光子在苹果中传输的蒙特卡洛仿真+源代码(4)
2.3.2 一般的使用步骤
应用MCM解决现实问题，一般分为4个步骤[6]：
（1）建立概率模型。对求解的问题建立恰当的概率统计模型，使的所求的解为所该概率模型可求的统计特征。
（2）优化模型。根据实际情况，适当的改进概率模型，尽可能的减小估计值的方差，以达到提高解的精确度和收敛速度的目的。
（3）从概率模型中抽样。对随机变量的进行抽样，选择合适的伪随机数发生器使之符合指定的概率分布。
（4）确定估计量。根据抽样数据，通过一系列的计算求出需要的估计量，一般应包括估计值和方差。
2.3.3 优势与缺点
蒙特卡洛方法的优点[7]：
（1）直观易懂。 蒙特卡洛方法易于理解，逻辑简单，利于用计算机程序实现。
（2）受几何条件限制小，适用性强。 蒙特卡洛方法计算任意文度空间中的任一区域上的多重积分时，不管积分区域的呈何种不规则的几何形状都是适用的。
（3）收敛的概率性和收敛速度与问题文数无关。MCM的收敛速度与问题的文数无关，这就决定了它对多文问题的适用性。
蒙特卡洛方法的缺点：
（1）在解决低文数的实际问题时，得出的结果不是很理想，收敛速度很慢。比如在模拟蒲丰投针实验计算π的值时，进行1亿次计算，得出的精度也才在千分之一左右，可见收敛速度很慢。
（2）蒙特卡洛方法的误差是在一定置信水平下估计的，不是普通意义上的绝对误差或相对误差。一般为了使所求解达到一定的精度，要进行大量的重复随机实验。