 2016.8 实验一 蒙特卡罗方法基本思想 一、实验目的 1、了解蒙特卡罗方法方法的基本思想； 2、掌握蒙特卡罗方法计算面积、体积的方法； 3、掌握由已知分布的随机抽样方法。 二、实验原理 Monte Carlo 方法，又称统计模拟方法或计算机随机模拟方法，是一种基于“随机数”进行数值模拟的方法，一种采用统计抽样理论近似求解物理或数学问题的方法。 如待求量可以表述成某些特征量的期望值、某些事件出现的概率或两者的函数形式，那么可采用蒙特卡罗方法求解。在求解某些特征量的期望值或某些事件出现的概率时，必须构建合符实际的数学模型。例如采用蒙特卡罗方法计算某函数所围面积时，构建的数学模型是构造一已知面积的可均匀抽样区域，在该区域投点，由伯努利定理大数定理可知，进入待求区域投点的频率依概率1收敛于该事件出现的概率（面积之比）。 由已知分布的随机抽样方法指的是由已知分布的总体中抽取简单子样。具体方法很多，详见教材第三章。 三、实验内容 1、安装所需计算工具（MATLAB 、fortran 、C++等）； 2、学习使用rand(m,n)、unifrnd(a,b,m,n)函数 3、求解下列问题： 3.0、蒲丰氏投针求圆周率。 3.1、给定曲线y =2 – x 2 和曲线y 3 = x 2，曲线的交点为：P 1( – 1，1 )、P 2( 1，1 )。曲线围成平面有限区域，用蒙特卡罗方法计算区域面积； 3.2 、计算1z z ?≥??≤??所围体积 其中{(,,)|11,11,02}x y z x y z Ω=-≤≤-≤≤≤≤。 4、对以下已知分布进行随机抽样： 期权定价中的蒙特卡洛模拟方法 期权作为最基础的金融衍生产品之一，为其定价一直是金融工程的重要研究领域，主要使用的定价方法有偏微分方程法、鞅方法和数值方法。而数值方法又包括了二叉树方法、有限差分法和蒙特卡洛模拟方法。 蒙特卡洛方法的理论基础是概率论与数理统计，其实质是通过模拟标的资产价格路径预测期权的平均回报并得到期权价格估计值。蒙特卡洛方法的最大优势是误差收敛率不依赖于问题的维数，从而非常适宜为高维期权定价。 §1. 预备知识 ◆两个重要的定理：柯尔莫哥洛夫(Kolmogorov)强大数定律和莱维一林德贝格(Levy-Lindeberg)中心极限定理。 大数定律是概率论中用以说明大量随机现象平均结果稳定性的一系列极限定律。在蒙特卡洛方法中用到的是随机变量序列同分布的Kolmogorov 强大数定律： 设12,,ξξL 为独立同分布的随机变量序列，若 [],1,2,k E k ξμ=<∞=L 则有1 1(lim )1n k n k p n ξμ→∞===∑ 显然，若12,,,n ξξξL 是由同一总体中得到的抽样，那么由 此大数定律可知样本均值1 1n k k n ξ=∑当 n 很大时以概率1收敛于 总体均值μ。 中心极限定理是研究随机变量之和的极限分布在何种情形下是正态的，并由此应用正态分布的良好性质解决实际问题。 设12,,ξξL 为独立同分布的随机变量序列，若 2 [],[],1,2,k k E D k ξμξσ=<∞=<∞=L (0,1)n k d n N ξ μ -??→∑ 其等价形式为2 1 1lim ()exp(),2n x k k n t n P x dt x ξμσ =→∞ -∞ -≤= --∞<<∞∑?。 ◆Black-Scholes 期权定价模型 模型的假设条件： 1、标的证券的价格遵循几何布朗运动 dS dt dW S μσ=+ 其中，标的资产的价格S 是时间t 的函数，μ为标的资产 的瞬时期望收益率，σ为标的资产的波动率，dW 是维纳过程。 2、证券允许卖空、证券交易连续和证券高度可分。 3、不考虑交易费用或税收等交易成本。 4、在衍生证券的存续期内不支付红利。 5、市场上不存在无风险的套利机会。 6、无风险利率r 为一个固定的常数。 下面，通过构造标的资产与期权的资产组合并根据无套利定价原理建立期权定价模型。首先，为了得到期权的微分形式，先介绍随机微积分中的最重要的伊藤公式。 蒙特卡罗(Monte Carlo)方法简介 蒙特卡罗(Monte Carlo)方法简介 蒙特卡罗(Monte Carlo)方法，也称为计算机随机模拟方法，是一种基于"随机数"的计算方法。 一起源 这一方法源于美国在第二次世界大战进研制原子弹的"曼哈顿计划"。Monte Carlo方法创始人主要是这四位：Stanislaw Marcin Ulam, Enrico Fermi, John von Neumann（学计算机的肯定都认识这个牛人吧）和Nicholas Metropolis。 Stanislaw Marcin Ulam是波兰裔美籍数学家，早年是研究拓扑的，后因参与曼哈顿工程，兴趣遂转向应用数学，他首先提出用Monte Carlo方法解决计算数学中的一些问题，然后又将其应用到解决链式反应的理论中去，可以说是MC方法的奠基人；Enrico Fermi是个物理大牛，理论和实验同时都是大牛，这在物理界很少见，在“物理大牛的八卦”那篇文章里提到这个人很多次，对于这么牛的人只能是英年早逝了（别说我嘴损啊，上帝都嫉妒！）；John von Neumann可以说是计算机界的牛顿吧，太牛了，结果和Fermi一样，被上帝嫉妒了；Nicholas Metropolis，希腊裔美籍数学家，物理学家，计算机科学家，这个人对Monte Carlo方法做的贡献相当大，正式由于他提出的一种什么算法（名字忘了），才使得Monte Carlo方法能够得到如此广泛的应用，这人现在还活着，与前几位牛人不同，Metropolis很专一，他一生主要的贡献就是Monte Carlo方法。 蒙特卡罗方法的名字来源于摩纳哥的一个城市蒙地卡罗，该城市以赌博业闻名，而蒙特?罗方法正是以概率为基础的方法。与它对应的是确定性算法。 二解决问题的基本思路 Monte Carlo方法的基本思想很早以前就被人们所发现和利用。早在17世纪，人们就知道用事件发生的"频率"来决定事件的"概率"。19世纪人们用投针试验的方法来决定圆周率π。本世纪40年代电子计算机的出现，特 运用蒙特卡罗模拟进行风险分析 蒙特卡罗模拟由著名的摩纳哥赌城而得名，他是一种非常强有力的方法学。对专业人员来说，这种模拟为方便的解决困难而复杂的实际问题开启了一扇大门。估计蒙特卡罗模拟最著名的早期使用是诺贝尔奖物理学家Enrico Fermi（有时也说是原子弹之父）在1930年的应用，那时他用一种随机方法来计算刚发现的中子的性质。蒙特卡罗模拟是曼哈顿计划所用到的模拟的核心部分，在20世纪50年代蒙特卡罗模拟就用在Los Alamos国家实验室发展氢弹的早期工作中，并流行于物理学和运筹学研究领域。兰德公司和美国空军是这个时期主要的两个负责资助和传播蒙特卡罗方法的组织，今天蒙特卡罗模拟也被广泛应用于不同的领域，包括工程，物理学，研发，商业和金融。 简而言之，蒙特卡罗模拟创造了一种假设的未来，它是通过产生数以千计甚至成千上万的样本结果并分析他们的共性实现的。在实践中，蒙特卡罗模拟法用于风险分析，风险鉴定，敏感度分析和预测。模拟的一个替代方法是极其复杂的随机闭合数学模型。对一个公司的分析，使用研究生层次的高等数学和统计学显然不合逻辑和实际。一个出色的分析家会使用所有他或她可得的工具以最简单和最实际的方式去得到相同的结果。任何情况下，建模正确时，蒙特卡罗模拟可以提供与更完美的数学方法相似的答案。此外，有许多实际生活应用中不存在闭合模型并且唯一的途径就是应用模拟法。那么，到底什么是蒙特卡罗模拟以及它是怎么工作的？ 什么是蒙特卡罗模拟？ 今天，高速计算机使许多过去看来棘手的复杂计算成为可能。对科学家，工程师，统计学家，管理者，商业分析家和其他人来说，计算机使创建一个模拟现实的模型成为可能，这有助于做出预测，其中一种方法应用于模拟真实系统，它通过调查数以百计甚至数以千计的可能情况来解释随机性和未来不确定性。结果通过编译后用于决策。这就是蒙特卡罗模拟的全部内容。 形式最简单的蒙特卡罗模拟是一个随机数字生成器，它对预测，估计和风险分析都很有用。一个模拟计算模型的许多情况，这通过反复地从预先定义的特定变量概率分布中采集数据并将之应用于模型来实现。因为所有的情况都产生相应的结果，每种情况都可以蕴含一种预测。预测的是你定义为重要模型结果的事项（通常含有公式或函数）。 将蒙特卡罗模拟法想象为从一个大篮子里可放回的反复拿出高尔夫球。拦在的大小和形 蒙特卡洛模拟法 蒙特卡洛(Monte Carlo)模拟是一种通过设定随机过程，反复生成时间序列，计算参数估计量和统计量，进而研究其分布特征的方法。具体的，当系统中各个单元的可靠性特征量已知，但系统的可靠性过于复杂，难以建立可靠性预计的精确数学模型或模型太复杂而不便应用时，可用随机模拟法近似计算出系统可靠性的预计值；随着模拟次数的增多，其预计精度也逐渐增高。由于涉及到时间序列的反复生成，蒙特卡洛模拟法是以高容量和高速度的计算机为前提条件的，因此只是在近些年才得到广泛推广。 这个术语是二战时期美国物理学家Metropolis执行曼哈顿计划的过程中提出来的。 蒙特卡洛模拟方法的原理是当问题或对象本身具有概率特征时，可以用计算机模拟的方法产生抽样结果，根据抽样计算统计量或者参数的值；随着模拟次数的增多，可以通过对各次统计量或参数的估计值求平均的方法得到稳定结论。 蒙特卡洛模拟法的应用领域 蒙特卡洛模拟法的应用领域主要有： 1.直接应用蒙特卡洛模拟:应用大规模的随机数列来模拟复杂系统，得到某些参数或重要指标。 2.蒙特卡洛积分:利用随机数列计算积分，维数越高，积分效率越高。 3.MCMC:这是直接应用蒙特卡洛模拟方法的推广，该方法中随机数的产生是采用的马尔科夫链形式。 （也叫随机模拟法）当系统中各个单元的可靠性特征量已知，但系统的可靠性过于复杂，难以建立可靠性预计的精确数学模型或模型太复杂而不便应用则可用随机模拟法近似计算出系统可靠性的预计值。随着模拟次数的增多，其预计精度也逐渐增高。由于需要大量反复的计算，一般均用计算机来完成。 应用此方法求解工程技术问题可以分为两类:确定性问题和随机性问题。解题步骤如下： 1.根据提出的问题构造一个简单、适用的概率模型或随机模型，使问题的解对应于该模型中随机变量的某些特征（如概率、均值和方差等），所构造的模型在主要特征参量方面要与实际问题或系统相一致 2 .根据模型中各个随机变量的分布，在计算机上产生随机数，实现一次模拟过程所需的足够数量的随机数。通常先产生均匀分布的随机数，然后生成服从某一分布的随机数，方可进行随机模拟试验。 蒙特卡洛方法及其应用 1风险评估及蒙特卡洛方法概述 １.１蒙特卡洛方法。 蒙特卡洛方法，又称随机模拟方法或统计模拟方法，是在20世纪40年代随着电子计算机的发明而提出的。它是以统计抽样理论为基础，利用随机数，经过对随机变量已有数据的统计进行抽样实验或随机模拟，以求得统计量的某个数字特征并将其作为待解决问题的数值解。 蒙特卡洛模拟方法的基本原理是：假定随机变量X1、X2、X3……X n、Y，其中X1、X2、X3……X n 的概率分布已知，且X1、X2、X3……X n、Y有函数关系：Y=F（X1、X2、X3……X n），希望求得随机变量Y的近似分布情况及数字特征。通过抽取符合其概率分布的随机数列X1、X2、X3……X n带入其函数关系式计算获得Y的值。当模拟的次数足够多的时候，我们就可以得到与实际情况相近的函数Y的概率分布和数字特征。 蒙特卡洛法的特点是预测结果给出了预测值的最大值,最小值和最可能值，给出了预测值的区间范围及分布规律。 １.２风险评估概述。 风险表现为损损益的不确定性，说明风险产生的结果可能带来损失、获利或是无损失也无获利，属于广义风险。正是因为未来的不确定性使得每一个项目都存在风险。对于一个公司而言，各种投资项目通常会具有不同程度的风险，这些风险对于一个公司的影响不可小视，小到一个项目投资资本的按时回收，大到公司的总风险、公司正常运营。因此，对于风险的测量以及控制是非常重要的一个环节。 风险评估就是量化测评某一事件或事物带来的影响的可能程度。根据“经济人”假设，收益最大化是投资者的主要追求目标，面对不可避免的风险时，降低风险，防止或减少损失，以实现预期最佳是投资的目标。 当评价风险大小时，常有两种评价方式：定性分析与定量分析法。定性分析一般是根据风险度或风险大小等指标对风险因素进行优先级排序，为进一步分析或处理风险提供参考。这种方法适用于对比不同项目的风险程度，但这种方法最大的缺陷是在于，在多个项目中风险最小者也有可能亏损。而定量分析法则是将一些风险指标量化得到一系列的量化指标。通过这些简单易懂的指标，才能使公司的经营者、投资者对于项目分风险有正确的评估与判断， Monte Carlo Methods in Parallel Computing Chuanyi Ding ding@https://www.doczj.com/doc/4417877789.html, Eric Haskin haskin@https://www.doczj.com/doc/4417877789.html, Copyright by UNM/ARC November 1995 Outline What Is Monte Carlo? Example 1 - Monte Carlo Integration To Estimate Pi Example 2 - Monte Carlo solutions of Poisson's Equation Example 3 - Monte Carlo Estimates of Thermodynamic Properties General Remarks on Parallel Monte Carlo What is Monte Carlo? ? A powerful method that can be applied to otherwise intractable problems ? A game of chance devised so that the outcome from a large number of plays is the value of the quantity sought ?On computers random number generators let us play the game ?The game of chance can be a direct analog of the process being studied or artificial ?Different games can often be devised to solve the same problem ?The art of Monte Carlo is in devising a suitably efficient game. 例在我方某前沿防守地域，敌人以一个炮排（含两门火炮）为单位对我方进行干扰和破坏．为躲避我方打击，敌方对其阵地进行了伪装并经常变换射击地点． 经过长期观察发现，我方指挥所对敌方目标的指示有50％是准确的，而我方火力单位，在指示正确时，有1/3的射击效果能毁伤敌人一门火炮，有1/6的射击效果能全部毁伤敌人火炮． 现在希望能用某种方式把我方将要对敌人实施的20次打击结果显现出来，确定有效射击的比率及毁伤敌方火炮的平均值。 使用蒙特卡洛方法模拟50次打击结果： function [out1 out2 out3 out4]=Msc(N) % N开炮次数 % out1射中概率 % out2平均每次击中次数 % out3击中敌人一门火炮的射击总数 % out4击中敌人2门火炮的射击总数 k1=0; k2=0; k3=0; for i=1:N x0=randperm(2)-1; y0=x0(1); if y0==1 fprintf('第%d次：指示正确||',i); x1=randperm(6); y1=x1(1); if y1==1|y1==2|y1==3 fprintf('第%d次：击中0炮||',i); k1=k1+1; elseif y1==4|y1==5 fprintf('第%d次：击中1炮||',i); k2=k2+1; else fprintf('第%d次：击中2炮||',i); k3=k3+1; end else fprintf('第%d次：指示错误，击中0炮||',i); k1+1; end fprintf('\n'); end out1=(k2+k3)/N; out2=(0*k1+k2+2*k3)/20; out3=k2/N; out4=k3/N; 运行： 1.[out1 out2 out3 out4]=Msc(50) 结果： 1.第1次：指示正确||第1次：击中2炮|| 2.第2次：指示错误，击中0炮|| 3.第3次：指示错误，击中0炮|| 4.第4次：指示正确||第4次：击中0炮|| 5.第5次：指示错误，击中0炮|| 6.第6次：指示正确||第6次：击中1炮|| 7.第7次：指示正确||第7次：击中0炮|| 8.第8次：指示错误，击中0炮|| 9.第9次：指示正确||第9次：击中2炮|| 10.第10次：指示正确||第10次：击中1炮|| 11.第11次：指示正确||第11次：击中1炮|| 12.第12次：指示正确||第12次：击中2炮|| 13.第13次：指示错误，击中0炮|| 14.第14次：指示正确||第14次：击中1炮|| 15.第15次：指示错误，击中0炮|| 16.第16次：指示错误，击中0炮|| 17.第17次：指示正确||第17次：击中0炮|| 18.第18次：指示错误，击中0炮|| 蒙特卡洛模拟法简介 蒙特卡洛(Monte Carlo)模拟是一种通过设定随机过程，反复生成时间序列，计算参数估计量和统计量，进而研究其分布特征的方法。具体的，当系统中各个单元的可靠性特征量已知，但系统的可靠性过于复杂，难以建立可靠性预计的精确数学模型或模型太复杂而不便应用时，可用随机模拟法近似计算出系统可靠性的预计值；随着模拟次数的增多，其预计精度也逐渐增高。由于涉及到时间序列的反复生成，蒙特卡洛模拟法是以高容量和高速度的计算机为前提条件的，因此只是在近些年才得到广泛推广。 这个术语是二战时期美国物理学家Metropolis执行曼哈顿计划的过程中提出来的。 蒙特卡洛模拟方法的原理是当问题或对象本身具有概率特征时，可以用计算机模拟的方法产生抽样结果，根据抽样计算统计量或者参数的值；随着模拟次数的增多，可以通过对各次统计量或参数的估计值求平均的方法得到稳定结论。 蒙特卡洛模拟法的应用领域 蒙特卡洛模拟法的应用领域主要有： 1.直接应用蒙特卡洛模拟:应用大规模的随机数列来模拟复杂系统，得到某些参数或重要指标。 2.蒙特卡洛积分:利用随机数列计算积分，维数越高，积分效率越高。 3.MCMC:这是直接应用蒙特卡洛模拟方法的推广，该方法中随机数的产生是采用的马尔科夫链形式。 蒙特卡洛模拟法的概念 （也叫随机模拟法）当系统中各个单元的可靠性特征量已知，但系统的可靠性过于复杂，难以建立可靠性预计的精确数学模型或模型太复杂而不便应用则可用随机模拟法近似计算出系统可靠性的预计值。随着模拟次数的增多，其预计精度也逐渐增高。由于需要大量反复的计算，一般均用计算机来完成。 蒙特卡洛模拟法求解步骤 应用此方法求解工程技术问题可以分为两类:确定性问题和随机性问题。解题步骤如下： 1.根据提出的问题构造一个简单、适用的概率模型或随机模型，使问题的解对应于该模型中随机变量的某些特征（如概率、均值和方差等），所构造的模型在主要特征参量方面要与实际问题或系统相一致 2 .根据模型中各个随机变量的分布，在计算机上产生随机数，实现一次模拟过程所需的足够数量的随机数。通常先产生均匀分布的随机数，然后生成服从某一分布的随机数，方可进行随机模拟试验。 3. 根据概率模型的特点和随机变量的分布特性，设计和选取合适的抽样方法，并对每个随机变量进行抽样（包括直接抽样、分层抽样、相关抽样、重要抽样等）。 4.按照所建立的模型进行仿真试验、计算，求出问题的随机解。 5. 统计分析模拟试验结果，给出问题的概率解以及解的精度估计。 在可靠性分析和设计中，用蒙特卡洛模拟法可以确定复杂随机变量的概率分布和数字特征，可以通过随机模拟估算系统和零件的可靠度，也可以模拟随机过程、寻求系统最优参数等。 蒙特卡洛模拟法的实例 资产组合模拟： 假设有五种资产，其日收益率(%)分别为 0.02460.0189 0.0273 0.0141 0.0311 标准差分别为 0.95091.4259, 1.5227, 1.1062, 1.0877 相关系数矩阵为 1.0000 0.4403 0.4735 0.4334 0.6855 0.4403 1.00000.7597 0.7809 0.4343 0.4735 0.75971.0000 0.6978 0.4926 0.4334 0.78090.6978 1.0000 0.4289 0.6855 0.43430.4926 0.4289 1.0000 假设初始价格都为100，模拟天数为504天，模拟线程为2，程序如下%run.m蒙特卡洛方法
浅析蒙特卡洛方法原理及应用
蒙特卡罗方法简介
蒙特卡洛模拟原理及步骤
蒙特卡罗也称统计模拟方法
蒙特卡罗方法地解地的题目过程可以归结为三个主要步骤
蒙特卡罗方法及应用实验讲义2016资料
(定价策略)期权定价中的蒙特卡洛模拟方法
蒙特卡罗(Monte Carlo)方法简介
运用蒙特卡罗模拟进行风险分析
蒙特卡洛模拟法
蒙特卡洛方法及其在风险评估中的应用
蒙特卡罗方法并行计算
蒙特卡洛方法模拟小例子
蒙特卡洛模拟法简介
相关主题
文本预览