提到蒙特卡羅(也有翻譯成“蒙特卡洛”)一詞，人們不禁想到摩納哥的賭城。這兩者之間有必然聯(lián)系么？答案是：Exactly！
大家想想，賭博跟什么有關(guān)？首先想到的是隨機性和概率性。對，那蒙特卡羅方法就是與概率論和數(shù)理統(tǒng)計有關(guān)。
MCM提出：
蒙特卡羅方法MCM于20世紀(jì)40年代美國在第二次世界大戰(zhàn)中研制原子彈的“曼哈頓計劃”計劃的成員S.M.烏拉姆和J.馮·諾伊曼(計算機之父)首先提出。數(shù)學(xué)家馮·諾伊曼用馳名世界的賭城—摩納哥的MonteCarlo—來命名這種方法，為它蒙上了一層神秘色彩。在這之前，蒙特卡羅方法就已經(jīng)存在。1777年，法國數(shù)學(xué)家布豐（Georges Louis Leclere de Buffon）提出用投針實驗的方法求圓周率π。這被認(rèn)為是蒙特卡羅方法的起源。
傳統(tǒng)的經(jīng)驗方法由于不能逼近真實的物理過程，很難得到滿意的結(jié)果，而蒙特卡羅方法MCM由于能夠真實地模擬實際物理過程，故解決問題與實際非常符合，可以得到很圓滿的結(jié)果。這也是以概率論和數(shù)理統(tǒng)計理論方法為基礎(chǔ)的一種計算方法，是使用隨機數(shù)（或更常見的偽隨機數(shù)）來解決很多計算問題的方法。將所求解的問題同一定的概率模型相聯(lián)系，用電子計算機實現(xiàn)統(tǒng)計模擬或抽樣，以獲得問題的近似解。為象征性地表明這一方法的概率統(tǒng)計特征，故借用賭城-蒙特卡羅命名。該命名既反映了該方法的部分內(nèi)涵，又便于記憶，因此得到人們的普遍接受。
BTW：MonteCarlo一詞來源于意大利語，是為了紀(jì)念王子摩納哥查理三世。蒙特卡羅（MonteCarlo）雖然是個賭城，但很小，估計跟北京的一條街差不多大。
MCM概述：
蒙特卡羅方法MCM（Monte Carlo Method），也稱隨機抽樣或統(tǒng)計模擬方法，是二十世紀(jì)四十年代中期由于科學(xué)技術(shù)的發(fā)展和電子計算機的發(fā)明，而被提出的一種以概率統(tǒng)計理論為指導(dǎo)的一類非常重要的數(shù)值計算方法。是指使用隨機數(shù)（或偽隨機數(shù)）來解決很多計算問題的方法。與它對應(yīng)的是確定性算法。蒙特卡羅方法在金融工程學(xué)，宏觀經(jīng)濟學(xué)，計算物理學(xué)（如粒子輸運計算、量子熱力學(xué)計算、空氣動力學(xué)計算）以及人工智能之機器學(xué)習(xí)等領(lǐng)域應(yīng)用廣泛。
MCM基本思想:
當(dāng)所求解問題是某種隨機事件出現(xiàn)的概率，或者是某個隨機變量的期望值時，通過某種“實驗”的方法，以這種事件出現(xiàn)的頻率估計這一隨機事件的概率，或者得到這個隨機變量的某些數(shù)字特征，并將其作為問題的解。
有一類問題的維數(shù)（變量個數(shù)）可能高達數(shù)百甚至數(shù)千，解題難度隨維數(shù)的增加呈指數(shù)增長，這就是所謂的維數(shù)的災(zāi)難(Curse of Dimensionality)。即使使用速度最快的計算機，傳統(tǒng)的數(shù)值計算方法也難以對付，但蒙特卡羅方法MCM的計算復(fù)雜性不再依賴于維數(shù)，MCM能很好地用來對付維數(shù)的災(zāi)難。為提高方法的效率，科學(xué)家們提出了許多所謂的“方差縮減”技巧。
另一類形式與蒙特卡羅方法MCM相似，但理論基礎(chǔ)不同的方法—“擬蒙特卡羅方法”(Quasi-Monte Carlo方法)—近年來也獲得迅速發(fā)展。我國數(shù)學(xué)家華羅庚、王元提出的“華—王”方法即是其中的一例。這種方法的基本思想是“用確定性的超均勻分布序列(Low DiscrepancySequences)代替蒙特卡羅方法MCM中的隨機數(shù)序列。該方法對某些問題的求解比蒙特卡羅方法MCM計算速度上提高數(shù)百倍，計算精度上也有很大提高。
MCM基本原理
由概率定義知，某事件的概率可以用大量試驗中該事件發(fā)生的頻率來估算，當(dāng)樣本容量足夠大時，可認(rèn)為該事件的發(fā)生頻率即為其概率。因此，先對影響其可靠度的隨機變量進行大量的隨機抽樣，然后把這些抽樣值一組一組地代入功能函數(shù)式，確定結(jié)構(gòu)是否失效，最后從中求得結(jié)構(gòu)的失效概率。MCM正是基于此思路進行分析的。
設(shè)有統(tǒng)計獨立的隨機變量Xi(i=1，2，3，…，k)，其對應(yīng)的概率密度函數(shù)分別為fx1，fx2，…，fxk，功能函數(shù)式為Z=g(x1，x2，…，xk)。
首先根據(jù)各隨機變量的相應(yīng)分布，產(chǎn)生N組隨機數(shù)x1，x2，…，xk值，計算功能函數(shù)值Zi=g(x1，x2，…，xk)(i=1，2，…，N)，若其中有L組隨機數(shù)對應(yīng)的功能函數(shù)值Zi≤0，則當(dāng)N→∞時，根據(jù)伯努利大數(shù)定理及正態(tài)隨機變量的特性有：結(jié)構(gòu)失效概率，可靠指標(biāo)。
從MCM的思路可看出，MCM可以回避結(jié)構(gòu)可靠度分析中的數(shù)學(xué)困難，不管狀態(tài)函數(shù)是否非線性、隨機變量是否非正態(tài)，只要模擬的次數(shù)足夠多，就可得到一個比較精確的失效概率和可靠度指標(biāo)。特別當(dāng)變異系數(shù)較大時，與JC法計算的可靠指標(biāo)相比，結(jié)果更為精確，并且由于思路簡單易于編制程序。
MCM主要步驟:
蒙特卡羅方法工作過程可以歸結(jié)為三個主要步驟：
1）構(gòu)造或描述概率過程
對于本身就具有隨機性質(zhì)的問題，主要是正確描述和模擬這個概率過程，對于本來不是隨機性質(zhì)的確定性問題，必須事先構(gòu)造一個人為的概率過程，它的某些參量正好是所要求問題的解。即將不具有隨機性質(zhì)的問題轉(zhuǎn)化為隨機性質(zhì)的問題。打個不恰當(dāng)?shù)?/strong>比方，工作中有困難，要迎著困難上；沒有困難，也要制造困難，再迎著困難上^_^
2）實現(xiàn)從已知概率分布抽樣
構(gòu)造了概率模型以后，由于各種概率模型都可以看作是由各種各樣的概率分布構(gòu)成的，因此產(chǎn)生已知概率分布的隨機變量（或隨機向量），就成為實現(xiàn)蒙特卡羅方法模擬實驗的基本手段，這也是蒙特卡羅方法被稱為隨機抽樣的原因。隨機數(shù)是具有概率分布的隨機變量。隨機數(shù)是實現(xiàn)蒙特卡羅模擬的基本工具。隨機數(shù)序列就是具有這種分布的總體的一個簡單子樣，也就是一個具有這種分布的相互獨立的隨機變數(shù)序列。產(chǎn)生隨機數(shù)的問題，就是從這個分布的抽樣問題。在計算機上，可以用物理方法產(chǎn)生隨機數(shù)，但價格昂貴，不能重復(fù)，使用不便。另一種方法是用數(shù)學(xué)遞推公式產(chǎn)生。這樣產(chǎn)生的序列，與真正的隨機數(shù)序列不同，所以稱為偽隨機數(shù)(或偽隨機數(shù)序列)。但經(jīng)過多種統(tǒng)計檢驗表明，偽隨機數(shù)(或偽隨機數(shù)序列)與真正的隨機數(shù)（或隨機數(shù)序列）具有相近的性質(zhì)，因此可把它作為真正的隨機數(shù)來使用。
3）建立各種估計量
構(gòu)造了概率模型并能從中抽樣后，即實現(xiàn)模擬實驗后，就要確定一個隨機變量，作為所要求的問題的解，稱它為無偏估計。建立各種估計量，相當(dāng)于對模擬實驗的結(jié)果進行考察和登記，從中得到問題的解。
通常蒙特卡羅方法通過構(gòu)造符合一定規(guī)則的隨機數(shù)來解決各種實際問題。對于那些由于計算過于復(fù)雜而難以得到解析解或者根本沒有解析解的問題，蒙特卡羅方法是一種有效的求出數(shù)值解的方法。
MCM工作過程:
在解決實際問題的時應(yīng)用蒙特卡羅方法主要有兩部分工作：
1．用蒙特卡羅方法模擬某一過程時，需要產(chǎn)生某一概率分布的隨機變量。
2．用統(tǒng)計方法把模型的數(shù)字特征估計出來，從而得到實際問題的數(shù)值解。
從理論上來說，蒙特卡羅方法需要大量的實驗。但求的是近似解，模擬樣本數(shù)越大，實驗次數(shù)越多，所得到的結(jié)果才越精確。但樣本數(shù)增加會帶來計算量的大幅上升。
MCM估算圓周率:
利用蒙特卡羅方法可用于，如圖，在邊長為 2r 的正方形內(nèi)作一個半徑為 r 的圓，正方形的面積等于 2r×2r=4r^2，圓的面積等于 π×r×r=πr^2，由此可得出，正方形的面積與圓形的面積的比值為 4:π。假設(shè)向正方形的標(biāo)靶上隨機投擲飛鏢，如果擊中點在標(biāo)靶上是均勻分布的，即作為某一點的坐標(biāo)散布于正方形內(nèi)，那么落在正方形內(nèi)的點數(shù) N 與落在圓形內(nèi)的點數(shù) K 的比值接近于正方形的面積與圓的面積的比值，即，N:K ≈ 4:π，因此，π ≈ 4K/N 。用此方法求圓周率，需要大量的均勻分布的隨機數(shù)才能獲得比較準(zhǔn)確的數(shù)值。
MCM評估圍棋盤面:
我們都知道谷歌DeepMind圍棋程序 AlphaGo和它超越人類的強大計算能力。事實上，蒙特卡羅方法思想也用在了圍棋盤面評估。每個圍棋盤面都有一個“最優(yōu)值”，對應(yīng)于博弈雙方都采用完美走法的情況下得到的圍棋盤面的最終結(jié)果。對于圍棋已經(jīng)證明，計算這個“最優(yōu)值”的時間至少隨該盤面到終盤之間的步數(shù)呈指數(shù)級數(shù)增長，比如平均200步的話，每步平均增長200倍數(shù)量的可能盤面。從理論上無法得到“最優(yōu)值”，于是人們想到用蒙特卡羅方法思想對整個可能性空間進行某種采樣，然后通過統(tǒng)計估值的方法逼近這個“最優(yōu)值”。這就是2006年提出的一種稱為蒙特卡羅樹搜索的動態(tài)評估方法。
現(xiàn)有的蒙特卡羅樹搜索雖然能保證大量采樣的結(jié)果足夠收斂到盤面“最優(yōu)值”，但為達到“足夠收斂”所需的采樣次數(shù)仍然是隨整個可能性空間的規(guī)模指數(shù)級增長。但是在圍棋弈棋系統(tǒng)的實踐中，蒙特卡羅樹搜索在比賽時間受限的情況下確實表現(xiàn)出遠遠超過傳統(tǒng)方法的棋力。最近幾年人們在選擇策略中加入更多和圍棋相關(guān)的專家知識，使得基于蒙特卡羅樹搜索的圍棋弈棋系統(tǒng)水平不斷提高。蒙特卡羅樹搜索成為在完美信息博弈場景中進行決策的一種關(guān)鍵技術(shù)，在很多現(xiàn)實世界的應(yīng)用中有著廣闊前景。
MCM應(yīng)用領(lǐng)域:
越來越廣泛。它不僅較好地解決了多重積分計算、微分方程求解、積分方程求解、特征值計算和非線性方程組求解等高難度和復(fù)雜的數(shù)學(xué)計算問題，而且在統(tǒng)計物理、粒子輸運計算、量子熱力學(xué)計算、空氣動力學(xué)計算、核物理、真空技術(shù)、系統(tǒng)科學(xué)、信息科學(xué)、公用事業(yè)、地質(zhì)、金融工程學(xué)、宏觀經(jīng)濟學(xué)、生物醫(yī)學(xué)、可靠性、計算機科學(xué)及人工智能之機器學(xué)習(xí)等廣泛的領(lǐng)域都得到成功的應(yīng)用。
MCM發(fā)展歷程：
1）公元20世紀(jì)初期，盡管實驗次數(shù)數(shù)以千計，利用蒙特卡羅方法所得到的圓周率π值，還是達不到公元5世紀(jì)祖沖之的推算精度。這可能是傳統(tǒng)蒙特卡羅方法長期得不到推廣的主要原因。
2）計算機技術(shù)的發(fā)展，使得蒙特卡羅方法在最近10年得到快速的普及。現(xiàn)代的蒙特卡羅方法，已經(jīng)不必親自動手做實驗，而是借助計算機的高速運轉(zhuǎn)能力，使得原本費時費力的實驗過程，變成了快速和輕而易舉的事情。它不但用于解決許多復(fù)雜的科學(xué)方面的問題，也被項目管理人員經(jīng)常使用。
MCM優(yōu)點：
1）算法簡單，省卻了繁復(fù)的數(shù)學(xué)推導(dǎo)和演算過程，使得一般人也能夠理解和掌握；
2）適應(yīng)性強，問題的幾何形狀的復(fù)雜性對它的影響不大；
3）速度快，該方法的收斂性是指概率意義下的收斂，因此問題維數(shù)的增加不會影響它的收斂速度；
4）存貯少，處理大型復(fù)雜問題時的存貯單元很省。
MCM缺點：
如果輸入一個模式中的隨機數(shù)并不像設(shè)想的那樣是隨機數(shù)，而卻構(gòu)成一些微妙的非隨機模式，那么采用蒙特卡羅方法求解問題的結(jié)果有可能是錯的。
MCM與GA比較：
蒙特卡羅方法MCM與遺傳算法GA（請參加公眾號“科技優(yōu)化生活”-人工智能（28））等智能優(yōu)化算法有相似之處，都屬于隨機近似方法，都不能保證得到最優(yōu)解等，但它們也有著本質(zhì)的差別。1)層次不一樣，MCM只能稱之為方法，GA則屬于仿生智能算法，比MCM要復(fù)雜得多。2）應(yīng)用領(lǐng)域不同，MCM是一種模擬統(tǒng)計方法，如果問題可以描述成某種統(tǒng)計量的形式，那么就可以用MCM來解決；而GA等則適用于大規(guī)模的組合優(yōu)化問題，以及復(fù)雜函數(shù)求最值、參數(shù)優(yōu)化等。
結(jié)語:
蒙特卡羅方法MCM也稱統(tǒng)計模擬方法，是以概率統(tǒng)計理論為指導(dǎo)的一類非常重要的數(shù)值計算方法。是指使用隨機數(shù)（或更常見的偽隨機數(shù)）來解決很多計算問題的方法。蒙特卡羅方法MCM通過構(gòu)造符合一定規(guī)則的隨機數(shù)來解各種實際問題。在金融工程學(xué)，宏觀經(jīng)濟學(xué)，計算物理學(xué)（如粒子輸運計算、量子熱力學(xué)計算、空氣動力學(xué)計算）以及人工智能之機器學(xué)習(xí)等領(lǐng)域應(yīng)用廣泛。
原創(chuàng)：張志榮
