蒙特卡罗方法（Monte Carlo Methods）

原创

已于 2025-05-03 13:08:13 修改 · 1k 阅读

12 ·

CC 4.0 BY-SA版权

文章标签：

#蒙特卡罗方法

于 2025-04-25 16:19:43 首次发布

一、什么是蒙特卡罗方法？

1.1 定义

蒙特卡罗方法（Monte Carlo Methods）是一类基于随机抽样的计算方法，用于解决数学、物理、工程和人工智能等领域中的复杂问题。其核心思想是通过大量随机实验（或模拟）来近似问题的解，特别适用于解析求解困难或高维复杂的问题。

1.2 名字的来源

蒙特卡罗方法得名于摩纳哥的蒙特卡罗赌场，因为赌场中的赌博游戏（如轮盘赌）依赖随机性，而蒙特卡罗方法正是利用随机性来解决问题。1940年代，物理学家斯坦尼斯拉夫·乌拉姆（Stanislaw Ulam）和约翰·冯·诺伊曼（John von Neumann）在研究核武器时首次系统化提出了这一方法。

1.3 核心思想

蒙特卡罗方法的核心是用随机抽样来估计或逼近真实值。其哲学是：单个随机实验的结果可能不可靠，但通过大量重复实验，统计结果会趋向真实解。这类似于抛硬币：单次抛掷结果随机，但抛掷1000次后，正面和反面的比例会接近50%。

1.4 应用场景

蒙特卡罗方法在人工智能、物理、工程、统计等领域有广泛应用。以下是一些典型场景：

数值积分：计算复杂函数的积分（尤其是高维积分）。
优化问题：在复杂搜索空间中寻找最优解。
概率建模：估计概率分布或期望值。
人工智能：在强化学习中用于策略评估和决策（如蒙特卡罗树搜索）。
金融：期权定价、风险评估。
物理：模拟粒子运动、热力学系统。

二、蒙特卡罗方法的基本原理

为了帮助你彻底理解蒙特卡罗方法，我们从最简单的例子开始，逐步深入。

2.1 一个简单的例子：估算π值

假设我们要计算圆周率π的值，但不想使用解析方法（比如几何公式）。我们可以用蒙特卡罗方法通过随机抽样来估算。

问题描述：

考虑一个单位正方形（边长为2，面积为4），中心在原点(0,0)。
在正方形内画一个单位圆（半径为1，面积为π）。
圆的面积与正方形面积的比值为：
$圆的面积正方形的面积=π⋅122⋅2=π4\frac{\text{圆的面积}}{\text{正方形的面积}} = \frac{\pi \cdot 1^2}{2 \cdot 2} = \frac{\pi}{4}$
如果我们在正方形中随机撒点（均匀分布），落入圆内的点的比例应接近 $π4\frac{\pi}{4}$ 。

蒙特卡罗方法步骤：

随机抽样：
- 在正方形区域 $\times [-1, 1]$ 内随机生成 $N$ 个点 $x_i, y_i)$ ，其中 $xi,yi∼Uniform(−1,1)x_i, y_i \sim \text{Uniform}(-1, 1)$ 。
- 判断每个点是否在单位圆内：如果 $xi2+yi2≤1x_i^2 + y_i^2 \leq 1$ ，则该点在圆内。
统计比例：
- 计算落入圆内的点数（记为 $M$ ）。
- 圆内点的比例近似为 $MN≈π4\frac{M}{N} \approx \frac{\pi}{4}$ 。
估计π：
- 因此， $π≈4⋅MN\pi \approx 4 \cdot \frac{M}{N}$ 。

Python代码实现：

import numpy as np
import matplotlib.pyplot as plt

# 设置随机种子以保证可重复性
np.random.seed(42)

# 随机生成N个点
N = 100000
x = np.random.uniform(-1, 1, N)
y = np.random.uniform(-1, 1, N)

# 判断点是否在单位圆内
inside_circle = (x**2 + y**2) <= 1
M = np.sum(inside_circle)

# 估计π
pi_estimate = 4 * M / N
print(f"Estimated π: {
     
     pi_estimate}")

# 可视化
plt.figure(figsize=(6, 6))
plt.scatter(x[inside_circle], y[inside_circle], c='blue', s=1<