利用Monte Carlo进行数值积分（二）

本文主要是介绍利用Monte Carlo进行数值积分（二），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

进步空间很大的算法版本

话说去年6月的一个周六，我很无聊地发了一个帖子，写了一个自己感觉有点无聊的帖子。

Matlab多重积分的两种实现【从六重积分到一百重积分】https://withstand.blog.csdn.net/article/details/127564478

这个帖子居然成了我这种懒人随性瞎写的博文中阅读量、收藏量和评论量最多的一个。

很多人对我不写说明，不写例子提出了意见，开头我写的那个代码里面还有一个小问题。

时隔7个月之后，我抽出一点时间来看这个算法，发现问题简直是大大的。

function ret = integral6mc(fun, lb, ub, N)% fun是被积分的函数% lb和ub是积分变量的范围，每个都是六维数组% N MC采样的数目，一般取个几千、几万试一下差不多就行V = prod(abs(ub-lb)); % 计算超立方体的体积，向量化计算每一个维度的长度（绝对值），求所有维度的乘积n = length(lb); % 维数sample = (ub-lb) .* rand(N, n) + repmat(lb,N,1); %产生一个Nxn的随机数组，然后转换到lb~ub的范围，repmat函数是复制矩阵，把行向量复制程Nxnsample_arguments = num2cell(sample, 1);% 把上面的Nxn矩阵换成按列排列的cell（n个元素）results = cell2mat(arrayfun(fun, sample_arguments{:}, 'UniformOutput', 0));%调用被积函数，被积函数的参数有n个，把cell展开（{:}操作），这里arrayfun得到的是cell，再合并成mat，就是N个结果的向量ret = sum(results) * V / N; % 这是MC的核心算法，乘以体积除以样本数

丑陋的'UniformOutput'以及为什么

首先，这里很无聊的搞了cell2mat，以及'UniformOutput', 0的参数，都是因为没仔细考虑，瞎写的。

这里的核心问题是什么呢？是arrayfun这个函数。

这个函数和并行比如parfor这些没关系，是一个单线程的函数，就是把第一个参数（一个函数句柄）逐次应用到后续参数的每一个对应的元素上去。

这里其实有一个小小的问题，是一位强迫我写一个例子的网友提出来的，很对。

f = @(x, y) x * y

这个函数有两个参数，我们可以看到，如果x和y都是标量（一个数字），这个函数没啥问题。如果x,y是两个size一样的向量或者矩阵或者高维矩阵，那么他计算的就不是简单的乘法。只所以我前面调用arrayfun的过程中，需要设置输出可能不一致，就是因为我的目标函数没有写按元操作。

在采用arrayfun的时候，我们应该给出如此的约束，目标函数是一个按元操作的函数，也就是，上面的函数应该写成：

f = @(x, y) x .* y

这个问题在我原来用的matlab版本中貌似是个问题，但是今天我更新了matlab，看起来没啥问题了，那种写法都是可以的，最终的计算时间也是相当的，看起来就是arrayfun的内部没有做任何向量化的计算。这个实际上很奇怪，我感觉应该是优化到采用向量化的cpu指令来计算会比较合理……

更好的版本

在这个条件下，我们的mc函数就能够写成：

function ret = mci(fun, lb, ub, N)% fun是被积分的函数% lb和ub是积分变量的范围，每个都是六维数组% N MC采样的数目，一般取个几千、几万试一下差不多就行V = prod(abs(ub-lb)); % 计算超立方体的体积，向量化计算每一个维度的长度（绝对值），求所有维度的乘积n = length(lb); % 维数sample = (ub-lb) .* rand(N, n) + repmat(lb,N,1); %产生一个Nxn的随机数组，然后转换到lb~ub的范围，repmat函数是复制矩阵，把行向量复制程Nxnsample_arguments = num2cell(sample, 1);% 把上面的Nxn矩阵换成按列排列的cell（n个元素）results = arrayfun(fun, sample_arguments{:});ret = sum(results) * V / N; % 这是MC的核心算法，乘以体积除以样本数

这里依然有同样的问题，就是num2cell，这个部分利用matlab把函数的多个参数当成cell的调用惯例，也可以写成：

function ret = mci(fun, lb, ub, N)% fun是被积分的函数% lb和ub是积分变量的范围，每个都是六维数组% N MC采样的数目，一般取个几千、几万试一下差不多就行V = prod(abs(ub-lb)); % 计算超立方体的体积，向量化计算每一个维度的长度（绝对值），求所有维度的乘积n = length(lb); % 维数sample = (ub-lb) .* rand(N, n) + repmat(lb,N,1); %产生一个Nxn的随机数组，然后转换到lb~ub的范围，repmat函数是复制矩阵，把行向量复制程Nxnsample_arguments = cell(n, 1);for i = 1:nsample_arguments{i} = sample(:,i);endresults = arrayfun(fun, sample_arguments{:});ret = sum(results) * V / N; % 这是MC的核心算法，乘以体积除以样本数

这两个函数是一毛一样的，用for循环和用num2cell带来的差别微乎其微。

一点点例子以及profile

一维的无聊例子

先搞一个一点也不excited的例子。

$f(x) = x$

定积分

$\int_a^b f(x) = \left.\frac{1}{2}x^2\right|_a^b$

如果a=0, b=1，积分结果为0.5。

f = @(x) x;n = round(logspace(2, 6, 50)); //必须保证是整数results = arrayfun(@(N)mci(f, lb, ub, N), n);figuresemilogx(n, results, 'x');hold onsemilogx([100, 1e6], [0.5, 0.5])xlabel("N");ylabel("\int_0^1 x dx")print -dpng -r300 convergencefigureloglog(n, abs(results-0.5), '+')xlabel("N")ylabel("\sigma")print -dpng -r300 sigma

收敛的结果如图：

误差的loglog图：

二维的略微不那么无聊例子

下面还一点点稍微不无聊一点的。

$f(x, y) = x y$

积分：

$\int_a^b\int_c^d f(x, y) dx dy = \left.\frac{1}{2}x^2\right|_a^b \left.\frac{1}{2}y^2\right|_c^d$

积分代码：

f = @(x,y) x * y;n = round(logspace(2, 6, 50)); //必须保证是整数results = arrayfun(@(N)mci(f, lb, ub, N), n);figuresemilogx(n, results, 'x');hold onsemilogx([100, 1e6], [0.25, 0.25])xlabel("N");ylabel("\int_0^1\int_0^1 x y dx dy")print -dpng -r300 convergencefigureloglog(n, abs(results-0.25), '+')xlabel("N")ylabel("\sigma")print -dpng -r300 sigma

收敛速度：

误差结果：

2维的情况下很快就收敛到3位小数（10000次采样）。

100维的例子

我们弄一个100维的简单函数.

$f(x_1, x_2, \ldots, x_{n}) = \sum_{i=1}^{n} x_i^2$

在 $[0,1]^n$ 区间积分的真值是 $n \times 0.33333333\ldots$ 。

对应的代码：

function ret = fn(varargin)n = length(varargin);vars = zeros(n, 1);for i=1:nvars(i) = varargin{i};endret = sum(vars .^ 2);

对应的收敛性代码。

N = 100;true_value = N * 1.0 / 3.0;lb = zeros(1, N); %这里必须是1 * N， 而不是N * 1ub = ones(1, N);n = round(logspace(2, 6, 50));results = arrayfun(@(N)mci(@fn, lb, ub, N), n);figuresemilogx(n, results, 'x');hold onsemilogx([100, 1e6], [true_value, true_value])xlabel("N");ylabel("\int f")print -dpng -r300 convergencefigureloglog(n, abs(results-true_value), '+')xlabel("N")ylabel("\sigma")print -dpng -r300 delta

可以看到蒙特卡洛方法有一个很好很好的特性，就是积分函数的维数跟算法复杂度完全没有关系。就算是100维，一样给它弄到三位有效数字的积分结果。

算法的典型时间特性

这个函数中一半的时间都在调用fn函数，这个函数一点也不美……

好吧，看起来100层并没有什么，也不需要那么多考虑。

GPU版本

当然，我还很无聊地写了一个gpu版本，效果简直是碉堡了。

这里就不多说，上个代码就算了。

function ret = mci_gpu(fun, lb, ub, N)% fun是被积分的函数% lb和ub是积分变量的范围，每个都是六维数组% N MC采样的数目，一般取个几千、几万试一下差不多就行V = prod(abs(ub-lb)); % 计算超立方体的体积，向量化计算每一个维度的长度（绝对值），求所有维度的乘积n = length(lb); % 维数sample = (ub-lb) .* rand(N, n, 'gpuArray') + repmat(lb,N,1); %产生一个Nxn的随机数组，然后转换到lb~ub的范围，repmat函数是复制矩阵，把行向量复制程Nxnargs = cell(n, 1);for i = 1:nargs{i} = sample(:,i);endresults = arrayfun(fun, args{:});%调用被积函数ret = gather(sum(results) * V / N); % 这是MC的核心算法，乘以体积除以样本数

调用的方法跟前面那个函数一样，就是有一个问题，在gpu中计算时，不能调用100维的那个函数，因为要使用动态输入参数个数。

gpu版本的唯一不同就是把数组创建在显存中，最终这个计算里面最花时间的就是创建数组，实际的arrayfun的时间基本可以忽略，也是一个挺有意思的事情。最终用gather函数把结果从显存中取出来。