蒙特卡洛方法原理

1. 蒙特卡洛方法原理

蒙特卡罗法也称统计模拟法、统计试验法。是把概率现象作为研究对象的数值模拟方法。是按抽样调查法求取统计值来推定未知特性量的计算方法。蒙特卡罗是摩纳哥的著名赌城，该法为表明其随机抽样的本质而命名。故适用于对离散系统进行计算仿真试验。在计算仿真中，通过构造一个和系统性能相近似的概率模型，并在数字计算机上进行随机试验，可以模拟系统的随机特性
蒙特卡洛法(又称统计试验法)是描述装备运用过程中各种随机现象的基本方法，而且它特别适用于一些解析法难以求解甚至不可能求解的问题，因而在装备效能评估中具有重要地位。
用蒙特卡洛法来描述装备运用过程是1950年美国人约翰逊首先提出的。这种方法能充分体现随机因素对装备运用过程的影响和作用。更确切地反映运用活动的动态过程。在装备效能评估中，常用蒙特卡洛法来确定含有随机因素的效率指标，如发现概率、命中概率、平均毁伤目标数等；模拟随机服务系统中的随机现象并计算其数字特征；对一些复杂的装备运用行动，通过合理的分解，将其简化成一系列前后相连的事件，再对每一事件用随机抽样方法进行模拟，最后达到模拟装备运用活动或运用过程的目的。[2]
基本思路
蒙特卡洛法的基本思想是：为了求解问题，首先建立一个概率模型或随机过程，使它的参数或数字特征等于问题的解：然后通过对模型或过程的观察或抽样试验来计算这些参数或数字特征，最后给出所求解的近似值。解的精确度用估计值的标准误差来表示。蒙特卡洛法的主要理论基础是概率统计理论，主要手段是随机抽样、统计试验。用蒙特卡洛法求解实际问题的基本步骤为：
(1)根据实际问题的特点．构造简单而又便于实现的概率统计模型．使所求的解恰好是所求问题的概率分布或数学期望；
(2)给出模型中各种不同分布随机变量的抽样方法；
(3)统计处理模拟结果，给出问题解的统计估计值和精度估计值。[2]
优缺点
蒙特卡罗法的最大优点是:
1.方法的误差与问题的维数无关。
2.对于具有统计性质问题可以直接进行解决。
3.对于连续性的问题不必进行离散化处理
蒙特卡罗法的缺点则是:
1.对于确定性问题需要转化成随机性问题。
2.误差是概率误差。
3.通常需要较多的计算步数N.
蒙特卡罗法作为一种计算方法，是由美国数学家乌拉姆(Ulam , S. M.)与美籍匈牙利数学家冯·诺伊曼(von Neumann,J.)在20世纪40年代中叶，为研制核武器的需要而首先提出来的.实际上，该方法的基本思想早就被统计学家所采用了.例如，早在17世纪，人们就知道了依频数决定概率的方法。
步骤
蒙特卡洛法是一种用来模拟随机现象的数学方法，这种方法在作战模拟中能直接反映作战过程中的随机性。在作战模拟中能用解析法解决的问题虽然越来越多，但有些情况下却只能采用蒙特卡洛法。使用蒙特卡洛法的基本步骤如下：
(1)根据作战过程的特点构造模拟模型；
(2)确定所需要的各项基础数据；
(3)使用可提高模拟精度和收敛速度的方法；
(4)估计模拟次数；
(5)编制程序并在计算机上运行；
(6)统计处理数据，给出问题的模拟结果及其精度估计。
在蒙特卡洛法中，对同一个问题或现象可采用多种不同的模拟方法，它们有好有差，精度有高有低，计算量有大有小，收敛速度有快有慢，在方法的选择上有一定的技巧。[3]
应用举例
在我方某前沿防守地域，敌人以1个炮兵排(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，敌方对其指挥所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1门火炮，有1/6的射击效果能全部消灭敌人。
解：希望能用某种方法把我方将要对敌人实施的20次打击结果显示出来，确定有效射击的比率及毁伤敌方火炮的平均值。这是一个概率问题，可以通过理论计算得到相应的概率和期望值。但这样只能给出作战行动的最终静态结果，而显示不出作战行动的动态过程。
为了显示我方20次射击的过程，必须用某种方式模拟出以下两件事：一是观察所对目标的指示正确或不正确；二是当指示正确时，我方火力单位的射击结果。对第一件事进行模拟试验时有两种结果，每一种结果出现的概率都是1/2。因此，可用投掷1枚硬币的方式予以确定。当硬币出现正面时为指示正确，反之为不正确。对第二件事进行模拟试验时有3种结果，毁伤1门火炮的可能为1/3，毁伤2门火炮的可能为1/6，没能毁伤敌火炮的可能为1/2。这时，可用投掷骰子的办法来确定，如果出现的是1、2、3三个点则认为没能击中敌人，如果出现的是4、5点则认为毁伤敌1门火炮，如果出现6点则认为毁伤敌2门火炮。
通过上面的方式，就可把我方20次射击的过程动态地显现出来。

2. 蒙特卡洛方法是什么?

蒙特·卡罗方法（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。

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。
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。
以上内容参考：百度百科——蒙特卡洛方法

3. 蒙特卡洛方法

蒙特卡洛方法如下：


蒙特·卡罗方法（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。
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。
工作过程:
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。

4. 蒙特卡洛方法

算法原理：
蒙特卡洛方法利用从某个总体中抽取的随机数作为样本进行实验，以求得的统计特征值（均值、概率、分布等）作为待解问题的数值解，然后利用蒙特卡洛方法根据测量信号的测量误差计算每个测量值的计算权重，综合考虑数据质量权重和测量误差权重后，通过对所有信号进行加权平均值计算得出最终的真实信号值。


扩展资料：
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。

5. 蒙特卡洛方法

本文主要讲解三部分：
  
   这一小节我们简要介绍一下引出蒙特卡洛方法的实际场景。
  
   机器学习/深度学习中的图像叠加文字识别需要大量的训练样本，自动生成样本（使用程序在背景图片上叠加文字）是一种样本的获取方式。但色彩值（为了兼顾各方向的同学，原谅我用一个这么不专业的词汇，此值可以是RGB到[0,1]区间的映射，让它能代表颜色的性质）的选择很重要，为了防止（控制）发生叠加文字与背景图片的色彩值相近的情况发生，叠加文字的色彩值最好服从我们指定的概率分布。这样就需要根据指定的概率分布来产生色彩值——蒙特卡洛方法擅长解决的问题。
                                                                                                                          
   蒙特卡洛方法的应用场景很多，横跨物理、金融、计算机。拿计算机科学来举例，自然语言处理中的LDA模型，hinton较早提出的深度学习模型DBN都用到了蒙特卡洛方法。此文第一部分简要介绍了实际问题，简而言之蒙特卡洛方法就是生成样本，即蒙特卡洛采样。即根据某已知分布的概率密度函数f(x)f(x)，产生服从此分布的样本XX。
  
   下面首先介绍一种最简单最易理解的蒙特卡洛方法——Accept-Rejection method（下文称接受拒绝采样），然后给出这个方法的直观解释，最后证明方法的正确性。
                                                                                                                                                                  
 其中

6. 蒙特卡洛方法

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。

算法原理：
蒙特卡洛方法利用从某个总体中抽取的随机数作为样本进行实验，以求得的统计特征值（均值、概率、分布等）作为待解问题的数值解，然后利用蒙特卡洛方法根据测量信号的测量误差计算每个测量值的计算权重，综合考虑数据质量权重和测量误差权重后，通过对所有信号进行加权平均值计算得出最终的真实信号值。
起源：
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。
工作过程：
1、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。
2、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。

应用领域：
蒙特卡罗方法在金融工程学，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、核工程)等领域应用广泛。

7. 蒙特卡罗方法的原理

分类:  教育/科学 >> 科学技术 
   问题描述: 
  
 比较深刻的而且易懂的介绍monte-karlo方法的基础原理
 
   解析: 
  
 蒙特卡罗法又称随机抽样技巧法或统计试验法，在目前结构可靠度计算中，它被认为是一种相对精确法。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。蒙特卡罗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。
 
  
 
 从蒙特卡罗方法的思路可看出，该方法回避了结构可靠度分析中的数学困难，不管状态函数是否非线性、随机变量是否非正态，只要模拟的次数足够多，就可得到一个比较精确的失效概率和可靠度指标。特别在岩土体分析中，变异系数往往较大，与JC法计算的可靠指标相比，结果更为精确，并且由于思路简单易于编制程序。

8. 蒙特卡洛分析是什么

定量分析技术（例如蒙特卡罗模拟）可以通过潜在结果的概率分布帮助项目经理做出决策。

蒙特卡洛模拟技术在很大程度上依赖关键变量的随机性来解决问题。除了关键参数，我们还需要了解它们之间的关系以及足够的数据以进一步分析。

要想深入了解程序管理中的蒙特卡罗模拟让我们用大多数人熟悉的案例研究使用MS Excel进行一个实验。

案例研究

Shubham是XYZ公司的首席执行官。在发布计划之后，他的团队致力于为客户提供关键功能。Mohit是该公司的项目经理，根据他一直跟踪的风险和工作进度总结，已经确定了在达到目标交付日期方面的挑战
步骤1：确定随机数种子

在我们的场景中，因为我们知道最低的速度（Velocity）和最高速度（Velocity），我们可以得出：MIN (最后3次冲刺的实际速度)+RAND()*(MAX(最后3次冲刺的实际速度)-MIN (最后3次冲刺的实际速度))

我们可以选择任何函数（例如添加风险或范围参数），但为了简单起见，选择这个函数作为通常考虑调整大小时涉及的工作、复杂性和不确定性的速度。

步骤2：设置试验

行业标准表明，蒙特卡罗模拟至少有10000次运行。由于我们无论如何都在Excel中进行，因此我们可以进行15000次运行（或更多）。设置一个1至15000的试验列。

步骤3：随机运行

为第一次运行作为种子函数设置速度（Velocity）的另一列（如步骤1中所述）。我们现在有两个15000列，采用运行值填充第一列，第二列填充第一次运行的值。