15分钟入门蒙特卡洛 Monte Carlo

↑↑↑点击上方蓝字，回复资料，10个G的惊喜

来自 | 知乎   作者 | 薛定豆   编辑 | 深度学习这件小事公众号

链接 | https://zhuanlan.zhihu.com/p/223042372

20世纪40年代，蒙特卡洛（Monte Carlo, 位于摩纳哥的赌城，如上图）方法由John von Neumann，Stanislaw Ulam和 Nicholas Metropolis 在 Los Alamos National Lab (LANL) 曼哈顿计划中，为模拟中子扩散发展出的一种统计方法。正如名字反映出的，蒙特卡洛方法本质上是跟赌博一样具有随机特性。

     一、估计圆周率  的值

如果(x,y)是独立地从0到1之间均匀分布抽样出的一系列的数对number pair, 那么这些随机的位置坐标(x,y)落在1为半径圆弧内的概率应该是：四分之一圆的面积➗整个正方形的面积：

而因为(x,y) 是0到1的均匀分布，所以这个概率当抽样足够多的时候就等于红色的点数除以总共点数：

这样一来，只要采样足够多，就可以得到无限趋近于 的值。这个例子很好的体现了Monte Carlo（MC)方法的精神：利用随机分布的特性，大数次抽样得到准确的估计。换句话说，就是我猜，我猜地又多又均匀就基本上成功了！

   二、估计定积分的值

微积分里我们学到，定积分（也就是曲线下的面积）可以想象成很多等宽小矩形加起来的面积之和，如下图所示，

如果用蒙特卡洛的思维来做的话，可以从a到b的均匀分布产生一些列的x值：  ，只要抽样足够多，就可以估计出在这个区间内   的平均值，记做   这样一来，曲线下面积就等效成一个以这个平均值为高的矩形面积：

   三、重要性抽样（Importance sampling）

其实，很多积分中   还是有一些重要的区域的，为了使采样更有效率，一般我们可以采用重要性抽样来计算积分：

这里，   是任意满足正定   且归一化   条件的概率分布，且   是从这个分布采样的随机数。重要性抽样其实仅仅就是做了个恒等变形，把原来要均匀采样的概率分布（其实就是   ）替换成任意概率分布，并把要平均的函数除以这个分布。重要性抽样是统计和物理中常见的方法，可以很好的对重点区域采样而快速估计积分。

另一方面，重要性抽样有着很简单直接的并行化方案：对于多维定积分，   从分布   中采样的话，（这里为了符号简便，现在暂时将第   次采样记做带括号的上标   ）

其实，统计力学里常见的积分就是物理量   的系综平均

这里  是正则系综分布函数，   是正则配分函数。

   四、Metropolis Monte Carlo算法 (Markov Chain Monte Carlo, MCMC)

那么，问题来了，怎么对任意分布   采样？这里介绍Metropolis MC算法，也叫Metropolis-Hastings算法，它类似于随机瞎走（Random walk）的方式产生一列数，这些数的总体分布服从   。这里，我们以平衡态统计力学中的最常见的Boltzmann分布为例说明。

玻尔兹曼分布说对于构型   ,它的概率应该是   ,这里   是这个构型的能量。我们想要产生服从玻尔兹曼分布的一系列   ,可以设想如果我基于原来的一个构型   怎么产生下一个构型   呢？

当体系达到平衡时，体系在   的概率   不应该随时间改变，于是有

这里   表示基于   随机产生   的转移概率（Transition probability），求和是对于所有可能的其他构型 。从上面关系可以得到只要满足下面细致平衡（detailed balance)条件，就可以产生出服从玻尔兹曼分布的序列：

Metropolis选择的是下面方式选择转移概率（尽量最大化接受新构型）：

读者可以将上面两个式子相除，就可以看出在不管新构型的能量是更高还是更低，这个转移概率的比值都服从细致平衡条件，也就是最终产生的分布就会使玻尔兹曼分布了。

Metropolis算法——移动然后选择接受这个移动还是拒绝这个移动

1. 从起始构型   ，计算能量   ；
2. 随机移动一些构型坐标得到一个trial构型   ，并计算该构型的能量   ；
3. 决定是否接受这个移动：
   （1）如果   ,那么100%接受这个移动，正式的下一步构型就是  了；
   （2）如果   ,那么产生一个0到1之间的随机数R, 并跟转移概率   比较，如果   那就接受这个移动   ，否则就拒绝这个移动   ；
4. 回到第二步，直到累积N个构型。

这一列构型   被称为马尔科夫链(Markov Chain)，因为产生的新构型只跟当前构型有关，对前面的构型没有任何的记忆效应，所以这个方法又叫马尔科夫链蒙特卡洛（MCMC）。而且，从任何初始构型出发，最终都会达到平衡而且服从就是玻尔兹曼分布，即通过配比转移概率   达到对某构型的采样概率为  且不随“时间”改变。【注意：MC里序列是没有物理上时间先后关系的，所有说MC“时间序列”都是指随机产生的顺序。】

当然，这个例子只是一个统计力学里的概率分布函数，其实任何形式的分布都可以用MC产生，使得MC方法在统计里应用的不要太多。

谢谢！

↓↓↓我的朋友圈更精彩↓↓↓

   
   
   

 
    
    
    
推荐阅读
 
          
（点击标题可跳转阅读）
 
         
贝叶斯：没有人比我更懂南京市长江大桥
 
             
华为提出十大数学挑战！解出一个就是年薪百万！
 
             
Numpy核心语法和代码整理汇总！
 
             
数学系的概率论和我们的不太一样。。。
 
             
机器学习模型调参指南（附代码）
 
            
老铁，三连支持一下，好吗？↓↓↓

本文分享自微信公众号 - 机器学习算法与Python实战（tjxj666）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。

来源：oschina

链接：https://my.oschina.net/u/2324223/blog/4653180