下载文档原格式
第三章 随机性模拟方法—蒙特卡罗方法（MC ）§ 3.1 预备知识例：一个粒子在一个二维正方格点上跳跃运动随机行走：每一时间步上，粒子可选择跳到四个最近邻格点上的任何一个，而记不得自己来自何方；自回避行走：粒子记得自己来自什么地方，而回避同它自己的路径交叉。
随机行走的每一步的结果就是系统的一个状态，从一个状态到另一个状态的跃迁只依赖于出发的状态，这些状态形成一个序列，这就是一个马尔可夫链。
状态序列：x 0, x 1, …, x n , …已给出状态x 0, x 1, …, x n+1 的确定值，x n 出现的概率叫做条件概率 ()01,x x x -n n P 马尔可夫链的定义：如果序列x 0, x 1, …, x n , …对任何n 都有 ()()101,--=n n n n P P x x x x x 则此序列为一个马尔可夫链（或过程）。
§ 3.2 布朗动力学（BD ） 1．郎之万方程 v t R dtdvmβ-=)( 方程右边第一项为随机力，对粒子起加热作用；第二项为摩擦力，避免粒子过热。
将方程变形为：dt mvt R dt m v dv )(+-=β 于是，解可写为：])0()(11[)0( )0()(0)()(10⎰+≈⎰=---tt mt md v R m tm d ev R m ev eev t v tττββτττβ⎰+≈---t m t t md Re m ev 0)()(1)0( ττβτβ当随机力R(t)服从高斯分布时，上述方程的解描述的即为布朗运动，于是，布朗运动问题就化为在一些补充条件下求解郎之万方程，即⎪⎪⎪⎪⎩⎪⎪⎪⎪⎨⎧><=>=<>=<=+><--)( 2)()(2)0()(,0)()(222/2/12高斯分布R R B e R R P t T k R t R t R m t R m v dt dv πδββ 注：)()()(t t q t R t R '->='<δ 表示随机力R 在t 和t ’时刻没有关联, q 为噪声强度。
蒙特卡洛模拟法目录编辑本段蒙特卡洛(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。
编辑本段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。
编辑本段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。
编辑本段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。
蒙特卡洛模拟风险分析是我们制定的每个决策的一部分。
我们一直面对着不确定，不明确和变异。
甚至我们无法获得信息，我们不能准确的预测未来。
蒙特卡洛模拟( Monte Carlo simulation)让您看到了您决策的所有可能的输出，并评估风险，允许在不确定的情况下制定更好的决策。
什么是蒙特卡洛模拟( Monte Carlo simulation)蒙特卡洛模拟( Monte Carlo simulation)是一种计算机数学技术，允许人们在定量分析和决策制定过程中量化风险。
这项技术被专家们用于各种不同的领域，比如财经，项目管理，能源，生产，工程，研究和开发，保险，石油&天然气，物流和环境。
蒙特卡洛模拟( Monte Carlo simulation)提供给了决策制定者大范围的可能输出和任意行动选择将会发生的概率。
它显示了极端的可能性-最的输出，最保守的输出-以及对于中间路线决策的最可能的结果。
这项技术首先被从事原子弹工作的科学家使用；它被命名为蒙特卡洛，摩纳哥有名的娱乐旅游胜地。
它是在二战的时候被传入的，蒙特卡洛模拟( Monte Carlo simulation)现在已经被用于建模各种物理和概念系统。
蒙特卡洛模拟( Monte Carlo simulation)是如何工作的蒙特卡洛模拟( Monte Carlo simulation)通过构建可能结果的模型-通过替换任意存在固有不确定性的因子的一定范围的值(概率分布)-来执行风险分析。
它一次又一次的计算结果，每次使用一个从概率分布获得的不同随机数集。
根据不确定数和为他们制定的范围，蒙特卡洛模拟( Monte Carlo simulation)能够在它完成计算前调用成千上万次的重复计算。
蒙特卡洛模拟( Monte Carlo simulation)产生可能结果输出值的分布。
通过使用概率分布，变量能够拥有不同结果发生的不同概率。
概率分布是一种用来描述风险分析的变量中的不确定性的更加可行的方法。
蒙特卡罗方法（Monte Carlo method）蒙特卡罗方法概述蒙特卡罗方法又称统计模拟法、随机抽样技术，是一种随机模拟方法，以概率和统计理论方法为基础的一种计算方法，是使用随机数（或更常见的伪随机数）来解决很多计算问题的方法。
将所求解的问题同一定的概率模型相联系，用电子计算机实现统计模拟或抽样，以获得问题的近似解。
为象征性地表明这一方法的概率统计特征，故借用赌城蒙特卡罗命名。
蒙特卡罗方法的提出蒙特卡罗方法于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，蒙特卡罗方法就已经存在。
1777年，法国Buffon提出用投针实验的方法求圆周率∏。
这被认为是蒙特卡罗方法的起源。
蒙特卡罗方法的基本思想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，特别是近年来高速电子计算机的出现，使得用数学方法在计算机上大量、快速地模拟这样的试验成为可能。
考虑平面上的一个边长为1的正方形及其内部的一个形状不规则的“图形”，如何求出这个“图形”的面积呢?Monte Carlo方法是这样一种“随机化”的方法：向该正方形“随机地”投掷N个点，有M个点落于“图形”内，则该“图形”的面积近似为M/N。
可用民意测验来作一个不严格的比喻。
民意测验的人不是征询每一个登记选民的意见，而是通过对选民进行小规模的抽样调查来确定可能的优胜者。
其基本思想是一样的。
科技计算中的问题比这要复杂得多。
比如金融衍生产品（期权、期货、掉期等）的定价及交易风险估算，问题的维数（即变量的个数）可能高达数百甚至数千。
蒙特卡洛方法蒙特卡洛方法求助编辑百科名片蒙特卡罗模拟是一种计算机化的数学方法，允许人们评估定量分析和决策制定过程中的风险。
此方法首先被科学家用于研究原子弹；它以因赌场而闻名遐迩的摩纳哥旅游城市蒙特卡罗命名。
自从在二战中推出以来，蒙特卡罗模拟一直用于为不同的物理和概念系统建立模型。
专业人员将此方法广泛应用于不同领域，如金融、项目管理、能源、制造、工程、研发、保险、运输和环境。
蒙特卡罗模拟向决策者提供了采取任何措施可能产生的一系列可能结果和概率。
它说明了最大可能性，即全力以赴和最保守决策的结果，以及折衷决策的所有可能后果。
目录梗概基本思想工作原理工作过程优势分子领域数学领域1.积分2.圆周率3.应用题电脑领域展开梗概基本思想工作原理工作过程优势分子领域数学领域1.积分2.圆周率3.应用题电脑领域展开编辑本段梗概蒙特卡洛方法（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。
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。
蒙特卡罗模拟是一种计算机化的数学方法，允许人们评估定量分析和决策制定过程中的风险。
[1]20世纪40年代，在John von Neumann，Stanislaw Ulam和Nicholas Metropolis在洛斯阿拉莫斯国家实验室为核武器计划工作时，发明了蒙特卡洛方法。
此方法首先被科学家用于研究原子弹；它以因赌场而闻名遐迩的摩纳哥旅游城市蒙特卡罗命名。
自从在二战中推出以来，蒙特卡罗模拟一直用于为不同的物理和概念系统建立模型。
[1]蒙特卡罗模拟向决策者提供了采取任何措施可能产生的一系列可能结果和概率。
它说明了最大可能性，即全力以赴和最保守决策的结果，以及折衷决策的所有可能后果。
[1]与它对应的是确定性算法。
蒙特卡洛方法在金融工程学，宏观经济学，生物医学，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。
Monte Carlo 法§8.1 概述Monte Carlo 法不同于前面几章所介绍的确定性数值方法，它是用来解决数学和物理问题的非确定性的（概率统计的或随机的）数值方法。
Monte Carlo 方法（MCM ），也称为统计试验方法，是理论物理学两大主要学科的合并：即随机过程的概率统计理论（用于处理布朗运动或随机游动实验）和位势理论，主要是研究均匀介质的稳定状态[1]。
它是用一系列随机数来近似解决问题的一种方法，是通过寻找一个概率统计的相似体并用实验取样过程来获得该相似体的近似解的处理数学问题的一种手段。
运用该近似方法所获得的问题的解in spirit 更接近于物理实验结果，而不是经典数值计算结果。
普遍认为我们当前所应用的MC 技术，其发展约可追溯至1944年，尽管在早些时候仍有许多未解决的实例。
MCM 的发展归功于核武器早期工作期间LosAlamos （美国国家实验室中子散射研究中心）的一批科学家。
Los Alamos 小组的基础工作刺激了一次巨大的学科文化的迸发，并鼓励了MCM 在各种问题中的应用[2]-[4]。
“Monte Carlo ”的名称取自于Monaco （摩纳哥）内以赌博娱乐而闻名的一座城市。
Monte Carlo 方法的应用有两种途径：仿真和取样。
仿真是指提供实际随机现象的数学上的模仿的方法。
一个典型的例子就是对中子进入反应堆屏障的运动进行仿真，用随机游动来模仿中子的锯齿形路径。
取样是指通过研究少量的随机的子集来演绎大量元素的特性的方法。
例如，)(x f 在b x a <<上的平均值可以通过间歇性随机选取的有限个数的点的平均值来进行估计。
这就是数值积分的Monte Carlo 方法。
MCM 已被成功地用于求解微分方程和积分方程，求解本征值，矩阵转置，以及尤其用于计算多重积分。
任何本质上属随机组员的过程或系统的仿真都需要一种产生或获得随机数的方法。
这种仿真的例子在中子随机碰撞，数值统计，队列模型，战略游戏，以及其它竞赛活动中都会出现。
蒙特卡罗方法及应用蒙特卡罗方法是一种基于概率统计的数值计算方法，它在许多实际问题中具有广泛的应用。
本文将介绍如何在没有明确思路的情况下，使用蒙特卡罗方法来解决实际问题，并概述其基本原理、实现步骤、优缺点及应用实例。
当遇到一些复杂的问题，比如在无法列出方程求解的数学问题，或者在需要大量计算的概率统计问题中，我们可能会感到无从下手。
此时，蒙特卡罗方法提供了一种有效的解决方案。
通过使用随机数和概率模型，我们可以对问题进行模拟，并从模拟结果中得出结论。
蒙特卡罗方法的基本原理是利用随机数生成器，产生一组符合特定概率分布的随机数，然后通过这组随机数对问题进行模拟。
具体实现步骤包括：首先，确定问题的概率模型；其次，使用随机数生成器生成一组随机数；然后，通过模拟大量可能情况，得到问题的近似解；最后，对模拟结果进行统计分析，得出结论。
蒙特卡罗方法的优点在于，它可以在一定程度上解决难以列出方程的问题，提供一种可行的计算方法。
此外，蒙特卡罗方法可以处理多维度的问题，并且可以给出近似解，具有一定的鲁棒性。
然而，蒙特卡罗方法也存在一些缺点，比如模拟次数过多可能会导致计算效率低下，而且有时难以确定问题的概率模型。
蒙特卡罗方法在概率领域有广泛的应用，比如在期权定价、估计数学期望、计算积分等领域。
以估计数学期望为例，我们可以通过蒙特卡罗方法生成一组符合特定概率分布的随机数，并计算这些随机数的平均值来估计数学期望。
总之，蒙特卡罗方法为我们提供了一种有效的数值计算方法，可以在没有明确思路的情况下解决许多实际问题。
通过了解蒙特卡罗方法的基本原理、实现步骤、优缺点及应用实例，我们可以更好地理解并应用这种方法。
在实际问题中，我们可以根据具体的情况选择合适的概率模型和随机数生成器，以得到更精确的结果。
我们也需要注意蒙特卡罗方法的局限性，例如在处理高维度问题时可能会出现计算效率低下的问题。
针对这些问题，我们可以尝试使用一些优化技巧或者和其他计算方法结合使用，以提高计算效率。
