在蒙特卡洛方法应用中减小方差的基本技术:重要抽样法, 分层抽样法,控制变量法和对偶变量法。然而,单独使用这四种 减小方差的技巧仍然有其局限性。 人们发展了一些复合蒙特卡洛计算技术,如适应性蒙特卡洛 方法和多道蒙特卡洛抽样方法等。这些蒙特卡洛技巧对于被积函 数在积分范围内具有多个尖峰的情况,特别具有实用价值

对求解问题本身就具有概率和统计性的情况,例如中子在介 质中的传播,核衰变过程等,我们可以使用直接蒙特卡洛模拟 方法。该方法是按照实际问题所遂循的概率统计规律,用电子 计算机进行直接的抽样试验,然后计算其统计参数直接蒙特 卡洛模拟法最充分体现出蒙特卡洛方法无可比拟的特殊性和优 越性,因而在物理学的各种各样问题中得到广泛的应用

蒙特卡洛求积分的方差为 o2=}n 其中}为被积函数f的方差。 公式反映出增加随机点数n时蒙特卡洛计算的精度可以得 到改善,但是精度提高非常缓慢。因此用增加蒙特卡洛计算的随 机投点数来提高精度总是耗费大量的机时。 另一个减少计算结果误差的途径是减少f的方差v} 重要的减少方差v}的技巧

量子力学中的波函数是直接与几率密度相关的量,与波函数 相关的分布密度函数具有关系式 波函数(x,t)也被称为几率幅度因此人们很自然地想到可以利 用蒙特卡洛方法来求解量子力学问题

一、实验设计中的蒙特卡洛方法的应用 1.实验装量性能的研究 高能粒子反应的终恋粒子在探测器中的输运是个很复杂的过程。探测器是通过终态粒子在其中穿行过程中,留下的时间信息和(或)能量沉积信息来决定终态粒子的物理参数,如能量、动量、运动方向和粒子种类等。例如要确定带电粒子的动量,通常可以从测量该粒子在磁场中径迹的曲率来得到

背景 MDPs 强化学习问题 蒙特卡洛方法 (Monte Carlo Methods) 蒙特卡洛预测（Monte Carlo Prediction） 蒙特卡洛控制（Monte Carlo Control） 时序差分学习 (Temporal-Difference Learning) 时序差分预测（TD Prediction） 时序差分控制（TD Control） Sarsa：on-policy Q-learning : off-policy 策略梯度 (Policy Gradient) Monte-Carlo Policy Gradient Actor-Critic Policy Gradient 深度强化学习 Deep Q-Networks (DQN) Policy Gradients for Deep Reinforcement Learning

一、直接模拟法 直接模拟法是基于粒子输运过程的随机统计特性的考,认 为物理上的可观测量就是大量粒子的行为共同贡献的统计结果。 因此,该方法就是考虑一个一个粒子的传输,模拟它们在物质中 随机运动的历史,记录其在运动中对感兴趣的物理模拟量的贡 献

假定我们对一个处于热平衡的恒温(T的体系感兴趣。对该 热力学问题我们做如下的表述。设有一个包含N个粒子的恒温的 平衡态系统,我们要计算该系统的可观测量A,即该物理量的平 均值 (A(T)=2-A( ((') 其中H(x)为系统的哈密顿量描述,f(为分布密度函数,称为 配分函数,它是归一化常数

一、一维定积分计算的平均值法(期望值估计法)。 一维积分计算=f(x)dx0≤x≤1,osf(x)s1在x的定义域[0,1]上均匀地随机取点该均匀分布的随机变量记为ξ。我们定义一个随机变量η为n=f(5)

采用Delaunay三角化方法对计算区域进行网格划分,开发了适合于非结构化网格的蒙特卡洛直接模拟程序,并对程序的正确性进行了验证.在此基础上模拟分析了粗糙元为三角形的平行平板间微通道内稀薄气体的二维流动与换热.通道进出口压力固定,上下平板温度恒定.计算分析了粗糙元高度、宽度以及分布密度的影响.结果表明:微通道内粗糙元对流动与换热有明显的扰动;随着粗糙元的变大,速度跳跃显著,甚至出现漩涡,增加了通道内的压力损失;但粗糙元增强了微通道壁面与气体之间的换热