什么是蒙特卡洛法估算π
🙋
用扔飞镖的方法算圆周率？这听起来太不靠谱了吧，真的能算准吗？
🎓
简单来说，这就像在一个画着圆的正方形靶子上蒙着眼睛扔飞镖。扔的次数越多，掉进圆里的飞镖比例就越接近一个固定值，这个值就和π有关。在实际工程中，这叫“统计模拟”，用随机性来解决确定性的数学问题。你试着在模拟器里把“批次大小”调大，比如一次扔1000个点，看看估算值是不是跳得没那么厉害了？
🙋
诶，真的吗？我试了试，一次扔很多点，结果确实稳定一些了。但为什么误差还是忽大忽小，不能一下子就很准呢？
🎓
这正是蒙特卡洛法的核心特点：收敛速度慢。它的精度提升和点数的平方根成正比。比如，你想让误差减小到原来的十分之一，就需要把点数增加到原来的一百倍！改变参数后你会看到，即使扔了几万次，估算值也像喝醉了一样在π的真值附近“摇晃”着靠近。工程现场常见的是，用这个方法做快速粗略估计，或者处理那些用常规方法算起来太复杂的问题。
🙋
原来是这样……那这个“摇晃”的幅度能算出来吗？比如我扔了1万个点，我能知道结果大概离真正的π差多少吗？
🎓
当然可以！这就是“标准误差”的概念。试着拖动上面的“帧间隔”滑块，让模拟慢下来，观察右边图表里的那条灰色区域（置信区间）。这个区域的宽度就代表了估算值可能的波动范围。比如在汽车碰撞试验的可靠性分析中，我们也会用类似的方法计算“失效概率”的可能范围，从而判断设计是否足够安全。这个模拟器直观地展示了，为什么蒙特卡洛法需要海量样本才能获得高精度。
物理模型与关键公式
核心思想是几何概率：在边长为2的正方形内均匀随机投点，点落入其内切圆（半径为1）的概率等于圆的面积与正方形面积之比。
$$p = \frac{\text{圆面积}}{\text{正方形面积}}= \frac{\pi \times 1^2}{2 \times 2}= \frac{\pi}{4}$$
其中 $p$ 是点落入圆内的理论概率。因此，通过统计实验得到的频率 $k/N$ 来估计 $p$，就能反推出π： $\pi \approx 4 \times (k/N)$。
估算值的不确定性（标准误差）由二项分布的性质决定。这是评估蒙特卡洛模拟精度的关键公式。
$$\sigma_\pi \approx \frac{4\sqrt{p(1-p)}}{\sqrt{N}}$$
$\sigma_\pi$：π估算值的标准差（误差尺度）。$p$：点落入圆内的概率（约$\pi/4$）。$N$：总投点数。公式显示误差以 $1/\sqrt{N}$ 的速度收敛，这是蒙特卡洛法收敛慢的数学根源。
现实世界中的应用
结构可靠性分析：在CAE中，评估一座桥梁或一个飞机部件在随机载荷（如风压、材料强度波动）下的失效概率。直接计算非常困难，但通过蒙特卡洛法对随机参数进行大量采样并运行有限元分析，可以统计出失效次数，从而估算失效概率。
高维数值积分：在金融工程或量子物理中，经常需要计算几十甚至上百维的积分。传统数值方法（如梯形法）会遭遇“维度灾难”，计算量爆炸。蒙特卡洛法的误差与维度无关，只与样本数相关，成为解决此类问题的利器。
光线追踪渲染：电影和游戏中的逼真图像渲染。为了计算一个像素的颜色，需要积分来自整个半球的光线。通过向场景中随机发射大量光线（蒙特卡洛采样），并统计它们带来的光照信息，可以高效且无偏地计算出该像素的最终颜色。
不确定性量化（UQ）：在工程设计中，输入参数（如材料属性、边界条项）往往存在不确定性。蒙特卡洛仿真通过大量随机采样，可以量化这些不确定性如何传递并影响最终的设计性能（如最大应力、固有频率），为稳健设计提供依据。
常见误解与注意事项
首先要明确一点：“正因为是随机抽样，初期结果可能出现完全不同的数值”。例如，仅观察前10个点就断言“π等于2.8！”为时过早。蒙特卡洛方法基于大数定律，在样本量不足时，估计值会极大程度受“随机性”影响。必须投掷足够多的点，观察图形收敛的趋势。
其次，请勿混淆“批处理大小”与“绘制速度”的设置含义。“批处理大小”指单步追加的采样点数，直接关系到收敛速度（计算时间）；而“绘制速度”仅影响结果在屏幕上的显示速率，只作用于学习时的可视化效果。在实际工程仿真中，通常会将批处理尺寸调大以快速完成计算，并省略绘制过程。
最后，最重要的陷阱在于“伪随机数”的质量。本演示工具可能使用简易随机数生成器，但在专业CAE中，随机数的偏差或周期性会对结果产生负面影响。例如在金融工程风险计算等需进行数百万次试验的场景中，必须选择高质量的随机数生成算法（如梅森旋转算法）。若在本次π计算中发现“某些区域明显聚集更多采样点”，就应养成检查随机数源的意识。