- •Глава I. Метод Монте-Карло и Понятия теории вероятностей
- •Классификация вероятностно-статистических методов решения прикладных задач
- •§1.2. Некоторые понятия и теоремы теории вероятностей
- •Понятия теории вероятностей
- •1.2.2. Основные теоремы теории вероятностей 4
- •Локальная теорема
- •Интегральная теорема
- •Закон Больших Чисел
- •Центральная предельная теорема (цпт)
- •Эта теорема носит название «Центральная предельная теорема» .
- •1.2.3. Оценка погрешности математического ожидания исследуемой величины
- •1.3. Генераторы, алгоритмы получения и преобразования случайных чисел
- •1.3.1. Получение случайных чисел с помощью случайного эксперимента
- •1.3.2. Алгоритмы получения псевдослучайных чисел 5
- •1.3.3. Понятие эталонной 6, случайной величины
- •1.3.4. Преобразование случайных величин 7
- •1.3.5. Генераторы псевдослучайных чисел на эвм
- •1.3.6. Использование таблицы дискретных случайных чисел
- •1.4. Недостатки и достоинства аналитических, приближенных методов решения математических задач, в том числе и метода Монте-Карло
- •Глава II. Вероятностное моделирование математических задач
- •2.1. Общая теория решения системы линейных уравнений 8
- •2.2. Вычисление интегралов способом среднего
- •Технология вычисления интеграла способом среднего
- •Нахождение определенных интегралов способом «зонтика» Неймана
- •4. Задания на моделирование
- •2.4. Вычисление значения числа
- •2.5. Решение уравнений эллиптического типа (задача Дирихле)
- •Глава III. Имитационное моделирование физических процессов и явлений
- •3.1. Имитационное моделирование задач нейтронной физики
- •3.1.1. Задача имитационного моделирования прохождения нейтронов через пластинку
- •3.1.2. Моделирование сорта ядра и вида взаимодействия нейтрона с ядром
- •3.1.3. Решение задачи розыгрыша типа взаимодействия и сорта ядра имитационным моделированием
- •1. Вычисление микросечений водорода
- •2. Вычисление микросечений кислорода
- •3. Вычисление микросечений бора
- •4. Вычисление полного микросечения
- •5.Розыгрыш сорта ядра
- •6. Розыгрыш типа взаимодействия
- •7.Определение полного макросечения
- •3.1.4. Определение направления и энергии частиц после рассеяния
- •3.1.5. Моделирование длины свободного пробега
- •3.1.6. Имитационное моделирование траектории движения нейтронов через пластинку (двухмерный случай)
- •5. Задания на моделирование:
- •3.2. Имитационное моделирование прохождения
- •6. Задания на моделирование:
- •7. Результаты моделирования
- •3.3. Имитационное моделирование распространения упругих волн в пористых средах (задача геофизики)
- •Результаты моделирования
- •3.4. Имитационное моделирование явления спонтанного излучения атомов
- •3. Задания на моделирование:
- •Моделирование явления спонтанного излучения многоатомной системы (сверхизлучения Дике)
- •2. Задания на моделирование:
- •Глава IV. Методы компьютерного моделирования в термодинамике
- •4.1. Метод молекулярной динамики
- •6. Задания на моделирование:
- •7. Результаты моделирования
- •4.2. Метод броуновской динамики
- •2. Алгоритм метода броуновской динамики
- •3. Расчет макроскопических параметров
- •4. Задания на моделирование:
- •4. 3. Имитационный метод моделирования броуновских траекторий
- •Литература
Глава II. Вероятностное моделирование математических задач
Метод статистических испытаний (Монте-Карло), есть метод решения математических задач, использующий моделирование случайных величин и построение статистических оценок для искомых величин. Рассмотрим применение теории вероятности для решения различного вида интегралов и уравнений, в том числе дифференциальных.
2.1. Общая теория решения системы линейных уравнений 8
Рассмотрим систему линейных уравнений, записанную в виде
(2.1)
или в векторной форме
. (2.2)
Если пригоден метод простых итераций, то
, (2.3)
где Е –единичная матрица, а В имеет собственные числа по модулю меньшие единицы.
Из системы (2.2) используя обратную матрицу можно получить
. (2.4)
Подставляя (2.3) в (2.2) получим
. (2.5)
При сделанных предположениях обратная матрица может быть выражена рядом
. (2.6)
Этот ряд сходится только в том случае, если собственные числа матрицы В по модулю меньше единицы., т.е.
Подставим теперь выражение (2.6) в формулу (2.5), представляя решение в виде ряда
,
частные суммы последнего ряда можно получить итерационным способом, полагая последовательно:
. (2.7)
Сходимость метода простых итераций эквивалентна сходимости последовательности
Для вычисления перейдем к координатной записи. В дальнейшем будем обозначать элементы матрицы В через Вij. Тогда m-я координата хm вектора Х равна:
(2.8)
т.е. мы нашли решение системы линейных уравнений. Для того чтобы понять, почему оно является решением, рассмотрим случай, в котором сумма элементов по каждой строке равна 1:
. (2.9)
Тогда величины Вmi можно рассматривать как набор вероятностей для полной системы несовместимых событий.
Рассмотрим технологию вероятностного моделирования системы уравнений методом Монте-Карло.
Представим каждый элемент Вmi матрицы В в виде произведения двух сомножителей
, (2.10)
где .
Координаты вектора правой части (2.1) представим в виде
. (2.11)
При этом будем полагать, что выполнено равенство
. (2.12)
Тогда равенство (2.8) можно представить в виде
(2.13)
Рассмотрим теперь n разбиений отрезка [0, 1], каждое на n+1 часть. Длины частей m-го разбиения равны соответственно
.
Пусть -значения независимых равномерно распределенных величин. Определим величину m следующим образом.
Сначала выберем m-е разбиение отрезка и посмотрим, в какую часть попадает величина . Если попала в (n+1)-ю часть (длины рm), то полагаем, что искомая величина равна
. (2.14)
Если попала в i1 - ю часть разбиения (длины ), то берем i1 - е разбиение и смотрим, в какую часть этого разбиения попадает величина . Если попала в (n+1)-ю часть, то полагаем, что искомая величина равна
. (2.15)
Если же попала в i2 - ю часть разбиения (длины ), то берем и проверяем, в какую часть i2 - го разбиения она попала. Этот процесс продолжается, либо до первого попадания одной из величин в (n+1)-ю часть l - го разбиения, либо до бесконечности.
Таким образом, величина m принимает значения, определяемые данной историей процесса, т.е.
с вероятностью
Это значит, что величина m принимает значения ( ), если попала в i1 - ю часть m-го разбиения, попала в i2 - ю часть i1 - го разбиения и т.д., а попала в (n+1)-ю часть k –го разбиения.
Математическое ожидание определяемой величины m равно
. (2.16)
Сравнивая с выражением (2.13), получаем
,
т.е. уравнение (2.13) позволяет вычислять неизвестные значения xi нашей системы уравнений (2.1) путем моделирования случайной величины по методу статистических испытаний.
При рассмотренном способе вычисления неизвестные определяются последовательно в каждой итерации, т.е. решаем вначале первое уравнение, находим первое неизвестное , потом второе уравнение и находим второе неизвестное , затем решаем третье уравнение и т.д. При этом число арифметических операций пропорционально числу уравнений, а не кубу этого числа, как в стандартных численных методах. В этом преимущество монте-карловского процесса вычисления.
Задания на моделирование:
-
Найти неизвестные следующей системы уравнений методом Монте-Карло.
-
Решить систему уравнений методом Гаусса.
-
Сравнить решения, полученные разными методами.
-
Найти погрешности решения метода Монте-Карло.