科学网

 找回密码
  注册

tag 标签: 随机行走

相关帖子

版块 作者 回复/查看 最后发表

没有相关内容

相关日志

多重分形随机行走模型简介
sanshiphy 2017-12-19 19:55
2018/8/29 更新 2018/8/30 更新 1 多重分形测度 1.1 Mandelbrot’s Multiplicative Cascade Model 1.2 对MMCM的推广 2 多重分形测度的性质 2.1 多重分形特征 2.2 关联函数的多重无标度特征 2.3 尾分布 3 多重分形随机行走 4 多重分形随机行走的性质 4.1 无关联MRW 4.2 长程相关MRW 5 MRW的概率密度函数 6 几种常见的多重分形随机行走模型 6.1 K41模型 6.2 对数正态模型 6.3 对数Poisson模型 7 MRW的数值模拟 7.1 模拟思路 7.2 Al(t)的碎片化 7.3 wl(t)的离散化 7.4 模拟实例(未完待续) 附件: mrw.pdf
个人分类: 学习笔记|4235 次阅读|0 个评论
球面上的布朗运动2--更简单的模拟方法
热度 1 zhongwei2284 2017-5-14 17:38
之前博文介绍过一种通过切平面模拟球面上的布朗运动的办法( 球面上的布朗运动 http://blog.sciencenet.cn/home.php?mod=spaceuid=739225do=blogid=1052159 ) , 除了这种方法之外,还有其他可以在球面上产生随机运动的方法吗?当然,其中有一种方法饶有趣味 ,我们都直到一维的圆可以通过一点与某固定点(圆心)组成的直线旋转 360 度得到,而二维球面可以利用某个圆旋转 180 度得到,那么球面也将是三维球体的赤道(三维的球到底会长成啥样??),赤道周围环绕着薄带(宽度为 E ),因而可以通过在三维球面上产生布朗粒子(已经有比较有效的办法),让产生的布朗粒子与薄带上的点对应起来,当取极限 E--0, 则得到了二维球面上的布朗运动情况了。当然,这里需要介绍的并不是这个先跑到三维球面再跑回二维球面的办法。 Fig.1 球坐标系示意图 我们都知道,二维的球面可以用球坐标系建立其角度与球面上的点的关系,即: x=rsinθcosφ y=rsinθsinφ z=rcosθ 对于单位球,半径为 1, 此时,只需要选择角度 theta 和 fai 随机变化,利用随机数,让 theta 和 fai 和平面上的 x , y 一样。当考虑二维平面的随机行走时,粒子有四种选择,分别是向上( 0,1 ),向下( -0,-1 ),向左( -1,0 ),向右( 1,0 。此时的 theta 和 fai 同样可以有类似的组合,即考虑粒子的下一步是向东走一步,或者向西,或者向北,或向南。 每次的结果位置做为新的起点位置重复此上面的操作。最终可以得到球面上的布朗运动的轨迹如 Fig.2 所示: Fig.2 球面上的布朗运动。图中, 1 为 t=4000 此的结果, 2 为 t=40000 此的结果, 3 为 t=200000 此的结果, t 为布朗粒子运动的步数(或称之为时间) 对于二维平面上的布朗运动,我们都知道在无其他干扰的情况下,是属于正常扩散的,即布朗粒子的均方位移( meansquare displacement )随着时间 t 的关系为 r^2~ t 1 其中 是求平均。 通过计算,可以得到此时的球面上布朗粒子的运动的均方位移与时间的关系见 Fig.3, Fig.3 球面上的布朗粒子的均方位移与时间的关系 啊哈,看来球面上的布朗粒子依然是正常扩散! 那么问题来了,如果球面上的布朗运动可以通过这种方法产生,那切平面的办法还有必要吗?当然,切平面的方法可以对任意的曲面都适用呢!一般情况,曲面上的点总是可以得到切平面的,如果要考虑凹凸不平的曲面上的布朗粒子的运动,我们只能用类似于切平面方法的方法了。 注1:本文只是对上篇博文(球面上的布朗运动 http://blog.sciencenet.cn/home.php?mod=spaceuid=739225do=blogid=1052159) ) 的一个补充。 注2:Fig. 1 来自网络 Reference: T. Carlsson, T. Ekholm, and C. Elvingson, “Algorithm for generating a Brownian motion on a sphere,” J. Phys. A: Math. Theor. 43 , 505001-1–10 (2010).
个人分类: 那些贝壳们|8856 次阅读|1 个评论
大自然中的蒙特卡罗模拟(一)
热度 5 zhongwei2284 2017-2-14 05:08
第一节:随机行走(以二维做为为例子) 大自然中许多运动过程都是随机的,最为我们所熟知的是布朗运动,小的花粉颗粒在水中,由于受到了随机的作用力而在水中进行着随机行走,除此之外,随风飘零的落叶,蚂蚁在找寻食物,动荡的股票,甚至醉酒的路人的走路等等都是随机过程。 图1:醉酒者进行随机行走 大自然中充满了那么多的随机运动,为了了解它们更加深刻的美丽,我们需要学习如何研究它们,其中一个办法便是蒙特卡罗模拟。蒙特卡罗模拟是先对研究对象进行仔细的分析,然后产生一系列随机数,并建立所需要研究问题的模型,进行多次随机实验,让我们需要了解的物理量是模型中的某些量的平均值或者和这个平均值有关的量,进行分析和计算。 回到随机行走的话题,关于随机行走,可以分为三类,第一类是简单的随机行走(random walk),假如有一个灰尘粒子,在空气中做随机行走,不考虑重力的影响,灰尘向各个方向运动的几率都是一样的,如在二维空间中,粒子有四种选择,即上下左右,每个方向的概率都是0.25,此时我们关注的物理量如r^2(r是n个步长之间的距离)就可以利用计算模拟得到r^2~x1,x为n个步长。结果如图2,图3所示: 图2:简单抽样的随机行走,不同的颜色代表不同的时间段粒子的行走路线。 图3:(上)简单的随机行走的x,y随着时间的变化的结果;(下)n个步长的距离与n个步长之间的关系 当粒子变得更聪明了,即有了简单的记忆之后,就可以变成更加复杂一点的随机行走,例如人走路,每一步会时而左,时而右,总体方向朝前,几乎不会原地连身体都不转一下就朝后行走(除非有目的的朝后走),又例如,一款经典的小游戏—贪吃蛇中,蛇可以向前,向上,向下行走,但是,它不能直接向后,即此时随机行走有了一定的记忆性,它记住前一步的位置并避免朝回走(non-reversal random walk)。这种随机行走在模拟中有两种不同的方法,第一种是在粒子做选择的时候,依然朝四个方向的几率相同,当选择到了前一步的位置的时候,则进行重新选择,直到朝其他方向走去为止,此时每进行一次选择,都需要判断是否是前一个位置,如果是重选,如果否,则新的位置变成了前一步,继续往前做新的判断和选择;第二种办法就是记住前一步的具体位置,直接排除这个位置,只在三个方向中进行选择,每走一步,把该位置记住,下一次直接排除它。两种办法虽略有不同,但是结果是相同的即反映出来的规律是一样的,如图4,图5所示: 图4:两种不同的方法的不返回随机行走。上边是第一种办法即每次四种选择,若选择了前一步的位置则重新选择,下边的是第二种方法即先记住上一步的位置每次做选择只有三种可能。 图5:不同的方法得到的不原地折返的随机行走的r^2,x^2,y^2的规律 图4两张图只能反映粒子的轨迹,看上去似乎两种方法结果不同,但是这仅仅是表面看到的结果,实际上从图5可以看到,实际上两种方法得到的结果是相同的。 那么进一步,当粒子不仅仅能够记住之前的一步的位置,而是此时,粒子的记忆力增强了,它记住了自己走过的所有地方,由于一种特殊的爱好,这个粒子只喜欢新鲜的没有走过的位置,即每次粒子都不能够再走那些它走过的地方。此时称之为自回避随机行走(self-avoiding random walk),这个时候,粒子变得挑剔,也正是因为这样,往往会把自己陷入死胡同,因而,如果用简单的抽样办法,粒子的行走很快就会因为自己的特殊爱好而终结即无路可走了,如图6所示,如何解决这个问题呢?这将在下次介绍。 图6:自回避随机行走的结果,粒子从(0,0)点出发,经过六十多步之后,行走便终止了。 第二节:DLA模型与大自然中的奥妙 当了解了随机行走,我们会发现还有很多其他现象与之有关,例如一个著名的随机模型:DLA(Diffusion Limited Aggregation)模型。该模型最早是用来解释粉尘的沉积与静电击穿中产生的美丽花纹的。它让我们感受到了那些深层的美丽,即使这个模型本身并未加入过多的物理因素,但也正因如此,它得以在许多不同学科中被运用。 假如我们有一个粒子,把它当作一个核(也称为种子),而在离核有一段距离的地方(选在某个圆环上的某处)产生一个粒子,让粒子进行随机行走,如果粒子走出了圆环,则将其抛弃,如果粒子接触到了中间的核,则加入它称为它的一部分,然后再产生一个新的粒子,进行重复以上过程。当产生了足够多的粒子之后,美丽的花纹便出现了。 图7:DLA模型中粒子聚集产生的花纹 如果它仅仅只是美丽的,那事情就该结束于此了,毕竟,许多人用计算机可以绘画出许多惊人的图片,然而,DLA模型的结果与大自然中或者实验室中的许多现象如细胞的凝聚生长,化学中的凝聚,物理中的静电击穿等等惊人的相似,并且它们的过程也很像,DLA模型为我们研究其他现象提供了计算模拟的办法,此时不得不提及该花纹与分形的联系,这个美丽的花纹和许多分形的图案一样,是分形的,可以计算分形位维数,有兴趣的可以去进一步了解。 图8:实验中的观察到的DLA花纹。 第三节:玻璃上的冰花,落在上面的雪与冰在水中的生长 图9:(上)落在车窗上的雪;(下)玻璃上的冰花 。 图10:冰在水中的生长。 大自然总是充满了美好与神秘,如玻璃上的冰花,落在车窗上面的雪与冰在水中的生长,它们是如此的美丽,而从某种角度来看,它们又可以看作是一种随机过程,以雪花落在竖直的车窗为例,雪花在空中飞舞,由于重力的作用,雪花朝下的几率比较大,但是风带来的扰动让雪花依然可以朝左右甚至向上运动,而风是随机的,因而落在窗户上的位置因该也是随机的,但是长时过后,许多雪花晶体的飘落在车窗,竟然呈现出的是一种有规律并非完全覆盖车窗的结果,似浪潮又似网格式的排列,实在太美! 为了模拟类似的景象,假如考虑二维的情况,让一个粒子在二维网格的中间出发进行随机行走,当粒子接触两边的边界或者接触到其他粒子的时候,粒子停止不动,加入其他粒子或者自己变成了一个新的核,得到了图11的结果。 图11: 粒子在中间开始随机行走 大自然总是充满了各种奥秘,如果你想去发现它,那就停下脚步,去细细品味其中的美与乐趣吧! Reference: James P. Sethna,Statistical Mechanics:Entropy, Order Parameters, andComplexity,Oxford University Press,2006. http://all-free-download.com/free-photos/download/ice-flowers-glass-window_274167.html K.Binder,D.W.Heermann, Monte Carlo Simulation in Statistical Physics(5th),Springer, 2006. 最后,有几张生活中的小图片与大家分享:
个人分类: 那些贝壳们|16096 次阅读|6 个评论
醉汉,赌徒和爱因斯坦
热度 1 songshuhui 2011-2-23 12:28
沐右 发表于 2011-02-18 13:53 1905 年是值得物理学界记住的一年。这一年爱因斯坦发表了五篇学术论文,每一篇都起码是一个里程碑式的工作。除了著名的狭义相对论、光电效应之外,有一篇题为 《关于热的分子运动论所要求的静止液体中悬浮小粒子的运动》的文章 ,主要研究了布朗运动的规律。布朗运动得名于英国的植物学家劳伯 . 布朗( Robert Brown ), 他在 1827 年发现悬浮于水中的花粉颗粒会做连续快速的不规则移动。后来物理学家将这种运动形式称为随机行走( random walk )。进行这种运动,就象打醉拳一样,每一步的方向都飘忽不定,完全随机 (见下图) 。统计物理的实验和理论都告诉我们,起始于同一点的随机行走在一段时间之后位于任何方向的可能性都是一样的,而且平均远离起始点的距离正比于时间的平方根。随机行走这个物理问题和醉汉、赌徒都有关系,和网络搜索引擎(比如 Google )也有关系,在很多领域都有着重要的应用。 随机行走轨迹图 在讲述随机行走的理论的时候,物理学家们常用醉汉作为例子。平直的说,这里的醉汉是指喝到不知东南西北又尚可以行动的“理想醉汉”。在书呆子看来,这样的比喻易于想象又富有趣味。这样的一个理想醉汉的行走轨迹就是完全的随机行走。前面提到的统计物理实验和理论的结果可以这样理解: 醉汉走了 25 步之后,很有可能只移动了相当于清醒状态下 5 步的距离,并且移动的方向也是“一切皆有可能”。因此,我们应该可以理解在日常生活中,醉汉自己能够从酒馆成功回到家的可能性是很低的,而且离家越远几率越低 , 即使能回到家 , 花的时间也会远超过正常所需:屡见不鲜的醉汉栖息于花圃、出租车等地的报道也就不足为怪了。 再来看看赌徒的问题。 如果赌场和赌徒之间的博弈是一个公平的游戏,那么赌徒获胜的可能性有多大?可能每一个成功或者不成功的赌徒对这个问题都有他们各自不同的看法。也可能更多的人出于实际的考虑对这个问题的合理性有着质疑。但是,作为起始于赌徒和赌场间激动人心小游戏的一门学科,统计物理利用随机行走的结果对这个问题有着科学的回答。 让我们把这个游戏描述的再清楚一点:如果有两个赌徒,甲赌徒有 A 块钱,乙赌徒有 B 块钱,他们之间进行一个公平的游戏,每次各有 50% 的几率赢,每次输家给赢家一块钱,不到一方输光所有的钱不停手,那么各自获胜的几率是多少?这个问题可以等效为一个一维的随机行走问题,就像下图表现的那样:行走在一条笔直街道上的醉汉,甲赢一次则代表醉汉向右走一步,乙赢一次则向左走一步,从左边或者右边离开的几率各是多少?计算的过程比较复杂,但是结果很简单,甲和乙各自获胜的几率比是 A : B 。因此,如果一个赌徒拿着 100 块钱去和有着 900 块钱的赌场进行这种公平的游戏,那么赌徒有 10% 的可能性获胜。那么实际的情况呢?赌场和赌徒的钱数差别比这大得多,赌徒获胜的希望微乎其微。 理性的赌徒或许会给自己设定一个合理的目标,比如自己有100块的话,赢50块就收手。那么,赌徒和赌场的输赢几率比就是2:1,将会是一个不亏不赚的结果。但是,考虑到赌场一般会从赌徒赢的钱里面抽头,赌徒总是会亏的。 更别提赌场可以通过规则的设定,以及辅助于各种原始的或者高科技的小技巧改变游戏的公平性。幻想从赌场赚钱的人可以回家反省了。 赌徒问题和一维随机行走 听说过一个八卦,说是有一年的美国物理年会是在拉斯维加斯召开的。拉斯维加斯提供了非常好的服务 –毕竟是专业的服务场所么。然后晚上的时候物理学家们就去赌场了。出乎赌场意料的是,物理学家们只观战不下场,结果年会期间拉斯维加斯的赌场损失了一大笔钱,很不高兴。然后美国物理年会就再也没能在那里举行过。讲这个故事的,是一个做统计物理的教授。为什么统计物理的教授不去赌钱呢?因为他们怕输,而且知道自己必输无疑! 随机行走在很多领域里都有重要的应用,我们简单举几个例子:在生态学中 , 它被用来模拟生物个体的移动和种群的数量变化;化学家用它的结果来研究聚合物的性质;计算机学家用它来估计因特网的大小。另外一个有名的例子就是 Google 的网页排名: Google 备份了整个因特网 , 在上面随机地放了很多很多由电脑控制的小程序,称为虚拟访问者( random surfer ), 这些访问者随机的选择所在网页的某一个链接,跳到另外的网页上去,同时,电脑程序记录下来每个网页被访问者“访问”的次数。如果把每个网页看成一个点,网页之间的链接用连接两个点的线表示,那么虚拟访问者就在这个网络里做着随机行走。一个网页被其他的网页链接得次数越多,就有越高的可能性被访问,在网络里 也越重要。这样,被访问的次数越多就说明了网络对这个页面的关注越大,因此网页的排名就可以通过虚拟访问者的随机访问而计算出来了(参考阅读 : flyheller的《 google炸弹,你玩过了么? 》 )。 . Einstein, Albert ; R. Fürth, transl. by A. D. Cowper (1926, reprinted in 1956). “On the Movement of Small Particles Suspended in a Stationary Liquid Demanded by the Molecular-Kinetic Theory of Heat” . 感谢 水龙吟 、 四月 、 圆儿 、 Fujia 、拇姬、 候戏 、 Albert_JIAO 、 Ent 、 小庄 和 游识猷 对本文的帮助。
个人分类: 数学|1311 次阅读|0 个评论

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-4-27 13:58

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部