Product Design, Manufacturing & Innovation Resources
家 » 蒙特卡罗方法

蒙特卡罗方法

1940
  • Stanislaw Ulam
  • John von Neumann
  • Nicholas Metropolis
计算实验室中,研究人员正在进行数值分析中的蒙特卡洛模拟。.

(图片仅供参考)

蒙特卡罗方法是一类广泛的计算算法,它依赖于重复的随机抽样来获得数值结果。其基本思想是利用随机性来解决原则上可能是确定性的问题。当其他方法难以或无法使用时,蒙特卡罗方法通常被采用,尤其是在模拟复杂系统或积分高维函数时。

蒙特卡洛方法的基本思想是通过统计模拟来近似求解问题。其操作逻辑并非求解一组确定性方程,而是定义一个可能输入的域,从该域的概率分布中生成大量随机输入,对每个输入执行确定性计算,最后汇总结果。 例如计算复杂形状的面积时,可将其包含在已知面积的简单形状(如矩形)内,在矩形内均匀散布大量随机点,统计落在复杂形状内部的点所占比例。该比例乘以矩形面积即可近似得到复杂形状的面积。 该近似精度通常随样本数量的平方根增长而提升——这一关键特性源于中心极限定理。这使得蒙特卡洛方法在高维问题中尤为强大,传统数值方法(如数值积分)在此类问题中常受“维度诅咒”困扰,其计算成本随维度数呈指数级增长。 相比之下,蒙特卡罗方法的成本增长更为缓慢,使其成为物理学、金融学和数据科学中众多高维问题唯一可行的解决方案。.

“蒙特卡洛”这一名称由尼古拉斯·梅特罗波利斯创造,灵感源自斯坦尼斯拉夫·乌拉姆的叔父——这位叔父常向亲戚借钱去蒙特卡洛赌场赌博。该方法的现代发展源于洛斯阿拉莫斯国家实验室为曼哈顿计划模拟中子扩散的需求。 因工作机密性需采用代号,“蒙特卡洛”之名由此诞生——该方法以概率与随机数为核心,其运作机制恰似轮盘赌等博弈游戏。.

UNESCO Nomenclature: 1202
– 计算机科学

类型

软件/算法

中断

革命

用法

广泛使用

前体

  • 布丰的针问题(1777年)
  • 开尔文勋爵、学生(威廉·西利·戈塞特)等人早期的统计抽样工作
  • 概率论的发展(拉普拉斯, 伯努利)
  • 大数定律
  • 中心极限定理

应用程序

  • 金融建模(期权定价)
  • 计算物理(粒子输运)
  • machine learning (贝叶斯推断)
  • 计算机图形学(光线追踪)
  • 药物发现模拟
  • 天气预报集合

专利:

NA

潜在创新理念

  • real-time risk analysis for 自动驾驶汽车 navigation
  • 利用个性化医疗模拟预测患者对治疗的反应
  • 人工智能驱动的新型材料发现,这些材料具有所需的性能
  • 模拟复杂的社会动态以预测城市增长模式
  • optimizing global supply chains under 气候变化 uncertainty
  • 为外科医生创建高度逼真的虚拟训练环境
  • 使用随机搜索策略的自动定理证明
  • 面向公民科学项目的众包蒙特卡罗模拟
  • 量子蒙特卡罗算法在量子计算机上的药物设计
  • 利用实时数据集成进行疫情传播预测建模
相关主题:蒙特卡洛法、随机采样、数值模拟、数值方法、随机性、概率论、计算、近似、高维积分、统计学。.

历史背景

蒙特卡罗方法

1928
1930
1936
1940
1943
1950
1950
1925
1930
1931
1939
1940
1950
1950
1952

(如果日期未知或不相关,例如“流体力学”,则提供其显著出现的近似估计)

第十年 周年纪念日

只有注册会员才能免费获得 100% 的全尺寸图片和下载。.

> 登录 <