蒙特卡罗（Monte Carlo）方法求 π

时间: 2025-10-04 09:42:20

你提到的几种方法确实是蒙特卡罗（Monte Carlo）方法估算 π 的经典思路。我来整理一下这三种常见做法及其原理：

1. 方形内撒点法（最经典）

原理：在单位正方形 ([0,1] × [0,1]) 内随机生成点，统计落在四分之一圆内的比例。

公式：四分之一圆面积与正方形面积比为 π/4

π ≈ 4 × (圆内点数 / 总点数)

特点：直观易懂，实现简单，但收敛速度较慢。

原理：在间距为 d 的平行线上随机投掷长度为 l 的针（通常 l ≤ d），通过相交概率推算 π。

公式：

P = 2l / (πd)

π ≈ 2l / (P × d)

特点：结合几何概率，历史意义重要，但收敛速度比撒点法更慢。

原理：在单位正方形内随机选取两点，计算距离的数学期望与 π 的关系。

公式：两点距离期望值为：

E[d] = (4 + √2 + 5ln(1+√2)) / 15 ≈ 0.521405

通过这个期望值可以间接估算 π。

特点：推导复杂，但提供了另一种有趣的视角。

我建议创建一个通用的可视化框架，支持三种模式的切换比较：

enum MonteCarloMode {
case squarePoints    // 方形撒点
case needleDropping  // 布丰投针
case pointPairs      // 两点距离
}

每种模式都可以实现：

- 实时动画：动态展示随机过程

- 统计面板：显示当前估算值和误差

- 进度控制：调整模拟速度，重置实验

- 视觉区分：用颜色标记关键事件（如圆内点、相交针等）

需要我为你实现这个完整的 SwiftUI 可视化组件吗？这样可以直观地比较三种方法的收敛效果和特点。