Microsoft PowerPoint METODA MONTE CARLO tryb zgodno 234ci (1)

background image

METODA MONTE-CARLO

METODA MONTE-CARLO

MAREK NAWALANY

MAREK NAWALANY

PW

PW

background image

METODA MONTE-CARLO

METODA MONTE-CARLO

• Prosty przykład

• Prosty przykład

• Historia

• Definicja

• Generatory liczb pseudo-losowych

• Generatory liczb pseudo-losowych

• Liczenie całek

• Liczenie całek

• Rozwiązywanie równań eliptycznych

• Rozwiązywanie równań eliptycznych
i parabolicznych

i parabolicznych

background image

METODA MONTE-CARLO

METODA MONTE-CARLO

• Modelowanie struktury cieczy

• Modelowanie struktury cieczy

• Projektowanie zbiornika retencyjnego

• Projektowanie układów o wysokiej

niezawodności

niezawodności

• Symulacja ruchu drogowego

• Symulacja ruchu drogowego

• Symulacja eksperymentów

• Symulacja eksperymentów

• Określenie strefy oddziaływania

• Określenie strefy oddziaływania

background image

M M-C [Prosty przykład]

M M-C [Prosty przykład]

2

π

π

=

=

Ο

r

S

4

π

π

=

=

=

Ο

kw

S

r

S

4

/

π

=

Ο

Ο

S

N

4

/

π

=

Ο

Ο

kw

kw

S

S

N

N

N

Ο

=

4

π

kw

N

N

Ο

=

4

π

background image

M M-C [Historia]

M M-C [Historia]

Bacon XVIIw – igła Bacona =>

π

Bacon XVIIw – igła Bacona =>

π

E. Fermi 1930 – „Fermiac”(mechaniczne
urządzenie) => symulacja dyfuzji neutronów

urządzenie) => symulacja dyfuzji neutronów

W.von Neumann i St. Ulam 1940 => gen.

W.von Neumann i St. Ulam 1940 => gen.
liczb losowych + metoda odwrotnej
dystrybuanty+zastosowanie komputera +

dystrybuanty+zastosowanie komputera +
MC => masa krytyczna reaktora

MC => masa krytyczna reaktora

Rao 1940 – „proces urodzin” jako gen.
liczb losowych

background image

M M-C [Definicja]

M M-C [Definicja]

Metody Monte Carlo stanowią

klasę algorytmów

wykorzystujących

wykorzystujących

losowe próbkowanie w celu

losowe próbkowanie w celu

policzenia rezultatu.

policzenia rezultatu.

background image

M M-C [Definicja]

M M-C [Definicja]

Są szczególnie przydatne

Są szczególnie przydatne
do symulowania układów
lub procesów o dużej

lub procesów o dużej
złożoności (np. cieczy,

złożoności (np. cieczy,
gazów, ośrodków
porowatych) gdy metody

porowatych) gdy metody
deterministyczne okazują

deterministyczne okazują
się niemożliwe do
zastosowania.

zastosowania.

background image

M M-C [Gener. liczb pseudo-losowych(2a)]

M M-C [Gener. liczb pseudo-losowych(2a)]

Ciąg liczb pseudo-losowych o rozkładzie

Ciąg liczb pseudo-losowych o rozkładzie
równomiernym w przedziale (0,1) powstaje w
wyniku stosowania

wyniku stosowania
g e n e r a t o r a kongruencyjnego:

r

i+1

= (ar

i

+ c) mod m ,(i=0,1,...)

r

i+1

= (ar

i

+ c) mod m ,(i=0,1,...)

r

0

- seed

gdzie a = 69069, c = 0, m = 2

32

;

o k r e s T

∼∼∼∼

2

32

o k r e s T

∼∼∼∼

2

32

background image

M M-C [Gener. liczb pseudo-losowych(2b)]

M M-C [Gener. liczb pseudo-losowych(2b)]

Ciąg liczb pseudo-losowych o

Ciąg liczb pseudo-losowych o
rozkładzie równomiernym w przedziale
(0,1) powstaje w wyniku stosowania

(0,1) powstaje w wyniku stosowania
g e n e r a t o r a Fibbonaciego:

g e n e r a t o r a Fibbonaciego:

r

= (r

+ r

) mod m ,(i=55,56,...)

r

i+1

= (r

i-24

+ r

i-55

) mod m ,(i=55,56,...)

r

0

,r

1

,...,r

55

- seed

r

0

,r

1

,...,r

55

- seed

gdzie m = 2

32

; o k r e s T

∼∼∼∼

2

32

(2

55

-1)

gdzie m = 2

32

; o k r e s T

∼∼∼∼

2

32

(2

55

-1)

background image

M M-C [Gener. liczb pseudo-losowych(3)]

M M-C [Gener. liczb pseudo-losowych(3)]

γ

1

= µ

3

3

γ

1

= µ /σ

γ

2

= µ

4

4

- 3

background image

M M-C [Gener. liczb pseudo-losowych(4a)]

M M-C [Gener. liczb pseudo-losowych(4a)]

)

2

/

exp(

2

1

)

1

,

0

;

(

6

2

12

x

x

N

r

X

i

−−−−

====

≈≈≈≈

−−−−

====

ππππ

)

2

/

exp(

2

)

1

,

0

;

(

6

1

x

x

N

r

X

i

i

−−−−

====

≈≈≈≈

−−−−

====

====

ππππ

)

2

/

]

[

exp(

2

1

)

,

;

(

~

2

2

σ

µ

σ

σ

µ

µ

σ

Π

=

+

=

x

x

N

X

X

2

σ

Π

background image

M M-C [Gener. liczb pseudo-losowych(4b)]

M M-C [Gener. liczb pseudo-losowych(4b)]

background image

Dygresja - UWAGA

Dygresja - UWAGA

background image

M M-C [Liczenie całek ]

M M-C [Liczenie całek ]

f

f

background image

M M-C [Rozwiązywanie r. eliptycznych i

parabolicznych (1)]

Równanie transportu masy (1D)

)

t

,

x

(

C

)

t

,

x

(

C

)

t

,

x

(

C

∂∂∂∂

∂∂∂∂

∂∂∂∂

∂∂∂∂

S

x

)

t

,

x

(

C

v

)

x

)

t

,

x

(

C

D

(

x

t

)

t

,

x

(

C

±±±±

∂∂∂∂

∂∂∂∂

−−−−

∂∂∂∂

∂∂∂∂

∂∂∂∂

∂∂∂∂

====

∂∂∂∂

∂∂∂∂

Rozwiązanie (dla S = 0) ma postać (*)

x

x

x

t

∂∂∂∂

∂∂∂∂

∂∂∂∂

∂∂∂∂

Rozwiązanie (dla S = 0) ma postać (*)









αααα

−−−−

−−−−

πα

πα

πα

πα

====

vt

4

)

vt

x

(

exp

vt

4

An

M

)

t

,

x

(

C

2











αααα

−−−−

πα

πα

πα

πα

====

vt

4

exp

vt

4

An

)

t

,

x

(

C

L

L

ef

background image

M M-C [Rozwiązywanie r. eliptycznych i

parabolicznych (2)]

Interpretacja probabilistyczna

rozwiązania (*)

(dla ustalonej chwili czasu t): stężenie ma

(dla ustalonej chwili czasu t): stężenie ma
rozkład Normalny o parametrach

vt

2

oraz

vt

αααα

====

σσσσ

====

µµµµ

Rozkład taki można uzyskać wprowadzając N

vt

2

oraz

vt

L

αααα

====

σσσσ

====

µµµµ

Rozkład taki można uzyskać wprowadzając N
cząstek o masie M/N w chwili t = 0 do ośrodka
porowatego w punkcie startowym x = 0 a

porowatego w punkcie startowym x

0

= 0 a

następnie rozważając losowe przemieszanie się

background image

M M-C [Rozwiązywanie r. eliptycznych i

parabolicznych (3)]

każdej z tych cząsteczek w kolejnych
przedziałach czasu o

t

∆∆∆∆

przedziałach czasu o

oraz rejestrując dla wybranych chwil czasu

t

∆∆∆∆

t

v

2

X

t

v

x

L

∆∆∆∆

αααα

++++

∆∆∆∆

====

∆∆∆∆

oraz rejestrując dla wybranych chwil czasu
(technicznie, dla chwil t

i

= i*

t, i=1,...) ich

(technicznie, dla chwil t

i

= i*

t, i=1,...) ich

położenie w ustalonych przedziałach przestrzeni
(x

k

, x

k

+h), gdzie h- krok siatki przestrzennej.

(x

k

, x

k

+h), gdzie h- krok siatki przestrzennej.

Dla dostatecznie dużego N rozkład cząstek w
siatce zbiega do rozwiązania (*)

siatce zbiega do rozwiązania (*)

background image

M M-C [Modelowanie struktury cieczy]

M M-C [Modelowanie struktury cieczy]

((((

))))

4

)

dr

r

,

r

(

m

)

r

(

3

++++

====

ρρρρ

((((

))))

]

r

dr

r

[

3

4

3

3

−−−−

++++

ππππ

r

N

dr

r

r

N

r

)

,

(

)

(

++++

≈≈≈≈

ρρρρ

ρρρρ

r

dr

r

++++

o

o

N

ρρρρ

r

ρ

)

(

o

r

ρ

ρ

)

(

1

r

background image

M M-C [Projektowanie zbiornika retencyjnego]

M M-C [Projektowanie zbiornika retencyjnego]

µ

(V)

µ

(V)

Y

X

V

Y

X

Y

V

V

Y

Y

X

Y

o

X

x

1

x

2

background image

M M-C [

Symulacja eksperymentów FTT-1

]

M M-C [

Symulacja eksperymentów FTT-1

]

r

[

]

j

j

m

r

j

m

j

j

j

p

p

m

r

n

m

P

+

+





=

)

(

1

)

(

)

|

(

]

exp[

1

)

(

n

V

p

j

j

=

+

Figure 6.1 P.d.f gamma

λ

λ

λ

n

ne

n

g

=

2

)

,

(

Figure 6.1 P.d.f gamma

3,00E-01

3,50E-01

4,00E-01

5,00E-02

1,00E-01

1,50E-01

2,00E-01

2,50E-01

3,00E-01

p

d

f

lambda = 1.0

lambda = 0.5

0,00E+00

5,00E-02

1

6

1

1

1

6

2

1

2

6

3

1

3

6

4

1

4

6

x

background image

M M-C [

Symulacja eksperymentów FTT-2

]

M M-C [

Symulacja eksperymentów FTT-2

]

Uniform p.d.f.

Gamma p.d.f.

j

m

j

M-C

Theory

δδδδ

%

M-C

Theory

δδδδ

%

0

0,01002

0,01000

0,20000

0,00060

0,00060

0,00000

1

0

0,01002

0,01000

0,20000

0,00060

0,00060

0,00000

1

0,02005

0,02000

0,25000

0,00330

0,00330

0,00000

2

0,97100

0,97000

0,10309

0,99610

0,99600

0,01004

2

0

0,09990

0,10000

0,09595

0,03980

0,04000

0,50000

1

0,19734

0,19731

0,01520

0,14260

0,14220

0,28129

2

0,70214

0,70269

0,07827

0,81760

0,81770

0,01223

2

0,70214

0,70269

0,07827

0,81760

0,81770

0,01223

background image

M M-C [Różne]

M M-C [Różne]

1. Projektowanie układów o
wysokiej niezawodno
ści

wysokiej niezawodności

2. Symulacja ruchu drogowego

3. Określenie strefy oddziaływania

3. Określenie strefy oddziaływania

background image

METODA MONTE-CARLO

METODA MONTE-CARLO

Dziękuję za uwagę.

Dziękuję za uwagę.


Wyszukiwarka

Podobne podstrony:
Microsoft PowerPoint SYSTEMY I PROJEKTY W OCHRONIE SRODOWISKA tryb zgodno 234ci
(Microsoft PowerPoint Matematyka Farmacja [tryb zgodno 234ci])
Microsoft PowerPoint PODEJMOWANIE DECYZJI W WARUNKACH NIEPEWNOSCI tryb zgodno 234ci (1)
Probabilistyczna ocena niezawodności konstrukcji metodami Monte Carlo z wykorzystaniem SSN
06 Metoda Monte Carlo 25 06 2007id 6332 ppt
Probabilistyczna ocena niezawodności konstrukcji metodami Monte Carlo z wykorzystaniem SSN
Probabilistyczna ocena niezawodności konstrukcji metodami Monte Carlo z wykorzystaniem SSN
metoda monte carlo
Obliczanie całek oznaczonych metodą Monte Carlo
Microsoft PowerPoint IP5 klasyfikacje tryb zgodnosci
Microsoft PowerPoint IP tryb zgodnosci
Microsoft PowerPoint IP5 bazydanych tryb zgodnosci
Microsoft PowerPoint IP5 klasyfikacje tryb zgodnoscib
Microsoft PowerPoint IP4 budowaopisu tryb zgodnosci
Microsoft PowerPoint IP5 bazydanych [tryb zgodnosci]

więcej podobnych podstron