1 历史与发展
1.1 名称来源
“Monte Carlo”意为“摩纳哥的蒙特卡洛赌场”，名称来自其与随机试验的类比：在赌场中不断下注、结果随运气而变；在数值计算中通过大量随机抽样重复试验，用统计规律逼近目标量。由于这种“用随机性换取计算可行性”的思路非常契合方法的本质，因此该名称被广泛沿用。
1.2 早期思想基础
在更早的数学与科学研究中，随机试验的思想已零散出现。概率论的发展为把“重复试验”形式化提供了工具，而数值计算的发展又使得把抽样用于求解具体问题成为可能。随着统计推断理论逐步成熟，人们能够用估计量的方差、置信区间等概念描述随机模拟的可靠程度，为方法的系统化奠定基础。
1.3 现代Monte Carlo方法的形成
现代意义上的Monte Carlo方法在计算需求与概率论工具的结合中逐渐定型。关键推动来自需要处理复杂物理过程或多变量积分的任务：解析解往往难以获得，而随机建模与数值估计能够在可控误差下给出结果。随着算法思想清晰化，方法不仅被用于估计期望，还扩展到条件分布采样、链式随机过程模拟等更一般的场景。
1.4 计算机时代的扩展
计算机的出现使得“按次数生成随机样本—计算—聚合”的流程得以高效执行。特别是当硬件与软件能够支持高质量随机数生成、并实现大量迭代时，蒙特卡洛方法迅速从理论走向工程实践。与此同时，方差缩减、重要性抽样、马尔可夫链采样等改进策略逐步形成，使其在更高维与更复杂模型中更具竞争力。
2 基本原理
2.1 随机抽样
核心做法是从某个概率分布中生成随机样本，然后用样本上的函数值来估计目标量。若要估计的量可表示为期望或可改写为与期望相关的形式，就能将求解问题转化为抽样与统计计算。
2.2 统计估计
给定样本，方法会构造估计量（例如样本均值或样本频率），并根据样本统计性质衡量其稳定性。估计量通常随样本量增大而趋于目标值，但其偏离会以随机波动的形式存在，因此需要用方差与误差界来理解估计质量。
2.3 大数定律与中心极限定理
大数定律提供了“样本量足够大时，估计量会趋近真实值”的理论支撑；中心极限定理则描述了估计量在大样本下的近似分布形态，从而可推导误差的典型尺度与置信区间的构造方式。两者共同解释了蒙特卡洛为什么能在计算上实现“可接受误差内的逼近”。
2.4 误差与收敛性
蒙特卡洛误差的关键特征是由随机性带来的方差决定，并且随样本数量增加通常呈现随量缩减的趋势。实践中常关注均方误差或置信区间宽度，并通过增加样本、采用方差缩减或改变采样策略来改善收敛速度。
3 数学基础
3.1 概率论基础
3.1.1 随机变量与分布
随机变量用于描述不确定输入或随机机制的输出；其分布刻画了取值的概率结构。蒙特卡洛方法通常围绕某个分布进行采样：选择合适的分布并能够从中高效生成样本，是算法能否高效工作的关键。
3.1.2 期望与方差
期望刻画平均意义下的目标量，方差刻画随机波动幅度。若要提高估计精度，通常需要降低方差或使估计量对样本波动不那么敏感。许多改进技术本质上都在“在不增加过多计算成本的前提下减少方差”。
3.2 数值积分基础
许多积分问题可以写成对某种权重函数的期望形式。例如，对区域内函数的积分可通过将均匀分布样本映射到积分区域来估计。这样，积分就变成了样本函数值的统计平均，从而与概率计算建立联系。
3.3 蒙特卡洛积分
蒙特卡洛积分是将积分问题通过随机采样转化为期望估计的具体实现。常见做法包括：在积分区域内生成随机点，计算函数值的平均，然后乘以区域体积或相应权重以得到积分近似。若积分维度高、几何结构复杂或函数评估代价可控，蒙特卡洛积分往往更具可操作性。
3.4 高维问题中的优势
在高维情况下，确定性网格方法容易遭遇“维数灾难”，需要指数级增长的采样点数量才能保持精度。蒙特卡洛方法依靠随机抽样与统计估计，其误差对维度增长的敏感性通常较小，因此在高维积分、复杂概率模型估计中具有明显优势。
4 算法流程
4.1 问题建模
首先明确目标量及其数学表达形式，判断能否改写为期望、积分或可通过采样得到的统计量。若直接表示困难，通常会借助变换、重参数化或引入辅助变量，使问题与“从某分布抽样—计算函数—取平均”结构对齐。
4.2 随机样本生成
根据建模结果确定采样分布，然后生成随机样本。对直采样而言，需要能从目标分布有效抽样；对一般复杂分布，可能使用重要性抽样或马尔可夫链方法实现“间接采样”。
4.3 结果计算与聚合
对每个样本计算与目标相关的函数值，并对样本结果进行聚合（常见为求平均、求加权平均或统计频率）。如果采用重要性抽样，样本通常带权重以纠正采样分布与目标分布之间的差异。
4.4 精度评估
在计算过程中或完成后，评估误差来源并估计估计量的不确定性。典型做法包括用样本方差近似方差，再结合样本量构造置信区间或误差估计，从而判断当前结果是否足够精确。
4.5 重复试验与停止准则
蒙特卡洛通常需要多次迭代或多轮抽样。停止准则可以基于达到目标误差阈值、置信区间宽度足够小、或计算预算耗尽等原则。适当的停止策略能够避免无效抽样并提升整体效率。
5 主要类型
5.1 直接Monte Carlo方法
直接方法指在目标结构可直接采样的前提下，用样本均值或样本频率直接估计目标量。其优点是实现简单；但当被估计量对尾部事件敏感或目标分布难以直接采样时，直接方法可能效率较低。
5.2 重要性抽样
重要性抽样通过选择与目标相关但更“容易采到关键区域”的提取分布来减少方差。样本在新分布下采集后需引入权重，以确保估计仍然对应原目标。该思想尤其适用于需要估计小概率事件或积分主要贡献来自罕见区域的情况。
5.3 马尔可夫链Monte Carlo
5.3.1 Metropolis算法
Metropolis类算法使用马尔可夫链逐步逼近目标分布。每一步根据“提议—接受/拒绝”的规则决定是否更新状态，从而在长期统计意义下获得服从目标分布的样本。其设计目标是让链在保证正确性的同时尽量提高采样效率。
5.3.2 Gibbs采样
Gibbs采样通过在条件分布的框架下逐一更新变量：固定其余变量后，从某个变量的条件分布中抽样。若各条件分布可方便生成，该方法在多维模型中具有实用性，能够降低实现复杂度。
5.4 罕见事件模拟
罕见事件模拟关注目标事件概率很小的情形，例如极端风险或越界事件。由于直接抽样难以观察到足够多的样本落在关键区域，通常需要结合重要性抽样或专门的重加权机制，以提升对尾部概率的估计精度。
5.5 分层抽样与控制变量法
分层抽样将样本空间划分为若干子区间（层），分别在每层内抽样并合并结果，以减少估计方差。控制变量法则利用与目标高度相关、且其期望已知或易估计的辅助量，通过调整估计器来抵消波动。两者都属于典型的方差缩减思路。
6 典型应用
6.1 物理学中的粒子模拟
在粒子输运与碰撞等问题中，系统状态常由随机过程描述。蒙特卡洛方法可通过粒子在介质中的随机轨迹模拟来估计通量、散射分布或能量沉积等量，适合解析建模困难且多尺度耦合明显的物理场景。
6.2 金融工程中的风险评估
风险评估常涉及随机收益路径与复杂支付结构。通过对价格过程或状态变量进行模拟，再对结果进行统计汇总，可以估计风险指标、定价或敏感性度量。由于金融模型可能包含多重不确定因素，蒙特卡洛在灵活建模方面受到青睐。
6.3 工程可靠性分析
工程可靠性关注系统在随机载荷与参数不确定下的失效概率。蒙特卡洛可生成大量可能工况，判断是否满足失效准则，并据此估计失效率或可靠度。若失效是罕见事件，则通常需要配合方差缩减或重要性抽样提升效率。
6.4 计算几何与图形学
在计算几何与图形渲染中，常见任务包括体渲染、全局光照或复杂形状下的积分估计。蒙特卡洛可将光路或采样权重转化为随机估计，从而在视觉上逐步收敛到更准确的结果。其“逐步变清晰”的特性也使其在渲染算法中具有代表性。
6.5 机器学习与统计推断
在统计推断中，后验分布往往难以直接解析。蒙特卡洛方法可用于近似后验期望、采样生成或模型比较。马尔可夫链方法在贝叶斯模型中尤为常见，而直接采样或重要性重加权也可用于近似推断与评估不确定性。
7 优缺点
7.1 优势
7.1.1 实现简单
许多场景下，蒙特卡洛的实现可概括为“生成样本—计算—求平均”。当函数可评估且采样容易时，上手成本较低，便于快速验证模型与算法思路。
7.1.2 适用于高维问题
相较于依赖网格的确定性方法，蒙特卡洛在高维积分与复杂概率估计中通常更不易受到维数灾难影响。只要采样与估计器设计得当，它能够在维度提升时保持相对稳定的可用性。
7.2 局限性
7.2.1 收敛速度较慢
蒙特卡洛误差主要由随机波动决定，通常需要较多样本才能获得高精度。对于对结果误差要求极高或计算每次评估成本昂贵的任务，这一特性可能成为瓶颈。
7.2.2 随机误差不可避免
即使模型正确，估计结果仍会随随机性产生波动。因此需要通过置信区间、重复实验或误差估计来表达不确定性，这对需要确定性输出的流程可能带来额外工作。
7.2.3 计算成本较高
当单次样本评估代价大（例如复杂仿真、昂贵的函数求值）时，总体计算成本可能显著上升。此时需要结合并行计算、缓存策略或更高效的采样方法来降低成本。
8 改进与加速技术
8.1 方差缩减方法
8.1.1 控制变量
控制变量利用已知或容易估计的相关量来校正估计器。通过选择与目标强相关的辅助函数，可以显著压缩估计的波动，从而在相同样本量下获得更窄的误差范围。
8.1.2 对偶变量
对偶变量方法通过构造与问题相关的替代估计结构，使得最终估计在统计意义上更“稳定”。其思路常与函数分解、变换或求解辅助方程有关，目标是减少估计器对随机噪声的敏感性。
8.1.3 分层抽样
分层抽样把整体分布拆分为多个子分布，并在各层按计划抽样。通过合理分层与合并权重，可以减少因样本落入非关键区域导致的无效波动，从而提升效率。
8.2 伪随机数与随机数质量
实现蒙特卡洛离不开随机数生成。工程上通常使用伪随机数生成器，但需要保证周期长、统计性质良好、避免相关性过强造成偏差。随机数质量的不足会在高迭代或高敏感任务中放大误差，因此需要选择适当的生成器并进行基础检验。
8.3 并行计算
蒙特卡洛天然适合并行：各样本之间相对独立，适合在多核或分布式环境中同时生成与计算。并行不仅能缩短运行时间，也便于进行多轮实验以获得更可靠的不确定性评估。
8.4 准Monte Carlo方法
准Monte Carlo使用确定性或低差异序列来替代纯随机抽样，以改善积分估计的收敛表现。它往往在某些光滑性条件与结构良好时优于传统随机抽样，但对问题特性、维度与实现策略也更敏感，因此需要针对性选择方法。
9 相关概念
9.1 确定性数值方法
确定性数值方法依赖确定的网格划分或数值离散策略，通常不引入随机性。与之相比，蒙特卡洛以统计抽样为核心，通过不确定性表达误差并在样本增加时收敛。
9.2 解析解与数值解
解析解强调符号形式的精确表达，数值解则通过离散计算获得近似。蒙特卡洛属于一种数值估计算法：它不一定提供闭式表达，但能在误差可控的条件下给出统计意义上的近似结果。
9.3 随机模拟方法
随机模拟覆盖更广的范畴，包括蒙特卡洛及其他基于随机过程的仿真。二者的关系可理解为：蒙特卡洛方法是随机模拟中的重要分支，特别强调用随机抽样与统计估计来逼近目标量。
9.4 其他抽样技术
除重要性抽样、马尔可夫链采样外，还存在接受-拒绝采样、重采样框架、序贯采样等方法。它们共同服务于同一目标：在计算资源有限时，以更高效的方式生成与目标相关的样本。
10 代表性案例
10.1 估计圆周率
估计圆周率可通过几何概率实现：在单位正方形或圆与正方形构造下，随机点落入特定区域的比例与圆周率相关。通过大量随机点计数并应用对应的几何关系，可得到对圆周率的数值近似。该案例常用于演示蒙特卡洛积分的直观效果。
10.2 高维积分计算
在高维函数积分中，可将积分改写为某个分布下的期望，然后从该分布抽样并取函数值平均。随着维度增加，传统网格方法往往成本迅速增长，而蒙特卡洛可以保持相对温和的维度敏感性，是教学与工程中的经典示例。
10.3 金融衍生品定价
对含有随机路径依赖特征的衍生品，价格可表示为未来支付的折现期望。蒙特卡洛通过模拟大量价格路径并计算支付，再对结果取平均得到估计值。若采用方差缩减或重要性抽样，可进一步提高在特定情形下的计算效率。
10.4 复杂系统的可靠性测试
复杂系统可靠性测试可通过随机抽取关键参数与载荷来构造可能工况，再判断是否满足失效判据。通过统计满足失效条件的比例，可估计失效概率。对于失效概率很低的系统，通常需要配合重要性抽样或分层技术，以便在有限样本下获得更稳定的评估。