د میټروپولیس سټیج لپاره د بحث پوښتنو مثال
د مونټ کارلو سمولیشنونو په شرایطو کې، د میټروپولیس مرحله په احصایوي میخانیکونو او نورو برخو کې یو مهم الګوریتم دی. پدې برخه کې، موږ په ځانګړي ډول د میټروپولیس-هیسټینګ میتود په اړه بحث کوو، یو الګوریتم چې د پیچلو احتمالي ویشونو څخه نمونې اخیستلو لپاره کارول کیږي. د دې الګوریتم ګامونو په پوهیدو سره، موږ کولی شو ډیر دقیق او اغیزمن سمولیشنونه ترسره کړو.
د میټروپولیس الګوریتم معرفي
د میټروپولیس الګوریتم په ۱۹۵۳ کال کې د نیکولاس میټروپولیس او د هغه د همکارانو لخوا معرفي شو. دا طریقه د فزیکي سیسټمونو حالت ماډل کولو او تقلید کولو لپاره کارول کیږي، په ځانګړې توګه هغه چې ډیری ذرات لکه ګازونه یا مایعات پکې شامل دي. د دې الګوریتم عصري نسخه، میټروپولیس-هیسټینګز، یو عمومي کول دي چې نمونې ته اجازه ورکوي چې د غیر نورمال شوي هدف ویش څخه راوباسي.
د میټروپولیس الګوریتم کې ګامونه
د دې لپاره چې پوه شئ چې د میټروپولیس الګوریتم څنګه کار کوي، دا مهمه ده چې د دې مرحلو سره آشنا شئ:
۱. پیل کول: د محلول ځای یا لومړني ویش څخه په ناڅاپي ډول د لومړني محلول غوره کولو سره پیل وکړئ. د مثال په توګه، موږ د تودوخې حالت یا د ذراتو موقعیت سره پیل کوو.
۲. د نوي ګام وړاندیز کول: په اوسني حالت کې د کوچني بدلون په راوستلو سره د نوي حالت (نوي حل) وړاندیز کول. دا ډیری وخت د "وړاندیز" ګام په نوم یادیږي. دا بدلون معمولا د متوازي ویش څخه اخیستل کیږي، لکه د ګاوسین ویش.
۳. د منلو تناسب محاسبه کول: د منلو تناسب محاسبه کړئ، کوم چې دا ټاکي چې ایا موږ وړاندیز شوی حرکت منو یا ردوو. دا تناسب د نوي حالت د احتمال او اوسني حالت تناسب دی. په ریاضيکي یادښت کې، دا تناسب د لاندې لخوا ورکول کیږي:
\[
الف = \ دقیقه \ چپ (۱، \ frac{P(\ متن { نوی})}{P(\ متن { اوسنی})}\ ښیې)
\]
چیرې چې \( P \) د یو ځانګړي حالت احتمال دی.
۴. د منلو تناسب په کارولو سره پریکړه: د منلو تناسب د ۰ او ۱ ترمنځ د یونیفورم ویش څخه اخیستل شوي ناڅاپي ارزښت سره پرتله کړئ. که چیرې د منلو تناسب د ناڅاپي ارزښت څخه لوی وي، نو نوی حرکت ومنئ؛ که نه نو، رد یې کړئ او په اوسني حالت کې پاتې شئ.
۵. تکرار: د تکرارونو د مطلوب شمیر لپاره یا تر هغه چې سیسټم توازن ته ورسیږي، له ۲ څخه تر ۴ پورې مرحلې تکرار کړئ.
نمونې پوښتنې او بحث
راځئ چې د میټروپولیس مرحلې د ښه پوهیدو لپاره د مثال په توګه ځینې پوښتنې بحث کړو.
بېلګه پوښتنه ۱
پوښتنه: تاسو د موقعیت په یوه ابعاد \( x \) کې یو ذره لرئ چې د احتمالي انرژۍ فعالیت \( U(x) = x^2 \) لخوا اغیزمن کیږي. د ذراتو موقعیتونو ویش تقلید کولو لپاره د میټروپولیس الګوریتم څخه کار واخلئ.
بحث:
۱. پیل کول: له موقعیت څخه پیل کړئ \( x = 0 \).
۲. د نوي حرکت وړاندیز وکړئ: د نوي موقعیت وړاندیز وکړئ \( x' = x + \Delta x \) سره چې \( \Delta x \) د ګاوسین ویش څخه د اوسط صفر سره اخیستل شوی وي.
۳. د انرژۍ تناسب محاسبه: د انرژۍ تناسب محاسبه کړئ:
\[
\ډیلټا U = U(x') – U(x) = x'^2 – x^2
\]
په دې توګه، د منلو تناسب دا دی:
\[
الف = \ دقیقه \ چپ (۱، e^{-\ ډیلټا U}\ ښي)
\]
۴. پریکړه: که چیرې \( A \) د ۰ او ۱ ترمنځ له یو ناڅاپي شمیر څخه ډیر وي، نو \( x' \) ومنئ؛ که نه نو، په \( x \) موقعیت کې پاتې شئ.
۵. تکرار: دا پروسه په ۱۰۰۰۰ ګامونو کې تکرار کړئ.
د موقعیت پایله لرونکی ویش به د ګاوسین ویش تعقیب کړي چې اوسط صفر او توپیر یې د احتمالي سره په معکوس متناسب وي، کوم چې پدې حالت کې، د احتمالي انرژۍ فعالیت لخوا جوړ شوي ویش پایله لري.
بېلګه پوښتنه ۱
پوښتنه: د بایسیان فنکشن انفرنس سره د فټ کولو لپاره د میټروپولیس الګوریتم وکاروئ. راځئ چې ووایو موږ غواړو د MCMC سره د خطي ریګریشن په کارولو سره په ډیټاسیټ کې یو ساده سلوپ فټ کړو.
بحث:
۱. پیل کول: د ماډل لومړني پیرامیټرې \( \beta = (m, c) \) تنظیم کړئ.
۲. د نوي ګام وړاندیز کول: د څو متغیر نورمال وړاندیز ویش لپاره نوي پیرامیټرونه وړاندیز کړئ. د مثال په توګه، د متغیرونو \( m \) او \( c \) لپاره د ګاوسین ویش وکاروئ.
۳. د منلو تناسب: د منلو تناسب په لاندې ډول محاسبه کړئ:
\[
الف = \ دقیقه \ چپ (۱، \ frac{L(m', c'| \ text{data})P(m', c')}{L(m, c| \ text{data})P(m, c)}\ right)
\]
چیرته چې \( L \) احتمال دی، او \( P \) د پیرامیټر مخکینی دی.
۴. پریکړه: د وړاندیز د منلو یا ردولو لپاره تناسب د ۰ څخه تر ۱ پورې د ناڅاپي ارزښت سره پرتله کړئ.
۵. تکرار: سمولیشن د کافي تکرارونو سره پرمخ وړئ تر هغه چې همغږي ترلاسه شي.
د دې طریقې سره، موږ کولی شو د ریګریشن پیرامیټرو لپاره وروسته ویشونه ترلاسه کړو، چې موږ ته په معلوماتو کې د اړیکو د استخراج او تفسیر کولو لاره راکوي.
پایله
د مونټ کارلو سمولیشنونو کې د میټروپولیس مرحله موږ ته اجازه راکوي چې د پیچلو هدف ویشونو څخه نمونه واخلو او د میټروپولیس-هیسټینګز میتود لپاره اساس په توګه کار کوي. د دې تخنیک په مختلفو برخو کې پلي کولو سره، موږ کولی شو ډیر دقیق ماډلینګ او د سیسټم ډیر مفصل پوهه ترلاسه کړو. د فزیک او بیولوژي څخه تر کمپیوټر ساینس او احصایو پورې غوښتنلیکونو کې، دا الګوریتم د پیچلو ستونزو لپاره ښکلي او مؤثر حلونه وړاندې کوي.
