80 likes | 290 Views
Monte Carlo Simulation Part.2 Metropolis Algorithm. Dept. Phys. Tunghai Univ. Numerical Methods C. T. Shih. Simple/Importance Sampling. 當我們用 MC 法計算積分時,若該函數為常數函數 f(x)=constant ,則取樣數不管多少,準確度皆為百分之百 相對的,如果 f(x) 為 delta 函數,則取樣數不管多少,準確度幾乎皆為零
E N D
Monte Carlo SimulationPart.2 Metropolis Algorithm Dept. Phys. Tunghai Univ. Numerical Methods C. T. Shih
Simple/Importance Sampling • 當我們用 MC 法計算積分時,若該函數為常數函數 f(x)=constant,則取樣數不管多少,準確度皆為百分之百 • 相對的,如果 f(x) 為 delta 函數,則取樣數不管多少,準確度幾乎皆為零 • 也就是說,如果在積分區間內,f(x) 為一平滑函數,則 MC 法較準確,如果f(x)的變動很劇烈,則 MC 法的誤差會變大
Weight Function: w(x) • 因此,在 f(x) 變化劇烈時,在以 MC 取樣時,最好依據 f(x) 的大小來決定取樣機率 • 亦即:|f(x)| 大的,對∫f(x)dx的貢獻較大,如果沒有被選中則結果的誤差極大 • 解決方式:改變 x 被選中的機率,讓 |f(x)| 大的被選中的機率增加 • Weight distribution function: w(x),決定每個x被選中的機率
Weight Function: w(x) • w(x) 必須歸一化,即在積分區間內∫w(x)dx=1 • 由於 x 的選取已被 w(x) 扭曲,所以計算積分時要把這個部分「還」回去:若一共取樣了M個x,則其積分值為
Metropolis 演算法 • 如何產生一連串的 x,使得 x 的分佈滿足 w(x)?步驟如下: • 由均勻亂數產生一任意 x,a<x<b • 再產生另外一個亂數 x’,a<x’<b • 兩者的機率權重比為 P(x→x’) w(x’)/w(x) • 若 P ≧ 1,則接受 x’ 為新的 x 值 • 若 P < 1,則產生一亂數 y,若 y<P,則接受 x’ 為新的 x,否則下一個被選取的仍然是舊的 x • 如此即可得到一連串的 x,重複此步驟 M 次,將每次所得到的 x 所對應的 f(x)/w(x) 求平均,即為所求之積分近似值
f(x) 與 w(x) • 最好的 w(x) 當然就是 |f(x)| 本身,但是因為 w(x) 必須滿足 ∫w(x)dx=1,所以得先對 w(x) 做積分 → 回到問題的原點 • 但是如果 f(x) 是物理上的 probability distribution function(如波茲曼函數),我們經常要積分的是一些物理量的平均值: • 這類問題即可以 Metropolis algorithm 來產生根據 f(x) 所分佈的 M 個 x