1 蒙特卡罗算法简介
蒙特卡罗(Monte Carlo)算法并不是一种特定的算法,而是对一类随机算法的特性的概括。它的名字来源于赌城蒙特卡罗,象征概率。它的基本思想是通过大量随机样本,去了解一个系统,进而得到要计算的值。它非常强大灵活,又相当简单易懂,很容易实现。
2 蒙特卡罗算法与拉斯维加斯算法比较
随机算法分为两大类:蒙特卡罗算法和拉斯维加斯算法,都是以著名的赌城命名的,且都是通过随机采样尽可能找到最优解。
比较项目 | 蒙特卡罗算法 | 拉斯维加斯算法 |
规律 | 采样越多,越逼近最优解 | 采样越多,越有可能找到最优解 |
例子 | 从不透明的苹果筐中挑最大的苹果 | 从一串钥匙中试出能开锁的钥匙 |
策略 | 尽量找好的,但不保证是最好的 | 尽量找最好的,但不保证能找到(除非全枚举) |
适用情景(依问题而定) | 要求在有限采样内,必须给出一个解,但不要求是最优解 | 对采样要求没有限制,要求必须给出最优解 |
3 蒙特卡罗算法的简单python实现
下面就用蒙特卡罗随机取样的思想近似求解圆周率π
正方形内部有一个内切的圆,通过简单计算可知内切圆和正方形的面积比为π/4,因此通过在直角坐标系的第一象限随机取点,统计落在圆内的点,其与总取样点数的比例即为π/4,将该比例乘以4即可得π。示意图和代码如下:
#-*-coding:utf-8-*-
import random
def calcPi(n):
count = 0
for i in range(n):
x = random.uniform(0,1.0) #在[0,1]区间均匀地随机取样
y = random.uniform(0,1.0)
if(x**2+y**2<=1):
count += 1
return 4.0*count/n #注意4要写成浮点数的形式,否则结果只保留整数
print calcPi(30000) #取30000个样本点
一次计算结果为3.15226666667,误差不到0.5%,且取样点数越多,结果越接近。