蒙特卡洛方法

蒙特卡洛方法（Monte Carlo Method）是一类通过大量随机采样来近似求解复杂确定性或随机性问题的计算方法。其核心哲学是"用随机性解决确定性"，被公认为20世纪对科学与工程实践产生最大影响的十大算法之一。

历史起源

1946年，斯塔尼斯拉夫·乌拉姆在病床上玩单人纸牌游戏时，偶然产生了通过大量随机采样来估算复杂概率的灵感。他与约翰·冯·诺依曼合作，利用ENIAC计算机成功运行了人类历史上第一个全自动蒙特卡洛计算程序，用于模拟中子在裂变材料中的扩散与碰撞。项目由尼古拉斯·梅特罗波利斯命名为"蒙特卡洛"（摩纳哥赌城）。

数学原理

蒙特卡洛方法的数学基石是大数定律：当随机试验次数足够多时，样本平均值依概率收敛于数学期望。其基本步骤为：

构建概率模型，将待求的复杂确定性数值转化为某个随机事件的期望或概率
通过计算机生成大量随机样本
统计样本的均值作为真实值的近似

经典例子：通过"扔飞镖"估算圆周率π——在正方形内随机投点，统计落在内切圆内的比例，乘以4即得π的近似值。

核心优势：对抗维数灾难

蒙特卡洛方法最突出的优势在于其误差收敛速度O(1/√N)与问题维度d完全无关。相比之下，传统网格法的计算量随维度呈指数增长（10^d）。在高维问题（如金融衍生品定价、分子动力学模拟）中，蒙特卡洛方法成为人类唯一可行的计算手段。

进阶演化：MCMC

经典蒙特卡洛方法在复杂高维分布上采样效率低下。1953年Metropolis提出的Metropolis算法（后由Hastings推广为Metropolis-Hastings算法）开创了**马尔可夫链蒙特卡洛（MCMC）**时代。MCMC通过构建一条马尔可夫链，使其平稳分布等于目标分布，实现"有记忆的探险家"式高效采样。

应用领域

金融工程：衍生品定价、风险价值（VaR）计算
统计物理与分子动力学：材料相变模拟、蛋白质折叠
贝叶斯AI与机器学习：后验概率计算、粒子滤波
计算机图形学：蒙特卡洛光线追踪，电影特效渲染
运筹学：供应链优化、航空公司超售决策

关联

[[大数定律]] — 数学基石
[[维数灾难]] — 核心优势的解释
[[马尔可夫链蒙特卡洛]] — 进阶演化
[[Metropolis-Hastings算法]] — MCMC的经典算法
[[蒙特卡洛光线追踪]] — 图形学应用
[[粒子滤波]] — 序贯蒙特卡洛方法
[[科学计算]] — 所属领域
[[数字孪生]] — 关键技术