background
对于复杂函数的MC积分,可以使用重要性采样。如果采样函数的形状和被积函数类似,可以加快收敛速度。
如上图采样函数和
,单独使用的时候,可能造成极大的variance,例如
会是一个很大的数值。
如上图采样函数和
联合之后,可以和被积函数更相似,因此联合两种采样方法,可以减少方差加快收敛速度, 即
不会爆表。
方法可以为:从或者
中随机选一个作为采样方法,再从中采样若干个样本。这基本相当于从两个分布的加权平均中进行采样。
method
原始MC estimator为:
假定有中采样方法
(路径生成方法),且从第
个方法中,生成
个样本
。
那么MIS estimator为:
其中, 表明,同一个样本
被不同的
中采样技术估计后,权重之和为1
,
表示样本
被
种不同采样方法估量之后,使用当前采样方法
占所有情况的的一个比例。
对于每一种采样技术得到的样本,加权求和():
- 这一项,实际上相当于只有一个采样技术时候的MC积分,只不过,对于每一项乘以了权重。
- 再进一步理解:相当于,(只有一个采样技术时候),对于每一个样本,这个样本被不同的采样方法综合考量(weighted)以后的结果
最后,因为在权重中已经考虑了
中采样技术的平均了,对于每一种采样技术,直接求和(
),
网友评论