蒙特卡洛方法及其应用
【最新资料，WORD文档，可编辑修改】
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，采取有针对性的措施，最终做出有利于公司的决策。
2蒙特卡洛方法在风险评估中的运用
2.1方法简介
在定量分析法下，选取一个合适的量化指标是非常重要的。对于一般的项目投资而言，项目投资回报是否能按时收回，项目是否能够为公司带来利润是决策者需要考察的问题，也就是风险。在这种情况下，这一投资未来的收益（净现值或内部收益率）以及其相对于预期的偏离程度常常被用作衡量风险的指标。
针对一个投资项目，影响未来收益的因素很多，例如，随着时间的推移，需要追加投资数额可能会发生变化；在实业中，随着生产规模的扩大，可能出现规模经济或者规模不经济，使得成本有所下降或上升；由于受到资金量限制，追加投资的量会受到项目回报的影响，若项目已实现的收益率达到某一标准后才继续投资，否则就退出市场。
蒙特卡洛模拟的一般步骤如下：
1.选取随机变量,即对净现值最敏感的变量。
2.确定随机变量的概率分布
3.为各随机变量抽取随机数
4.将抽得的随机数转化为各输入变量的抽样值
5.将抽样值构成一组项目评价基础数据
6.根据基础数据计算出一种随机状况下的评价指标值
7.重复上述过程，进行反复多次模拟，得出多组评价指标值
8.整理模拟结果所得评价指标的期望值、方差、标准差、概率分布及累计概率分布，绘制累计概率图，同时，检验模拟次数是否满足预定的精度要求根据上述结果，分析各随机变量对项目收益的影响。
根据所得的概率分布以及概率分布图，我们可以获得关于项目未来收益的一系列评价指标，例如未来现金流的净现值的期望值、方差、标准差、净现值可能的区间以及概率。但是，公司的决策者根据公司总体情况，需要综合考虑很多其他的因素，故在了解该项目风险指标的基础上，可以根据公司现金流的需求状况、公司整体运营情况来决策。
具体而言，首先，公司投资的回报需要用于弥补公司除成本外的各项费用开支，因此，仅仅要求项目未来收益的现值为正还不能够使得公司盈利，决策者需要在了解总成本的基础上确定一个收支相抵的净现值额，再结合模拟的结果进行决策。
其次，对于一个公司而言，公司可能同时有数个项目在运营中，决策者就需要考虑整个公司所有项目之间的平衡。例如，公司的某一其他项目在未来的一时间点需要一笔现金投入，这笔现金投入来源于我们目前考察项目的资金回收。为了保证公司资金链的流畅，就需要了解项目资金回收的情况。
2.2模型改进
在项目评估中，可能有多个风险敏感变量会对目标变量造成影响，尽管蒙特卡洛方法可以设置多个风险敏感变量，但是传统的蒙特卡洛方法不考虑变量之间的关系，那么对于部分案例，我们就无法观察到风险敏感变量之间的关系。关联性改进就是通过研究风险敏感变量之间的关系，试图将变量之间的关系嵌入模型，使得模型更加完善。最典型的例子就是规模效应。
规模效应是指销售量或者产量与单位可变成本之间的关系，可以分为规模经济、规模不变以及规模不经济。规模经济就是说随着销售量或者产量的增加，单位可变成本是呈现递减的趋势；同样的，规模不经济就是单位成本随着销售量或者产量的增加而递增。
2.2.2 伪随机数列的改进
在软件Matlab中，命令rand（）可以用来产生0到1之间服从均匀分布随机数列，然而这种随机数是根据一定的算法，如逆同余法、乘同余法、线性同余法等产生服从均匀分布的随机数。但上述各方法均存在一定的不足，如高维不均匀性和长周期相关性现象，会导致仿真收敛速度慢及结果波动大等一系列问题。
基于上述原因，传统蒙特卡洛方法往往会造成“空隙和簇”的现象，造成对采样空间的搜索不充分。为了获得分布更加均匀的数列，可以采用分布更加均匀的拟随机数列，可以使用精选的确定的样本点。而且由于拟随即序列的收敛速度要高于伪随机序列，它可以用较少的样本数就可以达到相对高的精度。
3案例分析
3.1案例
某饮料企业现准备开发一种新型果汁饮料的投资项目，其初始投资额为200万元该项目一旦投入运营后，第一年产品的销量是一个服从均值为200万件而标准差为 60万件的正态分布，根据这种产品的生命周期规律，第二年销量将在第一年的基础上增长 30%，而第三年销量将在第二年基础上增长-
20%。三年内每年还需投入固定成本100 万元。新产品单位可变成本为服从2到4的均匀分配。商品零售价格为服从期望为4，方差为2的正态分布。试分析此项目的风险。
1．考虑将项目投资后三年内的现金流的净现值作为评估风险的依据，其中，净现值的计算公式如下：
其中：B-年现金流入，C-年现金流出，i-贴现率，n-项目寿命周期，I-项目初始投资额。
2．对项目的已知数据进行简单整理，考虑金钱的时间价值，设年贴现率为10%。此例题只有一个变量，数据整理如下表：
3．依据案例，设销售量为x 。x 服从均值为2，标准差为 0.6的正态分布；零售价格为ｍ，服从期望为4，方差为2的正态分布；单位可变成本为ｎ，服从2到4的均匀分布。写出目标函数：g=-I+ g 1(x)+ g 2(x)+ g 3(x)
第一年：g 1(x)=(m*x-1-n*x)*)
1(1)1(i i i +-+ 第二年：g 2(x)=(m*x-1-n*x)*22)
1(1)1(i i i +-+ 第三年：g 3(x)=(mx-1-nx)*33)
1(1)1(i i i +-+ 4.按照构建的模型，使用Matlab 进行编程、计算模拟、绘图。
首先可以统计出所有模拟中的最值，期望和方差，如下表：
其次画出概率分布图和累计概率图：
由上图可以看出, 在该饮料企业当前的运营情况和经济环境下,此项目投资的值大部分都落在
（0,1000000）区间内,均值为2.42百万元，净现值大于0的概率为53%，净现值约为10,000,000的概率约为33%，收益净现值达到20,000,000的概率约为18%，这表明投资项目的可行性比较高, 项目投资经济上基本是安全的。而且，此案例中所设定的年贴现率为10%，这是一个非常高的费率，而往往年贴现率要远远低于这一水平，因此，这个项目是一个比较具有投资价值的项目。
3.2案例改进
对于饮料项目而言，随着销量的增加，对于原材料的需求会增大，这使得企业在采购原材料时能够降低成本，同时在进行生产时所耗费的各种费用分摊到单个产品后的单位成本就会降低，这就是规模效应。
在上述案例中，当销量小于800,000时，单位可变成本为3元，然而当销量大于800,000后，销量每增加200,000，单位成本会降低0.2元。
假设单位可变成本为n，销量为x，则随着销量的增加，他们之间的关系可以表达为：
n=3-(((x-0.8)/ 0.3)*0.2)。则数据表格变更为下表：
再进行模拟，统计出所有模拟中的最值，期望和方差，如下表：
其次画出概率分布图和累计概率图：
由概率分布图和累计概率图中我们可以看出，此项目的净现值主要落在（-5,000,000，
40,000,000）区间内，均值为14.24百万元，净现值大于0的概率为68%，接近70%，可以说项目投资的整体风险较小，适宜投资。但是，对于饮料生产企业，前期需要大量的资金投入用于采购生产线、开拓市场，但是在后期，尤其是产销量出现大幅增长以后呈现规模效应，，单位可变成本下降，同时市场占有率不断提高会使得后期的资金投入与产出比增加，收益也会有所增加。
在软件Matlab中，使用命令rand（）可以产生0到1之间的随机数，同时matlab中还有很多其他产生随机数的命令，例如利用命令unidrnd（N）可以产生均匀分布（离散）随机数，利用unifrnd(A,B)可以产生[A,B] 上均匀分布的随机数。这两个命令都可以使得所产生的随机数列分布更加均匀。
4总结
蒙特卡洛模拟能够比较好的解决项目投资中现金流的随机性和不确定性，它能将财务分析人员和项目决策人员从繁琐的数学计算中解脱出来，还能够在比较短的时间内由计算机进行多次数值模拟实验，提高决策人员的决策效率。
但是由于蒙特卡洛模拟要求变量服从一定的概率分布，但是由于实际概率的分布不一定是完全拟合某一分布律。这就要求市场调研人员在进行市场调查时能够获得尽量多、尽量准确的初始数据，这样在对数据进行初步处理时，就能够得到更精确拟合概率分布，从而提高蒙特卡洛模拟的效率。
MATLAB的蒙特卡洛仿真
实验十五： MATLAB 的蒙特卡洛仿真 一、实验目的 1. 了解蒙特卡洛仿真的基本概念。 2. 了解蒙特卡洛仿真的某些应用 二．实验内容与步骤 1． 蒙特卡洛（Monte Carlo ）仿真的简介 随机模拟方法，也称为Monte Carlo 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行的研制原子弹的“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。冯·诺伊曼是公理化方法和计算机体系的领袖人物，Monte Carlo 方法也是他的功劳。 事实上，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”。18世纪下半叶的法国学者Buffon 提出用投点试验的方法来确定圆周率π的值。这个著名的Buffon 试验是Monte Carlo 方法的最早的尝试！ 历史上曾有几位学者相继做过这样的试验。不过他们的试验是费时费力的，同时精度不够高，实施起来也很困难。然而，随着计算机技术的飞速发展，人们不需要具体实施这些试验，而只要在计算机上进行大量的、快速的模拟试验就可以了。Monte Carlo 方法是现代计算技术的最为杰出的成果之一，它在工程领域的作用是不可比拟的。 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。 2． MC 的原理 针对实际问题建立一个简单且便于实现的概率统计模型，使问题的解对应于该模型中随机变量的概率分布或其某些数字特征，比如，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的。 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，再进行随机模拟试验。 收敛性: 由大数定律, Monte-Carlo 模拟的收敛是以概率而言的． 误差: 用频率估计概率时误差的估计，可由中心极限定理，给定置信水平 的条件下，有： ? ? 模拟次数:由误差公式得 3． 定积分的MC 计算原理 N U σεα2 /1||-≤))((X g Var =σ2 2/1)(εσα-≥U N
蒙特卡罗方法的应用【文献综述】
文献综述 信息与计算科学 蒙特卡罗方法的应用 在解决实际问题的时候, 为了模拟某一过程, 产生各种概率分布的随机变量和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, 我们应该怎么办? 蒙特·卡罗是一种十分有效的求出数值解的方法. 蒙特卡罗法（ monte-carlo method ）简称M -C 法 通过构造概率模型并对它进行随机试验来解算数学问题的方法. 以计算函数的定积分()()1 0I f x d x =?, ()01f x ≤≤为例, 首先构造一个概率模型: 取一个边长分别为和-的矩形, 并在矩形内随机投点M , 假设随机点均匀地落在整个矩形之内, 当点的掷点数N 充分大时, 则落在图中阴影区内的随机点数与投点总数N 之比M N 就近似等于积分值I . 蒙特卡罗法历史悠久. 1773年法国G.-L.L.von 布丰曾通过随机投针试验来确定圆周率π的近似值, 这就是应用这个方法的最早例子. 蒙特卡罗是摩纳哥著名赌城, 1945年 J.von 诺伊曼等人用它来命名此法, 沿用至今. 数字计算机的发展为大规模的随机试验提供了有效工具, 遂使蒙特卡罗法得到广泛应用. 在连续系统和离散事件系统的仿真中, 通常构造一个和系统特性相近似的概率模型, 并对它进行随机试验, 因此蒙特卡罗法也是系统仿真方法之一. 蒙特卡罗法的步骤是: 构造实际问题的概率模型; ②根据概率模型的特点, 设计和使用降低方差的各类方法, 加速试验的收敛; ③给出概率模型中各种不同分布随机变量的抽样方法; ④统计试验结果, 给出问题的解和精度估计. 概率模型用概率统计的方法对实际问题或系统作出的一种数学描述. 例如对离散事件系统中临时实体的到达时间、永久实体的服务时间的描述（见离散事件系统仿真方法）就是采用概率模型. 虽然由这些模型所确定的到达时间、服务时间可能与具体某一段时间内实际到达时间、服务时间有出入, 但它是通过多次统计获得的结果, 所以从概率分布的规律来说还是相符的. 概率模型不仅可用来描述本身就具有随机特性的问题或系统, 也可用来描述一个确定型问题. 例如参数寻优中的随机搜索法（见动力学系统参数寻优）就是将参数最优化问题构造为一个概率模型, 然后用随机投点、统计分析的方法来进行搜索.
蒙特卡罗算法的简单应用
一、蒙特卡洛算法 1、含义的理解 以概率和统计理论方法为基础的一种计算方法。也称统计模拟方法，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，它是将所求解的问题同一定的概率模型相联系，用计算机实现统计模拟或抽样，以获得问题的近似解。 2、算法实例 在数值积分法中，利用求单位圆的1/4的面积来求得Pi/4从而得到Pi 。单位圆的1/4面积是一个扇形，它是边长为1单位正方形的一部分。只要能求出扇形面积S1在正方形面积S 中占的比例K=S1/S 就立即能得到S1，从而得到Pi 的值。怎样求出扇形面积在正方形面积中占的比例K 呢？一个办法是在正方形中随机投入很多点，使所投的点落在正方形中每一个位置的机会相等看其中有多少个点落在扇形内。将落在扇形内的点数m 与所投点的总数n 的比m/n 作为k 的近似值。P 落在扇形内的充要条件是 221x y +≤ 。 已知：K= 1s s ，K ≈m n ，s=1，s1=4P i ，求Pi 。 由1 s m s n ≈，知s1≈*m s n =m n ， 而s1=4P i ，则Pi=*4m n 程序： /* 利用蒙特卡洛算法近似求圆周率Pi*/ /*程序使用：VC++6.0 */ #include x=rand()*1.0/RAND_MAX;/*RAND_MAX=32767，包含在 2.3.2 蒙特卡洛法的基本原理 蒙特卡洛模型的基本原理是模拟单个光子的传输过程，本质上是一系列随机作用和随机过程的计算机模拟，如光子吸收、散射、传输路径、步长等。光子从发射到进入组织再到从组织中逸出要历经许多过程，以单个光子为例，首先是光子发射，即单个光子垂直入射到组织表面，光子质量W 被初始化为1，当组织与周围介质折射率不同时，在入射界面处要考虑镜面反射（界面不光滑时考虑漫折射），其反射比设为RSP ，因此进入介质的能量为1-RSP ，这部分能量就是接下来要进行蒙特卡洛模拟的部分。进入组织后光子继续运动，首先要确定其运动步长s ，根据光子的运动步长和运动方向，可以得到光子与组织发生相互作用的坐标位置，并以此坐标为起点开始下一运动步长的模拟。光子在与组织发生相互作用时有（μ a/μt）W 的能量被吸收，剩余部分能量的光子被散射，并继续重复上述过程，直到光子运动到边界处，此时，它有可能被返回到组织内部或者透过组织进入到周围介质。如果光子被反射，那么它将继续传播，即重复上述运动；如果光子穿透组织，根据其穿透的是前表面还是后表面，则相应被记入透射量和反射量。 由于蒙特卡洛模型的精确性是建立在大量模拟的基础上，因此这一方法耗时长，这与光谱技术的实时特性相矛盾。“查表法”的提出为这一问题提供了一种很好的解决途径，查表法的基本思想在于事先将一系列组织光学特性所对应的模拟结果存储到一个表格中，这样在对每一个光子进行模拟时，能够从这一表格中直接提取最终的模拟结果，从而节省了大量的模拟时间。 对于组织光子传输蒙特卡洛模型的研究已经开展了很多年，目前学术界广为接受和采用的是美国圣路易斯华盛顿大学华人教授Lihong Wang所提出的模型[1]，此模型是前向模型，即在已知组织吸收和散射特性的前提下对光子在组织中的传输分布进行模拟；美国杜克大学助理教授Gregory Palmer等在前向模型的基础上开发出了所谓的后向模型[2]，这一模型是在已知光谱反射特性的基础上，通过多次随机假定光学特性并调用前向模型进行光谱拟合，从而筛选出与实际测量结果最为匹配的一组假定数据作为组织的光学特性参数。后向模型的提出使得蒙特卡洛模型能够从真正意义上对组织的光学参数进行检测，并定量得出组织的各组分参数。目前蒙特卡洛模型已被广泛用于多种肿瘤的离体及临床在体研究，并取得了令人满意的结果，最终应用于临床检测的相关仪器也已得到开发，并预计将在未来的十几年甚至是十年之内推向临床应用。 当然目前关于这一模型仍有一定的发展提升空间，难点主要集中于如何进一步提高其精确性，这主要体现在两个方面：（1）如何进一步优化模型来提高精确性，目前这一模型对于仿体吸收散射特性的提取检测已经能够达到10%以内的误差精度，但最近的研究发现，将这一模型应用于仿体荧光检测时，其精确性仍有较大提升空间[3]。仿体荧光检测主要是为了研究模型提取固有荧光的能力，由于吸收和散射的存在，我们所检测的荧光并不是荧光物质本身的固有荧光，其光谱形状和强度均受到一定程度的改变，模型通过反射信号首先提取仿体的吸收和散射特性，进而用于对荧光信号进行矫正从而得到固有荧光光谱。研究发现，蒙特卡洛模型能够对荧光光谱形状进行良好恢复，但对于荧光光强的恢复其精确度仍有待提高。（2）如何提高用于人体组织检测的精确性，人体组织的情况往往是极为复杂的，这就需要开发精确的光子蒙特卡洛多层介质传输模型。目前关于这方面的研究已经取得一定的成果[1]，但仍需要开展更多的工作。 参考文献： [1] Wang L，Jacques SL，Zheng L. MCMLMonte Carlo Modeling of Light Transport in Multi-layered Tissues[J]. Comput Methods Programs Biomed，1995，47（2）：131-146. [2] Palmer GM，Ramanujam N. Monte Carlobased Inverse Model for Calculating Tissue Optical 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 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 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： 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： 图1-1 蒙特卡罗方法学习总结 核工程与核技术2014级3班张振华20144530317 一、蒙特卡罗方法概述 1.1蒙特卡罗方法的基本思想 1.1.1基本思想 蒙特卡罗方的基本思想就是，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。 1.1.2计算机模拟打靶游戏 为了能更为深刻地理解蒙特卡罗方法的基本思想，我们学习了蒲丰氏问题和打靶游戏两大经典例子。下面主要对打靶游戏进行剖析、计算机模拟（MATLAB 程序）。 设某射击运动员的弹着点分布如表1-1 所示， 首先用一维数轴刻画出已知该运动员的弹 着点的分布如图1-1所示。研究打靶游戏，我 们不用考察子弹的运动轨迹，只需研究每次“扣动扳机”后的子弹弹着点。每一环数对应唯一确定的概率，且注意到概率分布函数有单调不减和归一化的性质。首先我们产生一个在(0,1)上均匀分布的随机数（模拟扣动扳机），然后将该随机数代表的点投到P 轴上（模拟子弹射向靶上的一个确定点），得到对应的环数（即子弹的弹着点），模拟打靶完成。反复进行N 次试验，统计出试验结果的样本均值。样本均值应当等于数学期望值，但允许存在一定的偏差，即理论计算值应该约等于模拟试验结果。 clear all;clc; N=100000;s=0; for n=1:N %step 4.重复N 次打靶游戏试验 x=rand(); %step 1.产生在(0,1)上均匀分布的随机数if(x<=0.1) %step 2.若随机数落在(0.0,0.1)上，则代表弹着点在7环g=7; s=s+g; %step 3.统计总环数elseif(x<=0.2) %step 2.若随机数落在(0.1,0.2)上，则代表弹着点在8环g=8;s=s+g; elseif(x<=0.5) %step 2.若随机数落在(0.2,0.5)上，则代表弹着点在9环g=9;s=s+g; else %step 2.若随机数落在(0.5,1.0)上，则代表弹着点在10环 g=10;s=s+g; end end gn_th=7*0.1+8*0.1+9*0.3+10*0.5; %step 5.计算、输出理论值fprintf('理论值：%f\n',gn_th); gn=s/N; %step 6.计算、输出试验结果 fprintf('试验结果：%f\n',gn);1.2蒙特卡罗方法的收敛性与误差 1.2.1收敛性 由大数定律可知，应用蒙特卡罗方法求近似解，当随机变量Z 的简单子样数N 趋向于无穷大（N 充分大）时，其均值依概率收敛于它的数学期望。 1.2.2误差 由中心极限定理可知，近似值与真值的误差为N Z E Z N αλ<-)(?。式中的αλ的值可以根据给出的置信水平，查阅标准正态分布表来确定。 1.2.3收敛性与误差的关系 在一般情况下，求具有有限r 阶原点矩()∞ 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 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]。 蒙特卡罗方法及其在中子输运问题中得应用 目录 蒙特卡罗方法及其在中子输运问题中得应用 (1) 1蒙特卡罗方法简介 (3) 1.1蒙特卡罗方法的基本原理 (3) 1.2 蒙特卡罗方法的误差 (4) 2 随机变量的抽样方法 (4) 2.1 直接抽样方法 (5) 2.1.1 离散型随机变量的抽样 (5) 2.1.2 连续型随机变量的抽样 (5) 2.2 挑选抽样法 (5) 2.3 复合抽样法 (6) 3 蒙特卡罗方法模拟中子输运过程 (6) 3.1 源抽样 (6) 3.2 输运距离的抽样 (7) 3.3 碰撞核素的抽样值 (7) 3.4 反应类型的抽样值 (7) 3.5 反应后中子状态的确定 (7) 3.5.1 弹性散射 (7) 3.5.2 非弹性散射 (8) 3.5.3 裂变反应 (8) 4 蒙特卡罗方法的减方差技巧 (8) 4.1 权 (8) 4.2 统计估计法 (9) 4.3 权窗 (10) 5 蒙特卡罗方法求解通量 (10) 5.1 通量的定义 (10) 5.2 点通量的计算 (11) 5.3 面通量的计算 (11) 5.3.1 统计估计法 (11) 5.3.2 加权法 (12) 5.4 体通量的计算 (12) 5.4.1 统计估计法 (12) 5.4.2 径迹长度法 (13) 5.4.3 碰撞密度法 (13) 5.4.4 几种体通量计算方法的比较 (14) 5.5 最终结果的统计 (14) 6 蒙特卡罗方法求解k eff (15) 6.1 有效增值因子k eff的定义 (15) 6.2 蒙特卡罗方法求解k eff (15) 6.2.1 吸收估计法 (15) 6.2.2 碰撞估计法 (15) 6.2.3 径迹长度估计法 (16) 蒙特卡洛模型方法 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 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”（Curse of 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 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， 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 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。 蒙特卡洛法模拟蒲丰（Buffon）投针实验-使用Matlab 2010年03月31日星期三8:47 蒲丰投针实验是一个著名的概率实验，其原理请参见此页： https://www.360docs.net/doc/bd18075621.html,/reese/buffon/buffon.html 现在我们利用Matlab来做模拟，顺便说一下，这种随机模拟方法便是传说中的“蒙特- MCC 方法 蒙特卡罗方法的诞生 蒙特卡罗方法的产生可追溯到Buffon 投针实验。法国数学家Buffon 用此实验来估算π值，它的原理是这样子的：在桌面上划一组间距为d 的平行线，然后向桌面上随意抛掷长度为L 的细针，从针与平行线相交的概率就可以得到π值。 其中 [0,)A d ∈ [0,) x π∈ 由积分性质可得投针置于平行线上的概率为sin 1 2l d l p dAdx d π θ π π == ? ? 假如在N 次投针实验中，有M 次与平行线相交，则有2l M P d N π= = 图3.2 Buffon 的投针实验 图3.3 投针位置分析 1930年，费米利用蒙特卡罗方法研究了中子的扩散，并设计了一个蒙特卡罗机械装置，用于计算核反应堆的临界状态。 冯.诺依曼是蒙特卡罗方法的正式奠基者,他与Stanislaw Ulam 合作建立了概率密度函数、反累积分布函数的数学基础，以及伪随机数产生器，从而使得蒙特卡罗方法得以推广，成为科学领域一种常用的模拟方法。 蒙特卡罗方法的基本思想 对某一个待解决的物理问题（当这个物理问题可以抽象为数学问题时）建立一个概率模型，即确定某个随机事件X ，使得待求问题的解等于随机事件X 出现的概率或随机变量的数学期望值。然后进行模拟实验，重复多次地模拟随机事件X 。最后对随机实验结果进行统计平均，求出X 出现的频数作为问题的近似解。这就是蒙特卡罗方法的基本思想。 具体来说： 假设所要求的量x 是随机变量的数学期望 ，那么近似确定x 的方法是 对进行N 次重复抽样，产生相互独立的值的序列、、……、，并计算其算术平均值： 1 1 N N n n N ξξ ==∑ 根据大数定理有 P (l i m ) N N x ξ→∞ == 因此，当N 充分大时，下式 ()N E x ξξ≈= 成立的概率为1,亦即可以用 作为所求量x 的估计值。 用蒙特卡罗方法求解时，最简单的情况是模拟一个发生概率为P 的随机事件A 。考虑一个随机变量，若在一次试验中事件A 出现，则取值为1；若事件A 不出现， 则 取值为0。令q=1-p ，那么随机变 量 的数学期 望 ，此即一次试验中事件Ａ出现的概率 。的方差 《中子输运理论与数值方法》课程作业 ——蒙特卡洛方法 目录 1. 前言 (3) 2. 蒙特卡洛方法概述 (3) 2.1 蒙特卡洛方法的基本思想 (4) 2.2 蒙特卡洛方法的收敛性、误差 (4) 2.2.1 蒙特卡洛方法的收敛性 (4) 2.2.2 蒙特卡洛方法的误差 (5) 2.3 蒙特卡洛方法的特点 (6) 2.4 蒙特卡洛方法的主要应用范围 (7) 3. 随机数 (7) 3.1 线性乘同余方法 (9) 3.2 伪随机数序列的均匀性和独立性 (9) 3.2.1 伪随机数的均匀性 (9) 3.2.2 伪随机数的独立性 (10) 4. 蒙特卡洛方法在粒子输运上的应用 (10) 4.1 屏蔽问题模型 (10) 4.2 直接模拟方法 (11) 4.2.1 状态参数与状态序列 (11) 4.2.2 模拟运动过程 (12) 4.2.3 记录结果 (15) 4.3 蒙特卡洛方法的效率 (16) 5. 蒙特卡洛方法应用程序—MCNP (17) 5.1 MCNP简述 (17) 5.2 MCNP误差的估计 (18) 5.3 MCNP效率因素 (19) 6. 结论 (19) 参考文献 (20) 1.前言 半个多世纪以来，由于科学技术的发展和电子计算机的发明，蒙特卡洛(Monte Carlo)方法作为一种独立的方法被提出来，并首先在核武器的试验与研制中得到了应用。蒙特卡洛方法是一种计算方法，但与一般数值计算方法有很大区别。它是以概率统计理论为基础的一种方法。由于蒙特卡洛方法能够比较逼真地描述事物的特点及物理实验过程，解决一些数值方法难以解决的问题，因而该方法的应用领域日趋广泛。蒙特卡洛模拟计算是解决中子在介质中输运较为成熟、有效的方法，对于原子能、辐射防护、剂量学和辐射生物物理学等研究领域实际问题的计算，都可以利用蒙特卡洛方法予以实现。 粒子输运过程可以用玻耳兹曼方程加以描述，然而，以此基础上发展起来的近似数值方法如扩散近似法、离散坐标方法在处理截面与能量相关以及散射各向异性介质、复杂几何条件问题时碰到了较大困难。而蒙特卡洛方法在处理这类问题时得心应手，有很强的解题能力，并且近似较少，接近于真实情况。 粒子辐射问题计算通常有输运方程法、蒙特卡洛法(MC法)、实验测量法以及经验法等几种方法。蒙特卡洛计算法又称随机抽样法或统计试验法，是基于计算机模拟的思想，抓住物理过程的数量和几何特征，进行数字模拟试验，该方法是求解辐射输运问题的一种相当成熟和有效的方法，而且它对于各种复杂问题，具有良好的通用性，实用性相当广泛，几乎涉及核科学的各个领域。本文主要介绍蒙特卡洛的概念、原理和应用及研究现状。 2. 蒙特卡洛方法概述 蒙特卡洛方法又称随机抽样技巧或统计试验方法。半个多世纪以来，由于科学技术的发展和电子计算机的发明，这种方法作为一种独立的方法被提出来，并首先在核武器的试验与研制中得到了应用。蒙特卡洛方法是一种计算方法，但与一般数值计算方法有很大区别。它是以概率统计理论为基础的一种方法。由于蒙特卡洛方法能够比较逼真地描述事物的特点及物理实验过程，解决一些数值方法难以解决的问题，因而该方法的应用领域日趋广泛。 蒙特卡洛方法的主要组成部分有：蒙特卡洛法的基本原理
浅析蒙特卡洛方法原理及应用
蒙特卡洛方法
蒙特卡罗方法(MC)
蒙特卡罗方法及应用实验讲义2016资料
蒙特卡罗方法学习总结
运用蒙特卡罗模拟进行风险分析
蒙特卡罗方法简介
蒙特卡罗方法及其在中子输运问题中得应用
蒙特卡洛模型方法
蒙特卡洛方法及其在风险评估中的应用
蒙特卡罗方法的解题过程可以归结为三个主要步骤
蒙特卡洛方法 (MC) 方法
蒙特卡洛方法在中子输运中的应用