蒙特卡罗算法简介　　蒙特卡罗也称统计模拟方法，是二十世纪四十年代中期由于科学技术的发展和电子计算机的发明，而被提出的一种以概率统计理论为指导的一类非常重要的数值计算方法。

是指使用随机数（或更常见的伪随机数）来解决很多计算问题的方法。

蒙特卡罗方法的名字来源于摩纳哥的一个城市蒙地卡罗，该城市以赌博业闻名，而蒙特·罗方法正是以概率为基础的方法。

与它对应的是确定性算法。

　　蒙特卡罗方法在金融工程学，宏观经济学，计算物理学(如粒子输运计算、量子热力学计算、空气动力学计算)等领域应用广泛。

基本思想　　当所求解问题是某种随机事件出现的概率，或者是某个随机变量的期望值时，通过某种“实验”的方法，以这种事件出现的频率估计这一随机事件的概率，或者得到这个随机变量的某些数字特征，并将其作为问题的解。

有一个例子可以使你比较直观地了解蒙特卡罗方法：假设我们要计算一个不规则图形的面积，那么图形的不规则程度和分析性计算（比如，积分）的复杂程度是成正比的。

蒙特卡罗方法是怎么计算的呢？假想你有一袋豆子，把豆子均匀地朝这个图形上撒，然后数这个图形之中有多少颗豆子，这个豆子的数目就是图形的面积。

当你的豆子越小，撒的越多的时候，结果就越精确。

在这里我们要假定豆子都在一个平面上，相互之间没有重叠。

工作过程　　在解决实际问题的时候应用蒙特卡罗方法主要有两部分工作： 　　用蒙特卡罗方法模拟某一过程时，需要产生各种概率分布的随机变量。

　　用统计方法把模型的数字特征估计出来，从而得到实际问题的数值解。

计算步骤　　使用蒙特卡罗方法进行分子模拟计算是按照以下步骤进行的： 　　① 使用随机数发生器产生一个随机的分子构型。

　　②对此分子构型的其中粒子坐标做无规则的改变，产生一个新的分子构型。

　　③计算新的分子构型的能量。

　　④比较新的分子构型于改变前的分子构型的能量变化，判断是否接受该构型。

　　若新的分子构型能量低于原分子构型的能量，则接受新的构型，使用这个构型重复再做下一次迭代。

　　若新的分子构型能量高于原分子构型的能量，则计算玻尔兹曼常数，同时产生一个随机数。

　　若这个随机数大于所计算出的玻尔兹曼因子，则放弃这个构型，重新计算。

　　若这个随机数小于所计算出的玻尔兹曼因子，则接受这个构型，使用这个构型重复再做下一次迭代。

　　⑤如此进行迭代计算，直至最后搜索出低于所给能量条件的分子构型结束。

 在数学中的应用　　通常蒙特·卡罗方法通过构造符合一定规则的随机数来解决数学上的各种问题。

对于那些由于计算过于复杂而难以得到解析解或者根本没有解析解的问题，蒙特·卡罗方法是一种有效的求出数值解的方法。

一般蒙特·卡罗方法在数学中最常见的应用就是蒙特·卡罗积分。

积分　　非权重蒙特卡罗积分，也称确定性抽样，是对被积函数变量区间进行随机均匀抽样，然后对被抽样点的函数值求平均，从而可以得到函数积分的近似值。

此种方法的正确性是基于概率论的中心极限定理。

当抽样点数为m时，使用此种方法所得近似解的统计误差恒为,不随积分维数的改变而改变。

因此当积分维度较高时，蒙特卡罗方法相对于其他数值解法更优。

 解题三个主要步骤：　　构造或描述概率过程： 对于本身就具有随机性质的问题，如粒子输运问题，主要是正确描述和模拟这个概率过程，对于本来不是随机性质的确定性问题，比如计算定积分，就必须事先构造一个人为的概率过程，它的某些参量正好是所要求问题的解。

即要将不具有随机性质的问题转化为随机性质的问题。

　　实现从已知概率分布抽样： 构造了概率模型以后，由于各种概率模型都可以看作是由各种各样的概率分布构成的，因此产生已知概率分布的随机变量（或随机向量），就成为实现蒙特卡罗方法模拟实验的基本手段，这也是蒙特卡罗方法被称为随机抽样的原因。

最简单、最基本、最重要的一个概率分布是(0,1)上的均匀分布（或称矩形分布）。

随机数就是具有这种均匀分布的随机变量。

随机数序列就是具有这种分布的总体的一个简单子样，也就是一个具有这种分布的相互独立的随机变数序列。

产生随机数的问题，就是从这个分布的抽样问题。

在计算机上，可以用物理方法产生随机数，但价格昂贵，不能重复，使用不便。

另一种方法是用数学递推公式产生。

这样产生的序列，与真正的随机数序列不同，所以称为伪随机数，或伪随机数序列。

不过，经过多种统计检验表明，它与真正的随机数，或随机数序列具有相近的性质，因此可把它作为真正的随机数来使用。

由已知分布随机抽样有各种方法，与从(0,1)上均匀分布抽样不同，这些方法都是借助于随机序列来实现的，也就是说，都是以产生随机数为前提的。

由此可见，随机数是我们实现蒙特卡罗模拟的基本工具。

建立各种估计量： 一般说来，构造了概率模型并能从中抽样后，即实现模拟实验后，我们就要确定一个随机变量，作为所要求的问题的解，我们称它为无偏估计。

　　建立各种估计量，相当于对模拟实验的结果进行考察和登记，从中得到问题的解。

例如：检验产品的正品率问题，我们可以用1表示正品，0表示次品，于是对每个产品检验可以定义如下的随机变数Ti，作为正品率的估计量： 于是，在N次实验后，正品个数为： 显然，正品率p为： 不难看出，Ti为无偏估计。

当然，还可以引入其它类型的估计，如最大似然估计，渐进有偏估计等。

但是，在蒙特卡罗计算中，使用最多的是无偏估计。

用比较抽象的概率语言描述蒙特卡罗方法解题的手续如下：构造一个概率空间(W ,A,P)，其中，W 是一个事件集合，A是集合W 的子集的s 体，P是在A上建立的某个概率测度；在这个概率空间中，选取一个随机变量q (w ),w Î W ,使得这个随机变量的期望值 正好是所要求的解Q ，然后用q (w )的简单子样的算术平均值作为Q 的近似值。

特点:　　直接追踪粒子，物理思路清晰，易于理解。

　　· 采用随机抽样的方法，较真切的模拟粒子输运的过程，反映了统计涨落的规律。

　　· 不受系统多维、多因素等复杂性的限制，是解决复杂系统粒子输运问题的好方法。

　　· MC程序结构清晰简单。

　　· 研究人员采用MC方法编写程序来解决粒子输运问题，比较容易得到自己想得到的任意中间结果，应用灵活性强。

　　· MC方法主要弱点是收敛速度较慢和误差的概率性质，其概率误差正比于，如果单纯以增大抽样粒子个数N来减小误差，就要增加很大的计算量。

计算程序：　　关于蒙特卡罗方法的计算程序已经有很多，如：EGS4、FLUKA、ETRAN、ITS、MCNP、GEANT等。

这些程序大多经过了多年的发展，花费了几百人年的工作量。

除欧洲核子研究中心（CERN）发行的GEANT主要用于高能物理探测器响应和粒子径迹的模拟外，其它程序都深入到低能领域，并被广泛应用。

就电子和光子输运的模拟而言，这些程序可被分为两个系列： 　　1．EGS4、FLUKA、GRANT 　　2．ETRAN、ITS、MCNP 这两个系列的区别在于：对于电子输运过程的模拟根据不同的理论采用了不同的算法。

　　EGS4和ETRAN分别为两个系列的基础，其它程序都采用了它们的核心算法。

　　ETRAN(for Electron Transport)由美国国家标准局辐射研究中心开发，主要模拟光子和电子，能量范围可从1KeV到1GeV。

　　ITS(The integrated TIGER Series of Coupled Electron/Photon Monte Carlo Transport Codes )是由美国圣地亚哥（Sandia）国家实验室在ETRAN的基础上开发的一系列模拟计算程序，包括TIGER 、CYLTRAN 、ACCEPT等，它们的主要差别在于几何模型的不同。

　　TIGER研究的是一维多层的问题，CYLTRAN研究的是粒子在圆柱形介质中的输运问题，ACCEPT是解决粒子在三维空间输运的通用程序。

　　NCNP(Monte Carlo Neutron and Photo Transport Code)由美国橡树林国家实验室(Oak Ridge National Laboratory)开发的一套模拟中子、光子和电子在物质中输运过程的通用MC 计算程序，在它早期的版本中并不包含对电子输运过程的模拟，只模拟中子和光子，较新的版本（如MCNP4A）则引进了ETRAN，加入了对电子的模拟。

　　FLUKA 是一个可以模拟包括中子、电子、光子和质子等30余种粒子的大型MC计算程序，它把EGS4容纳进来以完成对光子和电子输运过程的模拟，并且对低能电子的输运算法进行了改进。