欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

伪蒙特卡洛(Quasi-Monte Carlo, QMC)随机

程序员文章站 2022-07-06 08:01:19
...

伪蒙特卡洛(Quasi-Monte Carlo, QMC)随机

伪蒙特卡洛(Quasi-Monte Carlo, QMC)随机

分享一道由群员“Melbourne”,外号 “Paper Machine”,有数学小王子之称的小伙伴分享的题目!

特别说明:本文非原创,经投稿者同意后发表。

01

PART

算法介绍

伪蒙特卡洛(Quasi-Monte Carlo, QMC)随机

期望:在概率论和统计学中,数学期望(mean)(或均值,亦简称期望)是试验中每次可能结果的概率乘以其结果的总和,是最基本的数学特征之一。它反映随机变量平均取值的大小。

题目:在1*1的正方形中随机撒三个点,两两点都可构成长方形的一组对顶点,这样一共有三个长方形,需要求面积第二大的长方形的面积的期望。

算法:每次随机三个点,计算第二大面积,最后统计期望。

02

PART

蒙特卡洛

伪蒙特卡洛(Quasi-Monte Carlo, QMC)随机

蒙特卡罗法也称统计模拟法、统计试验法。是把概率现象作为研究对象的数值模拟方法。是按抽样调查法求取统计值来推定未知特性量的计算方法。蒙特卡罗是摩纳哥的著名赌城,该法为表明其随机抽样的本质而命名。故适用于对离散系统进行计算仿真试验。在计算仿真中,通过构造一个和系统性能相近似的概率模型,并在数字计算机上进行随机试验,可以模拟系统的随机特性。

蒙特卡洛方法(Monte Carlo Method) 指的是一类使用随机变量解决概率问题的方法。比较常见的是计算积分、计算概率、计算期望等问题。

常见的蒙特卡洛方法依赖于随机变量的“随机性”,即未发生的事件无法根据已有信息进行预测,比如抛硬币、掷骰子等。在计算机中,常见的随机数是由一系列确定性算法进行生成的,通常称之为伪随机数(pseudo random number)。由于计算精度有限,且这些随机数在统计意义上“不够随机”,会出现可预测的重复序列,这些数在统计意义上收敛精度有限。

与常见的蒙特卡洛方法不同的是,伪蒙特卡洛使用了低差异序列(low discrepancy sequence,常见的有halton序列、sobol序列等),不使用常见的(伪)随机数,其收敛速率更快(记 N 为样本数量,伪蒙特卡洛收敛速率可达伪蒙特卡洛(Quasi-Monte Carlo, QMC)随机,而普通蒙特卡洛方法收敛速率仅为 伪蒙特卡洛(Quasi-Monte Carlo, QMC)随机。另一个最重要的性质是伪蒙特卡洛使用的低差异序列是可复现的(replicable),即不会随环境改变而改变,没有随机种子;而普通蒙特卡洛使用的伪随机数会因随机种子不同而导致结果不同,收敛效果也不尽相同。

03

PART

题目分析

伪蒙特卡洛(Quasi-Monte Carlo, QMC)随机

本算法利用伪蒙特卡洛完成。

(CPP代码如下)

 1#include <cmath>
 2#include <cstdio>
 3#include <vector>
 4#include <cassert>
 5#include <omp.h>
 6const int UP=100;
 7bool sieve[UP+100];
 8int primes[UP],top=0;
 9void init()
10{
11  for (int i=2;i<=UP;++i)
12    if (!sieve[i])
13    {
14      primes[top++]=i;
15      for (int j=i;j<=UP/i;++j)
16        sieve[i*j]=true;
17    }
18}
19std::vector<double> halton(long long i,const int &dim)
20{
21  assert(dim<=top);
22  std::vector<double> prime_inv(dim,0),r(dim,0);
23  std::vector<long long> t(dim,i);
24  for (int j=0;j<dim;++j)
25    prime_inv[j]=1.0/primes[j];
26  auto f=[](const std::vector<long long> &t)->long long {
27    long long ret=0;
28    for (const auto &e:t)
29      ret+=e;
30    return ret;
31  };
32  for (;f(t)>0;)
33    for (int j=0;j<dim;++j)
34    {
35      long long d=t[j]%primes[j];
36      r[j]+=d*prime_inv[j];
37      prime_inv[j]/=primes[j];
38      t[j]/=primes[j];
39    }
40  return r;
41}
42double experiment(long long idx)
43{
44  std::vector<double> li=halton(idx,6);
45  double area1=fabs((li.at(0)-li.at(2))*(li.at(1)-li.at(3)));
46  double area2=fabs((li.at(0)-li.at(4))*(li.at(1)-li.at(5)));
47  double area3=fabs((li.at(2)-li.at(4))*(li.at(3)-li.at(5)));
48  double w=area1+area2+area3-std::max(std::max(area1,area2),area3)-std::min(std::min(area1,area2),area3);
49  return w;
50 }
51const int BATCH=100000;
52const int THREADS=40;
53int main()
54{
55  init();
56  double total=0;
57  for (long long trial=0;;)
58  {
59    std::vector<double> li(THREADS,0);
60    omp_set_dynamic(0);
61    omp_set_num_threads(THREADS);
62    #pragma omp parallel for
63    for (long long thread=0;thread<THREADS;++thread)
64    {
65      for (long long i=0;i<BATCH;++i)
66        li.at(thread)+=experiment(trial+thread*BATCH+i);
67    }
68    for (const auto &d:li)
69      total+=d;
70    trial+=THREADS*BATCH;
71    printf("%lld: %.10f\n",trial,total/trial),fflush(stdout);
72  }
73  return 0;
74}

分析:使用了并行计算,批量跑随机实验,速度大大提升。其中halton函数会生成halton低差异序列,其值域为[0,1],参数i表示第i个抽样,dim表示生成数据的维度(本例中每次实验需要6个点,使用6维数据点即可),不同样本之间互不影响,故可使用并行计算提速。

#表示随机试验次数×10^7,Avg表示第二大面积的平均值,Err表示与真实值的绝对误差×10^(-10)。

# Avg Err # Avg Err
1 0.1017786804 55 2 0.1017786707 152
3 0.1017786905 46 4 0.1017786889 30
5 0.1017786809 50 6 0.1017786836 23
7 0.1017786849 10 8 0.1017786868 9
9 0.1017786799 60 10 0.1017786837 22
11 0.1017786845 14 12 0.1017786839 20
13 0.1017786874 15 14 0.1017786839 20
15 0.1017786848 11 16 0.1017786868 9
17 0.1017786851 8 18 0.1017786863 4
19 0.1017786854 5 20 0.1017786887 28
21 0.1017786858 1 22 0.1017786844 15
23 0.1017786841 18 24 0.1017786852 7
25 0.1017786849 10 26 0.101778684 19
27 0.1017786838 21 28 0.1017786852 7
29 0.1017786838 21 30 0.1017786846 13
31 0.1017786859 0 32 0.1017786862 3
33 0.1017786859 0 34 0.1017786853 6
35 0.1017786854 5 36 0.1017786859 0
37 0.101778685 9 38 0.1017786854 5
39 0.1017786853 6 40 0.1017786858 1
41 0.1017786848 11 42 0.1017786851 8
43 0.1017786847 12 44 0.1017786841 18
45 0.101778685 9 46 0.1017786842 17
47 0.1017786852 7 48 0.1017786848 11
49 0.1017786854 5 50 0.1017786851 8
51 0.1017786842 17 52 0.1017786844 15

可以看到,在实验次之后,收敛精度可达9位小数,非常精确。由于使用的随机数“不够随机”,普通的蒙特卡洛在同样的实验次数下仅能收敛至五位小数的精度。

上述方法可扩展至其他随机问题中,非常实用且高效,欢迎大家讨论。

推荐一些其他的算法文章:

漫画:位运算系列篇(只出现一次的数字 - 进阶版)

漫画:位运算系列篇(只出现一次的数字)

漫画:百度从Google学来的面试题,想进大厂必备!

漫画:美团面试题(整数拆分)

所以,今天的问题你学会了吗?评论区留下你的想法!

伪蒙特卡洛(Quasi-Monte Carlo, QMC)随机

伪蒙特卡洛(Quasi-Monte Carlo, QMC)随机

 小浩算法,每日

伪蒙特卡洛(Quasi-Monte Carlo, QMC)随机

伪蒙特卡洛(Quasi-Monte Carlo, QMC)随机

关注领取《图解算法》高清版

进群的小伙伴请加右侧私人微信(备注:进群)

伪蒙特卡洛(Quasi-Monte Carlo, QMC)随机

伪蒙特卡洛(Quasi-Monte Carlo, QMC)随机

伪蒙特卡洛(Quasi-Monte Carlo, QMC)随机