روش مونتهکارلو: تفاوت میان نسخهها
محتوای حذفشده محتوای افزودهشده
قرار دادن {{دادههای کتابخانهای}} با اطلاعات ویکیداده |
ابرابزار |
||
خط ۱:
{{Computational physics}}
[[پرونده:Monte carlo method.svg|بندانگشتی|چپ|روش مونته کارلو را میتوان به بازی [[نبرد کشتی ها|نبرد کشتیها]] تشبیه کرد. ابتدا یکی از بازیکنان شلیکهای تصادفی را انجام میدهد. سپس بازیکن از الگوریتم استفاده میکند (مثلاً یک کشتی جنگی به فاصله چهار خانه در جهت عمودی یا افقی قرار گرفتهاست). در نهایت بر اساس خروجی نمونههای تصادفی و الگوریتم، بازیگر میتواند
'''روش مونت-کارلو''' {{به انگلیسی|Monte Carlo method}} یک [[الگوریتم]] محاسباتی است که از [[نمونهگیری]] [[تصادفی]] برای محاسبه نتایج استفاده میکند. روشهای مونت-کارلو معمولاً برای [[شبیهسازی]] سیستمهای [[فیزیک|فیزیکی]]، [[ریاضی|ریاضیاتی]] و [[علم اقتصاد|اقتصادی]] استفاده میشوند.
از طرف دیگر روش مونت کارلو یک طبقه از الگوریتمهای محاسبه گر میباشند که برای محاسبه نتایج خود بر نمونه گیریهای تکرار
== تاریخچه ==
ریشه نام «مونتکارلو» از [[زبان ایتالیایی]] است و به اصلیت اسم ''شاهزاده کارلو سوم از موناکو'' بر میگردد که زیر نفوذ و حمایت دربار ایتالیا قرار داشت. تا قبل از سال [[۱۸۶۱ (میلادی)|۱۸۶۱]] که موناکو به شکلی خودمختار درآمد، زبان رسمی [[زبان ایتالیایی|ایتالیایی]] بود، اما در یکصد سال گذشته، زبان رسمی به [[زبان فرانسوی|فرانسوی]] تغییر داده شد.<ref>[http://www.monte-carlo.mc/index-principality_monaco-en.html About the Principality of Monaco], The Official website of the Principality of Monaco</ref>
سطر ۱۱ ⟵ ۱۲:
'''مونتکارلو''' (در [[فرانسوی]]: Monte-Carlo) نام منطقهای است بسیار مشهور در کشور خودمختار [[موناکو]] واقع در اروپای غربی. جمعیت ساکن در مونتکارلو در حدود ۳۰۰۰ نفر را شامل میشود. منطقه مونتکارلو، ثروتمندترین منطقه از کشور خودمختار موناکو است.<ref>[http://www.state.gov/r/pa/ei/bgn/3397.htm Monaco (12/08)</ref>
نام '''روش مونت کارلو''' توسط تحقیقات فیزیکدانانی چون [[استنیسواف اولام]]، [[انریکو فرمی]] و [[جان فون نیومن]] شهرت فراوان یافت. این اسم
== کاربرد ==
روشهای تصادفی برای محاسبه و آزمایش (که عموماً به عنوان
روشهای پیشین برای
به هر حال
▲روشهای تصادفی برای محاسبه و آزمایش (که عموماً به عنوان شبیه سازی تصادفی شناخته میشوند) را بدون تردید میتوان تا اولین پیشگامان [[نظریه احتمال]] دنبال کرد ([[سوزن بافون]]، کار جزیی روی نمونهها توسط [[ویلیام گوست]])، ولی به طور ویژه میتوان آن را در دوران قبل از محاسبات [[الکترونیک|الکترونیکی]] دنبال کرد. تفاوت اساسی که معمولاً دربارهٔ روش شبیه سازی مونت کارلو بیان میشود این است که به طور اصولی نوع روش شبیه سازی را وارون میکند و نظر مسایل را با یافتن مدل مشابه احتمالی به خود جلب میکند.
▲روشهای پیشین برای شبیه سازی و مدل سازی آماری عموماً عکس این کار را انجام میدادند: استفاده از شبیه سازی برای امتحان کردن مسایل مشخص قطعی.
شاید معروفترین استفادهٔ اخیر از این روش توسط انریکو فرمی در سال[[۱۹۳۰]] باشد، هنگامی که او از یک روش تصادفی برای دستیابی به خواص [[نوترون]] تازه کشف شده، استفاده کرد. همچنین روشهای مونت کارلو مرکزیت
▲به هر حال همان طور که میدانیم مثالهای دیدگاه «[[وارون]]» به صورت تاریخی نیز وجود دارند، آنها تا قبل از آمدن روش مونت کارلو به عنوان یک روش عمومی در نظر گرفته نمیشدند.
▲شاید معروفترین استفادهٔ اخیر از این روش توسط انریکو فرمی در سال[[۱۹۳۰]] باشد، هنگامی که او از یک روش تصادفی برای دستیابی به خواص [[نوترون]] تازه کشف شده، استفاده کرد. همچنین روشهای مونت کارلو مرکزیت شبیه سازی مورد نیاز در پروژهٔ [[منهتن]] را داشتند اگرچه که در آن زمان در استفاده از ابزارهای محاسباتی در محدودیت جدی قرار داشتند.
در ۱۹۵۰ در لوس آلاموس برای تحقیقات جدیدی که دربارهٔ [[بمبهای هیدروژنی]] آغاز شده بود مورد استفاده قرار گرفت و در رشتههای [[فیزیک]] و [[شیمی فیزیک]] و [[تحقیق در عملیات]] مشهور شد.
سطر ۲۸ ⟵ ۲۷:
استفاده از روش مونت کارلو نیاز به استفادهٔ مقادیر زیادی اعداد تصادفی دارد و این استفاده باعث کنار رفتن و عدم گسترش زایندههای اعداد شبه تصادفی بود.
روش مونت کارلو را
== نگاه کلی ==
سطر ۳۷ ⟵ ۳۶:
# نتایج هر یک از اجراهای محاسباتی را در پاسخ نهایی ادغام میکنند.
;مثال:
[[پرونده:Pi 30K.gif|بندانگشتی|چپ|روش مونت کارلو برای تخمین [[عدد پی]]
برای مثال میتوان مقدار عدد {{پی}}(پی) را با استفاده از روش مونته کارلو محاسبه نمود.
# یک مربع روی صفحه ترسیم کنید، سپس یک دایره را درون آن [[شکل محاط|محاط کنید]]. در ادامه چندین شکل با اندازه یکسان را روی آن [[توزیع یکنواخت(پیوسته)|به طور یکنواختپخش]] کنید (برای مثال، دانههای شن یا برنج) در سرتاسر مربع.
# سپس تعداد اشیاء درون دایره را بشمارید، در چهار ضرب کنید و عدد به دست آمده را بر تعداد کل اشیاء درون مربع تقسیم نمایید.
# نسبت اشیاء درون دایره در مقابل اشیاء درون مربع تقریباً برابر خواهد بود با ۴/π، که همان نسبت سطح دایرهاست به سطح
ابتدا ما یک محدوده از متغیرها را تعریف کردیم که یک مربع بود که دایره ما را محاط کرده بود. سپس ورودیها را به طور تصادفی تولید کردیم (پخش دانهها به طور یکنواخت درون مربع)، سپس محاسبات را برای هر ورودی انجام دادیم (بررسی کردیم که آیا دانه درون دایره هست یا نه). در آخر، تمام جوابها را در جواب نهایی ادغام نمودیم. همچنین به این نکته توجه داشته باشید که دو ویژگی مشترک دیگر روشهای مونته کارلو این است:
* اتکای محاسبات بر اعداد تصادفی خوب
* همگرایی تدریجی به سمت تخمینهای بهتر در زمانی که دادههای بیشتری
==
محاسبهٔ [[ریسک]] در تجارت (نمونه کاربرد آن در [[اقتصاد]]، مدل سازی تصادفی است) استفادهٔ [[کلاسیک]] از این روشها برای ارزیابی و محاسبهٔ [[انتگرالهای معین]]، به طور خاص برای [[انتگرالهای چند بعدی]] باشد با [[شرایط مرزی]] پیچیده، استفاده میشود.
روشهای مونت کارلو همچنین برای محاسبهٔ ارزش سرمایه شرکتها، ارزیابی سرمایهٔ پروژهها نیز استفاده میشود.
سطر ۵۶ ⟵ ۵۵:
همچنین روشهای مونت کارلو در [[فیزیک محاسباتی]]، شیمی فیزیک و زمینههای مرتبط با این دو کاربرد فراوان دارد.
مونت کارلو علاوه بر این، تحت
روشهای مونت کارلو در زمینههای بسیاری نیز در ریاضیات محاسباتی مورد استفاده قرار میگیرد، که فقط یک خوش شانس میتواند نتیجهٔ صحیح بگیرد. یک مثال کلاسیک، [[الگوریتم رابین]] است که برای آزمایش [[اول]] بودن اعداد مورد استفاده قرار میگیرد.
همچنین [[الگوریتم لاس وگاس]] نیز به همین موضوع میپردازد ولی با ایدهای متفاوت.
== زمینههای کاربرد مونت کارلو ==
* [[گرافیک]]، به طور خاص [[خط اثر پرتو]]
* عدم قطعیت در
* مدل سازی جا به جایی نور در [[رشتههای بیولوژیک]]
* مونت کارلو در اقتصاد
* [[مهندسی اطمینان]]
* در
* در تخقیقات تجهیزات [[نیم رسانا]]، برای مدل سازی جا به جایی [[حامل|حاملهای]] کنونی
* در [[محیط زیست]]، بررسی [[آلاینده|آلایندهها]]
* کاربرد مونت کارلو در [[فیزیک استاتیک]]
* در طراحی احتمالاتی برای
* در شیمی فیزیک، به طور خاص برای
* در علوم کامپیوتر:
** [[الگوریتم لاس وگاس]]
خط ۷۹:
** بازیها
* کاربردهای گسترده در [[فیزیک هستهای]]
=== ریاضیات ===
کاربرد روش مونت-کارلو در ریاضیات و آمار بسیار گستردهاست. با استفاده از این روش، با انتخاب تصادفی یک یا تعداد محدودی پاسخ از میان پاسخهای موجود، تلاش میشود تا به راه حل قابل قبولی دست یافت. این تکنیک زمانی ارزش پیدا میکند، که مجموعه آلترناتیوهای موجود برای پاسخ یک
==== انتگرال گیری ====
روشهای قطعی انتگرال گیری عددی به وسیله دریافت عدد نمونههای فاصله دار یکنواخت از یک تابع است. به طور کلی، این روش برای توابع یک متغیری بسیار خوب جواب میدهد. در حالی که برای تابعی از بردارها، [[روشهای تربیع قطعی]] بی تاثیراند. ه (مثلاً برای
برای انتگرال گیری عددی از یک تابع دو متغیره از [[بردار|بردارها]]، نقاط فاصله دار به صورت چهارخانه به طور مساوی روی صفحه دو [[بعد|بعدی]] مورد نیاز است.
برای نمونه یک صفحهٔ ۱۰x۱۰ نیاز به ۱۰۰ نقطه دارد. اگر بردار ما ۱۰۰ بعدی باشد،
روش مونت کارلو روشی را برای خروج از این [[رشد نمایی]] پیشنهاد میکند.
تا زمانی که تابع مورد
==== روشهای انتگرال گیری
* مدل نمونه برداری مستقیم
**
**
**
**
* [[راه تصادفی مونت کارلو]] شامل [[زنجیرهای مارکوو]]
**
* [[مدل سازی گیبس]]
سطر ۱۰۶ ⟵ ۱۰۸:
همچنین از کاربردهای عملی این روش در دانش شیمیفیزیک، میتوان به ساخت و بررسی مدل مولکولی اشاره نمود که به عنوان جایگزینی برای روش محاسباتی دینامیک مولکولی و شیمی کوانتومی مطرح میشود.
هدف اصلی روش مونت کارلو یا دینامیک مولکولی محاسبه خواص تعادلی یک سیستم است. در این روش پس از حصول اطمینان از بودن در حالت تعادل، با تغییر تصادفی موقعیت و جهت گیری ذرات موجود در سیستم، پیکربندیهایی از سیستم تولید میشود. منظور از پیکربندی مجموعهای از موقعیت و جهت گیری همهٔ ذرات در یک حالت از تمام حالتهای ممکن سیستم است. پیکربندی تولید شده در هر مرحله با احتمالی که توسط قوانین ترمودینامیک آماری تعیین میگردد، رد یا تأیید میشود. این احتمال به انرژی پتانسیل بین دو ذره بستگی دارد. در هر پیکربندی خاصیت ترمودینامیکی مورد نظر
مزیت این روش به دینامیک مولکولی، نیاز نداشتن به محاسبهٔ اندازه حرکت برای هر ذرهاست که باعث کاهش زمان محاسبات رابانهای میشود. از معایب این روش میتوان به دست نیاوردن اطلاعات راجع به دینامیک سیستم اشاره کرد.
=== اقتصاد ===
یکی از مهمترین کاربردهای روش مونت-کارلو، حل معادله موسوم به [[بلک-اسکولس]] در مورد مدل سازی بازار سهام دارای نرخهای تصادفی است. حل این معادله منجر به ساخت یک مدل [[
== جستارهای وابسته ==
* [[روش شبکه بولتزمن]]
== منابع ==
سطر ۱۱۷ ⟵ ۱۲۲:
{{پانویس}}
{{چپچین}}
* Arnaud Doucet, Nando de Freitas and Neil Gordon, ''Sequential Monte Carlo methods in practice'', [[
* P. Kevin MacKeown, ''Stochastic Simulation in Physics'', [[
* Harvey Gould & Jan Tobochnik, ''An Introduction to Computer Simulation Methods, Part ۲، Applications to Physical Systems'', [[
* C.P. Robert and G. Casella. «Monte Carlo Statistical Methods» (second edition). New York: Springer-Verlag, [[
* R.Y. Rubinstein and D.P. Kroese (۲۰۰۷). «Simulation and the Monte Carlo Method» (second edition). New York: John Wiley & Sons, ISBN 978-0-470-17793-8.
* Nicholas Metropolis, Arianna W. Rosenbluth, Marshall N. Rosenbluth, Augusta H. Teller and Edward Teller, «Equation of State Calculations by Fast Computing Machines» , Journal of Chemical Physics, volume ۲۱، p. ۱۰۸۷ (۱۹۵۳) ({{DOI|۱۰٫۱۰۶۳/۱٫۱۶۹۹۱۱۴}})
* N. Metropolis and S. Ulam, «The Monte Carlo Method» , Journal of the American Statistical Association, volume ۴۴، number ۲۴۷، pp. ۳۳۵–۳۴۱ (۱۹۴۹) ({{DOI|۱۰٫۲۳۰۷/۲۲۸۰۲۳۲}})
* Fishman, G.S. , (
* Judgement under Uncertainty: Heuristics and Biases, ed. D. Kahneman and A. Tversky,(Cambridge University Press, ۱۹۸۲)
* R. E. Caflisch, ''Monte Carlo and quasi-Monte Carlo methods'', Acta Numerica vol. ۷، Cambridge University Press, ۱۹۹۸، pp.
{{پایان چپچین}}
|