1. 什么是数值随机化算法
数值随机化算法是一类利用随机采样来求解数值计算问题的算法。
它通常用于求解一些很难直接精确计算的问题，例如估算常数、计算定积分、估算面积、求解复杂模型的近似值等。核心思想是：
当精确求解成本很高，甚至难以实现时，可以通过大量随机样本来逼近真实结果。
数值随机化算法一般不追求”一步得到精确答案”，而是追求采样次数越多，估算结果越接近真实值。
特点数值随机化算法求的是近似解而非精确解；精度与采样次数正相关，采样越多结果越稳定；特别适合高维积分、复杂面积估算、物理系统模拟等传统方法难以精确求解的问题。
2. 随机化算法中的四种类型
随机化算法通常可以分为四类（前两类在蒙特卡罗算法一文中已经介绍过）：
拉斯维加斯算法：结果一定正确，但运行时间不确定。
蒙特卡罗算法：运行时间可控，但结果可能带有误差。
舍伍德算法：引入随机性不是为了近似答案，而是为了消除最坏输入对算法性能的影响，使算法在不同输入下表现更均衡。
数值随机化算法：更关注用随机采样求数值近似解。它和蒙特卡罗方法关系很近，很多数值随机化算法就是蒙特卡罗方法在数值计算中的应用。
3. 经典问题：随机采样计算定积分
定积分是数值随机化算法中的经典应用。
假设有一个连续函数 ，要求它在区间 上的定积分：
从几何角度看，如果 ，那么这个定积分可以理解为：曲线 、 轴、直线 和 围成区域的面积。
如果这个面积很难直接计算，就可以通过随机采样来估算它。下面介绍两种经典方法。
4. 随机投点法
随机投点法的思想和蒙特卡罗估算 很像。
4.1 推导过程
假设函数 在区间 上满足 ，那么可以构造一个矩形区域 ，面积为：
在这个矩形中随机生成 个点，如果有 个点落在曲线下方（即满足 ），那么落点比例近似等于面积比例：
由此得到估算公式：
4.2 具体例子
例如函数 ，在区间 上有：
所以可以取 ，矩形区域就是 。如果随机投点后，有 个点落在曲线下方，而总共采样 个点，那么积分近似为：
这个结果就已经很接近真实值 了。
4.3 直观理解
随机投点法把积分问题转化为几何问题：
积分值 = 矩形面积 × 落点比例
矩形中均匀撒点，落在曲线下方的点越多，说明曲线下方面积占矩形面积的比例越大。当采样次数足够多时，这个比例会稳定地趋近于真实面积比。
5. 平均值法
平均值法比随机投点法更常用，也通常更稳定。
5.1 推导过程
在区间 中随机生成 个点 ，计算对应的函数值 。
这些函数值的平均数可以近似表示函数在区间上的平均高度：
而定积分可以理解为”区间长度 × 平均高度”，所以：
这就是平均值法的核心公式。
5.2 直观理解
平均值法把积分问题转化为统计问题：
积分值 = 区间长度 × 平均函数值
不需要构造矩形，也不需要生成二维随机点，只需要在一维区间上采样函数值即可。实现更简单，收敛通常也更快。
6. 示例：计算定积分
以这个积分为例：
其中 ，在区间 上满足 。
先求解析解作为对照：
代入上下限：
6.1 Java 代码实现
import java.util.Random;
public class RandomSamplingIntegral { private static final Random RANDOM = new Random();
// f(x) = 1 - x^2 private static double f(double x) { return 1 - x * x; }
// 方法一：随机投点法 public static double integralByDarts(int n) { if (n <= 0) { throw new IllegalArgumentException("采样次数必须大于 0"); }
double a = 0.0; double b = 1.0; double m = 1.0;
long count = 0;
for (int i = 0; i < n; i++) { // 在区间 [a, b] 中均匀生成 x double x = a + RANDOM.nextDouble() * (b - a);
// 在区间 [0, m] 中均匀生成 y double y = RANDOM.nextDouble() * m;
// 如果点在曲线下方，就统计到曲线下方点数中 if (y <= f(x)) { count++; } }
double rectArea = (b - a) * m; return rectArea * count / n; }
// 方法二：平均值法 public static double integralByAverage(int n) { if (n <= 0) { throw new IllegalArgumentException("采样次数必须大于 0"); }
double a = 0.0; double b = 1.0;
double sum = 0.0;
for (int i = 0; i < n; i++) { // 在区间 [a, b] 中均匀生成 x double x = a + RANDOM.nextDouble() * (b - a);
// 累加每个采样点对应的函数值 sum += f(x); }
return (b - a) * sum / n; }
public static void main(String[] args) { int samples = 1_000_000;
System.out.printf("理论解析解：%.5f%n", 2.0 / 3.0); System.out.printf("随机投点法：%.5f%n", integralByDarts(samples)); System.out.printf("平均值法：%.5f%n", integralByAverage(samples)); }}可能的输出：
理论解析解：0.66667随机投点法：0.66691平均值法：0.66654由于使用了随机数，每次运行结果可能不同。但只要采样次数足够大，两种方法的结果通常都会接近理论值 。
7. 两种方法的对比
| 方法 | 随机投点法 | 平均值法 |
|---|---|---|
| 思路 | 在矩形中随机撒点，统计落在曲线下方的比例 | 随机采样函数值，用平均函数值估算积分 |
| 核心公式 | I ≈ 矩形面积 × 落点比例 | I ≈ 区间长度 × 平均函数值 |
| 优点 | 几何意义直观，容易理解 | 实现简单，通常更稳定 |
| 缺点 | 需要知道函数上界 ，波动可能较大 | 需要理解”平均高度 × 区间长度”的思想 |
对于一维定积分来说，平均值法通常更加简洁实用。随机投点法更适合用来帮助理解”概率比例 ≈ 面积比例”这一思想，而平均值法更适合实际计算。
两种方法的时间复杂度都是 （ 为采样次数），空间复杂度都是 。这里的 不是输入规模，而是我们主动设置的采样次数。
8. 总结
数值随机化算法的核心是：
用随机采样的统计结果，去逼近某个数值答案。
在定积分问题中，随机采样有两种经典方式：
- 随机投点法：把积分看成面积，通过落点比例估算面积。
- 平均值法：把积分看成区间长度乘以平均函数值。
口诀随机投点看面积比例，平均值法看平均高度。
如果这篇文章对你有帮助，欢迎分享给更多人！
部分信息可能已经过时