当前位置：文档之家 › 蒙特卡罗(Monte Carlo)方法

蒙特卡罗(Monte Carlo)方法

  • 格式：doc
  • 大小：32.00 KB
  • 文档页数：4

/share/detail/5568877蒙特卡罗(Monte Carlo)方法，或称计算机随机模拟方法，是一种基于“随机数”的计算方法。

这一方法源于美国在第一次世界大战进研制原子弹的“曼哈顿计划”。

该计划的主持人之一、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。

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。

对这类问题，难度随维数的增加呈指数增长，这就是所谓的“维数的灾难”(Course Dimensionality)，传统的数值方法难以对付（即使使用速度最快的计算机）。

Monte Carlo方法能很好地用来对付维数的灾难，因为该方法的计算复杂性不再依赖于维数。

以前那些本来是无法计算的问题现在也能够计算量。

为提高方法的效率，科学家们提出了许多所谓的“方差缩减”技巧。

另一类形式与Monte Carlo方法相似，但理论基础不同的方法—“拟蒙特卡罗方法”(Quasi-Monte Carlo方法)—近年来也获得迅速发展。

我国数学家华罗庚、王元提出的“华—王”方法即是其中的一例。

这种方法的基本思想是“用确定性的超均匀分布序列(数学上称为Low Discrepancy Sequences)代替Monte Carlo方法中的随机数序列。

对某些问题该方法的实际速度一般可比Monte Carlo方法提出高数百倍，并可计算精确度。

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。

建立各种估计量：一般说来，构造了概率模型并能从中抽样后，即实现模拟实验后，我们就要确定一个随机变量，作为所要求的问题的解，我们称它为无偏估计。

建立各种估计量，相当于对模拟实验的结果进行考察和登记，从中得到问题的解。

例如：检验产品的正品率问题，我们可以用1表示正品，0表示次品，于是对每个产品检验可以定义如下的随机变数Ti，作为正品率的估计量：于是，在N次实验后，正品个数为：显然，正品率p为：不难看出，Ti为无偏估计。

当然，还可以引入其它类型的估计，如最大似然估计，渐进有偏估计等。

但是，在蒙特卡罗计算中，使用最多的是无偏估计。

用比较抽象的概率语言描述蒙特卡罗方法解题的手续如下：构造一个概率空间(W ,A,P)，其中，W 是一个事件集合，A是集合W 的子集的s 体，P是在A上建立的某个概率测度；在这个概率空间中，选取一个随机变量q (w ),w ? W ,使得这个随机变量的期望值正好是所要求的解Q ，然后用q (w )的简单子样的算术平均值作为Q 的近似值。

蒙特卡罗方法与一般计算方法有很大区别，一般计算方法对于解决多维或因素复杂的问题非常困难，而蒙特卡罗方法对于解决这方面的问题却比较简单。

其特点如下：·直接追踪粒子，物理思路清晰，易于理解。

·采用随机抽样的方法，较真切的模拟粒子输运的过程，反映了统计涨落的规律。

·不受系统多维、多因素等复杂性的限制，是解决复杂系统粒子输运问题的好方法。

· MC程序结构清晰简单。

·研究人员采用MC方法编写程序来解决粒子输运问题，比较容易得到自己想得到的任意中间结果，应用灵活性强。

· MC方法主要弱点是收敛速度较慢和误差的概率性质，其概率误差正比于，如果单纯以增大抽样粒子个数N来减小误差，就要增加很大的计算量。

近十年来，蒙特卡罗方法发展很快，从1983年到1988年期刊论文数量增长了五倍，有几本好书是关于电子? 光子蒙特卡罗问题的[注1]，蒙特卡罗方法的代码被认为是黑匣子，它已成为计算数学中不可缺少的组成部分，这主要是因为以下原因：·传统的分析方法受到了问题复杂性的限制。

· MC方法直观，对实验者很有吸引力。

·计算机变得更快更便宜。

·量子理论的发展为我们提供了辐射与物质相互作用的截面数据。

[注1]：· I.Lux and L.Koblinger,MONTE CARLO PARTICLE TRANSPORT METHODS:MEUTRON ANDPHOTO CALCULATIONS (CRC Press,1991).· R.L.Morin(Editor),MONTE CARLO SIMULATION IN THE RADIOLOGICAL SCIENCES (CRC Press,1988).[Contributors: H.-P. Chan, K.Doi, J.E.Goin, R.L.Morin, R.Nath,D.E.Raeside,J.C.Widman and J.F.Williamson]· T.M.Jenkins, W.R.Nelson, A.Rindi, A.E.Nahum and D.W.O.Rogers (Editors), MONTE CARLO TRANSPORT OF ELECTRONS AND PHOTOS (Plenum Press,1988). [Contributors: P.Andro, M.J.Berger, A.F.Bielajew, A.Del Guerra, B.Grosswendt, J.Halbleib, A.Ito, T.M.Jenkins, R.Monhan, A.E.Nahum, W.R.Nelson, D.W.O.Rogers, S.Seltzer and R.Wang]蒙特卡罗方法的计算程序：关于蒙特卡罗方法的计算程序已经有很多，如：EGS4、FLUKA、ETRAN、ITS、MCNP、GEA NT等。

这些程序大多经过了多年的发展，花费了几百人年的工作量。

除分藓俗友芯恐心（CERN）发行的GEANT主要用于高能物理探测器响应和粒子径迹的模拟外，其它程序都深入到低能领域，并被广泛应用。

就电子和光子输运的模拟而言，这些程序可被分为两个系列：1．EGS4、FLUKA、GRANT2．ETRAN、ITS、MCNP这两个系列的区别在于：对于电子输运过程的模拟根据不同的理论采用了不同的算法。

EGS4和ETRAN分别为两个系列的基础，其它程序都采用了它们的核心算法。

ETRAN(for Electron Transport)由美国国家标准局辐射研究中心开发，主要模拟光子和电子，能量范围可从1KeV到1GeV。

ITS(The integrated TIGER Series of Coupled Electron/Photon Monte Carlo Transport Codes )是由美国圣地亚哥（Sandia）国家实验室在ETRAN的基础上开发的一系列模拟计算程序，包括TIGER 、CYLTRAN 、ACCEPT等，它们的主要差别在于几何模型的不同。

TIGER研究的是一维多层的问题，CYLTRAN研究的是粒子在圆柱形介质中的输运问题，ACCEPT是解决粒子在三维空间输运的通用程序。

NCNP(Monte Carlo Neutron and Photo Transport Code)由美国橡树林国家实验室(Oak Ridge National Laboratory)开发的一套模拟中子、光子和电子在物质中输运过程的通用MC 计算程序，在它早期的版本中并不包含对电子输运过程的模拟，只模拟中子和光子，较新的版本（如MCNP4A）则引进了ETRAN，加入了对电子的模拟。

合集下载

蒙特卡罗方法及其在化学中的应用

蒙特卡罗方法及其在化学中的应用

蒙特卡罗方法及其在化学中的应用蒙特卡罗（Monte Carlo）方法，是计算机科学中一种统计模拟方法，用概率统计模拟随机事件，真实地模拟复杂的系统的行为，和解决若干规律计算问题。

它曾被用来解决数学、物理和特别是量子物理中的一些复杂问题。

此外，蒙特卡罗方法还在新兴科学如化学、计算机图形学等领域得到了广泛的应用。

本文针对蒙特卡罗方法及其在化学中的应用，结合具体实例，进行深入剖析和说明。

一、蒙特卡罗方法是什么及其原理蒙特卡罗方法(Monte Carlo method)，是计算机科学中模拟随机过程的方法，它利用概率统计的思想，利用随机的种子来模拟复杂的现象，计算出特定结果。

它可以快速、高效地模拟场、多物质和量子物质行为，让计算机真正发挥自己的实力，在化学物性模拟、量子化学领域获得了大量的应用。

蒙特卡罗方法的核心思想是：以概率的观点建模系统的行为，然后用随机数字种子来模拟，最终多次模拟、计算出平均结果，从而获得满足系统性能最优的输出结果。

二、蒙特卡罗方法在化学中的应用1. 量子化学领域量子化学实际上就是用相对简化的数学技巧，结合量子力学求解复杂的反应机理。

蒙特卡罗方法可以用来计算量子力学中大量的细节，从而预测不同离子、原子之间的位置关系，以及分子能量和反应能量。

例如，若要计算氯氨的自振动的能量和频率，可以用蒙特卡罗方法得出分子能量，以便计算氯氨的结构和动力学过程。

2. 化学模拟领域在化学模拟中，蒙特卡罗方法可用于模拟复分子模拟、系统对接以及描述分子性质，例如温度、压力、分子重量、分子形状、分子共振等等，从而分析分子的行为和特性，可以得到更精确、客观的结果，从而优化原有的催化剂制备工艺，增进新的制备工艺的研究。

3. 生物医学领域大多数的药品的性质和效果与它们分子结构和空间结构有关，而蒙特卡罗方法可以模拟分子内部的原子各种运动，计算出其结构安排，从而更好地究其机制、理解分子作用规律、优化新药的设计，以及抗病毒等技术的开发。

蒙特卡洛方法

蒙特卡洛方法

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。

蒙特拉罗方法

蒙特拉罗方法


用该方法计算π的基本思路是： 1 根据圆面积的公式： s=πR^2 ,当R=1时， S=π。 由于圆的方程是：x^2+y^2=1(x^2为x的平方 的意思),因此1/4圆面积为x轴、y轴和上述方 程所包围的部分。 如果在1*1的正方形中均匀地落入随机点，则 落入1/4圆中的点的概率就是1/4圆的面积。其 4倍，就是圆面积。 由于半径为1，该面积的值为π的值。
蒙特卡罗(Monte Carlo)方法 蒙特卡罗 方法
蒙特卡洛法是什么？ 蒙特卡洛法是什么？
• 蒙特卡洛 蒙特卡洛(Monte Carlo)方法，或称计算机随机 方法， 方法 模拟方法，是一种基于“随机数”的计算方法。 模拟方法，是一种基于“随机数”的计算方法。 这一方法源于美国在第二次世界大战中研制原 子弹的“曼哈顿计划” 该计划的主持人之一、 子弹的“曼哈顿计划”。该计划的主持人之一、 数学家冯·诺伊曼用驰名世界的赌城 诺伊曼用驰名世界的赌城—摩纳哥的 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 来命名这种方法， 来命名这种方法 一层神秘色彩。 一层神秘色彩。
m G内，则随机点落入G内的概率 I ≈ n
一道积分题
• 一道证明积分不等式的题：
π
1 1 −(x2 +y2 ) 23 (1− ) < ∫ e dxdy < 4 e 0 30
• 中间的积分值可以用蒙特卡洛法求得 • 因为它是一个二重积分，其几何直观为一 个立体的体积，很巧的是它可以完全包含 于一个棱长为1的正方体中，我们在其中产 生随机点，其中落于所求体积的点数与正 方体中产生的点数之比即为所求的积分值。
1
需要计算的积分为I = ∫ f ( x)dxΒιβλιοθήκη ,积分I等于图中的面积G。0
蒙特卡洛方法

蒙特卡洛方法

蒙特卡洛方法整理介绍
通常蒙特卡罗方法通过构造符合一定规则的随机数来解决数学上的各种问题。

对于那些由于计算过于复杂而难以得到解析解或者根本没有解析解的问题，蒙特卡罗方法是一种有效的求出数值解的方法。

一般蒙特卡罗方法在数学中最常见的应用就是蒙特卡罗积分。

积分[编辑]
非权重蒙特卡罗积分，也称确定性抽样，是对被积函数变量区间进行随机均匀抽样，然后对被抽样点的函数值求平均，从而可以得到函数积分的近似值。

此种方法的正确性是基于概率论的中心极限定理。

当抽样点数为m时，使用此种方法所
得近似解的统计误差只与m有关（与正相关），不随积分维数的改变而改变。

因此当积分维度较高时，蒙特卡罗方法相对于其他数值解法更优。

圆周率[编辑]
蒙特卡洛方法可用于近似计算圆周率：让计算机每次随机生成两个0到1之间的数，看以这两个实数为横纵坐标的点是否在单位圆内。

生成一系列随机点，统计单位圆内的点数与总点数，（圆面积和正方形面积之比为PI:4，PI为圆周率），当随机点取得越多时，其结果越接近于圆周率（然而准确度仍有争议：即使取10的9次方个随机点时，其结果也仅在前4位与圆周率吻合）。

用蒙特卡洛方法近似计算圆周率的先天不足是：第一，计算机产生的随机数是受到存储格式的限制的，是离散的，并不能产生连续的任意实数；上述做法将平面分割成一个个网格，在空间也不是连续的，由此计算出来的面积当然与圆或多或少有差距。