蒙特卡洛算法
我来为您详细解释蒙特卡洛算法。 蒙特卡洛算法（Monte Carlo Algorithm）是一类基于随机抽样来计算数值结果的算法统称，其核心思想是：用随机样本的统计特征，去逼近理论上的确定性结果。
✅ 一句话理解
“不断抽样、逐渐逼近”——用大量随机试验的平均结果，来估计一个复杂问题的答案。
📌 核心原理
| 步骤 | 内容 |
|---|---|
| ① 建模 | 把待求解问题转化为一个概率模型或随机过程 |
| ② 抽样 | 用计算机生成大量伪随机数，模拟该模型 |
| ③ 估计 | 对模拟结果取平均，逼近理论值（期望、积分、概率等） |
📊 举个简单例子：估算 π
- 在一个边长为 1 的正方形里画一个 quarter-circle（四分之一圆）。
- 随机撒 N 个点。
- 数落在圆内的点数 M。
- 则 $$ \frac{M}{N} \approx \frac{\pi}{4} \quad\Rightarrow\quad \pi \approx 4\frac{M}{N}
🔍 理论依据
- 大数定律：样本均值随样本量增加收敛到期望。
- 中心极限定理：估计误差服从正态分布，可量化不确定性。
🚀 典型应用
| 领域 | 示例 |
|---|---|
| 金融 | 期权定价（Black-Scholes 蒙特卡洛版） |
| 物理 | 伊辛模型、硬球气体模拟 |
| 工程 | 可靠性分析、辐射传输 |
| 贝叶斯统计 | 从后验分布抽样求期望 |
| 高维积分 | 维度灾难时，蒙特卡洛误差与维度无关 |
⚙️ 算法特点
- 优点：实现简单、天然并行、对高维问题友好。
- 缺点：收敛慢（误差 ∝ 1/√N），需大量样本。
📎 进阶变体
- Metropolis-Hastings：构造马尔可夫链，使稳态分布等于目标分布。
- 重要性抽样：改变抽样分布，降低方差。
- 拟蒙特卡洛：用低差异序列代替纯随机数，加速收敛。
一句话总结：
蒙特卡洛算法就是“用随机打靶的方式，把复杂问题炸出答案”。