'

Методы Монте-Карло

Понравилась презентация – покажи это...





Слайд 0

Методы Монте-Карло Выполнила: студентка 734 гр. Авдеюк Ирина Руководитель: доц. Сороко Е.Л. Москва 2011


Слайд 1

Методы Монте-Карло – это численные методы решения математических задач (систем алгебраических, дифференциальных, интегральных уравнений) и прямое статистическое моделирование (физических, химических, биологических, экономических, социальных процессов) при помощи получения и преобразования случайных чисел.


Слайд 2

Первое упоминание в 1873 Холлом при организации стохастического процесса экспериментального определения числа путём бросания иглы на лист линованной бумаги. 1940-е годы – Дж. Фон Нейман – моделирование траекторий нейтронов 1949 год – систематизация Н.Метрополисом и С.Уламом, решение линейных интегральных уравнений (статья «Метод Монте-Карло»)


Слайд 3

В 1950-х годах метод использовался для расчётов при разработке водородной бомбы. Основные заслуги в развитии метода в это время принадлежат сотрудникам лабораторий ВВС США. В 1970-х годах в новой области математики — теории вычислительной сложности было показано, что существует класс задач, сложность (количество вычислений, необходимых для получения точного ответа) которых растёт с размерностью задачи экспоненциально. В настоящее время основные усилия исследователей направлены на создание эффективных Монте-Карло алгоритмов различных физических, химических и социальных процессов для параллельных вычислительных систем.


Слайд 4

Основная идея методов состоит в создании определенной последовательности псевдослучайных чисел, моделирующих тот или иной эффект. Для решения задачи по методам Монте-Карло прежде всего строят вероятностную модель, представляют искомую величину, например многомерный интеграл, в виде математического ожидания функционала от случайного процесса, который затем моделируется на компьютере. В результате проведения вычислительного эксперимента получают нужную выборку и результаты всех испытаний усредняют.


Слайд 5

Моделирование случайных величин с заданными распределениями осуществляется путём преобразования одного или нескольких независимых значений случайного числа a, распределённого равномерно в интервале (0,1). Последовательности «выборочных» значений a обычно получают на компьютере с помощью теоретико-числовых алгоритмов. Такие числа называются «псевдослучайными» Генератор псевдослучайных чисел (ГПСЧ, PRNG) — алгоритм, генерирующий последовательность чисел, элементы которой почти независимы друг от друга и подчиняются заданному распределению.


Слайд 6

Общая схема метода Монте-Карло основана на Центральной предельной теореме теории вероятности, утверждающей, что случайная величина , равная сумме большого количества N произвольных случайных величин с одинаковыми математическими ожиданиями m и дисперсиями , всегда распределена по нормальному закону с математическим ожиданием и дисперсией .


Слайд 7

Общие свойства методов: абсолютная сходимость к решению, тяжёлая зависимость погрешности от числа испытаний (для уменьшения погрешности на порядок, необходимо увеличить количество испытаний на два порядка); основным методом уменьшения погрешности является максимальное уменьшение дисперсии, другими словами, максимально приблизить плотность вероятности p(x) случайной величины к математической формулировке задачи или физике моделируемого явления; простая структура вычислительного алгоритма ( N раз повторяющиеся однотипные вычисления реализаций случайной величины); конструкция случайной величины может основываться на физической природе процесса и не требовать обязательной, как в регулярных методах, формулировки уравнения, что для современных проблем становится всё более актуальным.


Слайд 8

В демографии все большее распространение получают имитационные модели, представляющие собой стохастические дискретные микромодели, в которых изменение демографического состояния индивида или другие демографические единицы моделируется методом статистических испытаний - методом Монте-Карло Имитационные модели позволяют лучше учесть причинно-следственной связи, возникающие в демографическом процессе, включить в рассмотрение большое число поведенческих факторов, которые нельзя учесть в макромоделях Имитационные модели призваны решать ту же задачу, что и поиск значений демометрических функций - описать общую закономерность изменения интенсивности демографических событий с возрастом


Слайд 9

Имитационная модель брачной рождаемости выделяет, например, такие события, как вступление в брак (с этого начинается функционирование модели), зачатие, с учётом его желательности для семьи и используемой контрацепции, вынашивание, рождение живого или мёртвого ребёнка, период послеродовой стерильности и т. д. Вероятности и их распределения могут рассматриваться как функции социальных, экономических и других переменных. После описания модели жизнь индивида или семьи прослеживается от начала до конца, причём событие принимается наступившим или не наступившим в зависимости от значений случайных чисел, вырабатываемых с помощью спец. датчика на каждом шагу имитации. Время в имитационных моделях меняется, как правило, с небольшим шагом - порядка одного месяца, а для получения содержательного результата надо проследить жизнь тысяч или десятков тысяч индивидов.


Слайд 10

Список литературы Белоцерковский О.М., Хлопков Ю.И. «Методы Монте-Карло в прикладной математике и вычислительной аэродинамике» Кирьянов Д.В. , Кирьянова Е.Н. «Вычислительная физика» – М.: Полибук Мультимедиа, 2006. – 352 с. Эдиев Д.М. “Концепция демографического потенциала и ее приложения”, Матем. моделирование, 15:12 (2003), 37–74 www.wikipedia.org


×

HTML:





Ссылка: