蒙特卡洛方法模拟二维平面上的原子沉积和扩散

这段代码模拟了粒子在二维空间中的扩散过程。
它使用 np.random.uniform 函数来生成 numparticles 个粒子的随机初始位置，并将其存储在 xlist 和 ylist 数组中。
随后，代码使用 update(i) 函数模拟时间步骤的运动。该函数接收一个参数 i，表示当前时间步长的索引。最初的位置数据存储在 positions 变量中，随后每个粒子会有一个随机位移的步长，随机位移的大小通过np.random.normal 函数计算，具体计算包括每个步长的标准方差和目标时间步长 delta t，同时假设粒子扩散是在两个方向上是相互独立的。这些所得到的位移将更新每个粒子的当前位置。
代码使用随机位移的方式模拟每个粒子在每个时间步长中的运动，随机位移的大小和方向是基于正态分布随机生成的。
具体来说，代码中使用了 np.random.normal 函数生成符合正态分布的随机变量，该函数使用了以下参数：
- loc：正态分布的均值，这里的值为 0。
- scale：正态分布的标准差，这里的值为 np.sqrt(2diffcoeffdeltat)，其中 diffcoeff 是扩散系数，deltat 是时间步长。
- size：生成随机数的数量和形状，这里的形状为 (numparticles, 2)，表示同时生成 numparticles 个具有两个坐标轴（x 和 y）的随机位移。

然后，代码将这些随机位移向量添加到每个粒子的当前位置上以模拟每个粒子的随机运动。因此，随机位移的大小和方向实际上决定了每个粒子的运动概率分布，并在模拟中使用随机位移来模拟此分布。
随着不断地进行迭代，代码使用 plt.scatter 函数在二维空间中可视化所有粒子的位置，并在每5个时间步长后添加5个新的粒子。为了保证新添加的粒子在每个时间步长中也能被更新，代码增加了一个 global numparticles 变量追踪当前粒子的总数，并在添加新的粒子时更新 numparticles 来反映更改。
最后，代码使用 FuncAnimation 函数来生成动画，FuncAnimation 函数以 update 函数、时间步长、以及一组关键字参数作为输入，返回一个可供播放的动画。

```python
# We will be using the matplotlib library to generate the animation.

# First, let's import the required libraries
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.animation import FuncAnimation

# Define parameters for the simulation
num_particles = 50  # Number of particles in the simulation
diff_coeff = 0.05  # Diffusion coefficient
delta_t = 0.1  # Time step for the simulation
time_steps = 100  # Number of time steps in the simulation
x_lims = [-10, 10]  # Limits for the x axis of the plot
y_lims = [-10, 10]  # Limits for the y axis of the plot

# Create initial positions for the particles
x_list = np.random.uniform(low=x_lims[0], high=x_lims[1], size=num_particles)
y_list = np.random.uniform(low=y_lims[0], high=y_lims[1], size=num_particles)
positions = np.stack((x_list, y_list), axis=1)

# Define a function that updates the positions of the particles based on random motion and deposition
def update(i):
    global positions, num_particles
    # Generate a random displacement for each particle
    random_displacement = np.random.normal(0, np.sqrt(2 * diff_coeff * delta_t), (num_particles, 2))

# Ensure shapes match
    assert random_displacement.shape == positions.shape, f"Shapes do not match: {random_displacement.shape} vs {positions.shape}"

# Update positions of each particle
    positions += random_displacement

# Deposition of new particles every 5 time steps
    if i % 5 == 0:
        new_particles = np.random.uniform(low=x_lims[0], high=x_lims[1], size=(5, 2))
        num_particles += 5
        positions = np.concatenate((positions, new_particles))

# Plotting
    plt.clf()
    plt.xlim(x_lims)
    plt.ylim(y_lims)
    plt.gca().set_aspect('equal', adjustable='box')
    plt.scatter(positions[:, 0], positions[:, 1], marker='o', s=100, color='b')

# Generate the animation
ani = FuncAnimation(plt.gcf(), update, frames=time_steps, interval=100)
plt.show()  # Display the animation

```
在PyCharm中运行可得动图：
一开始截图

![](/media/202305/2023-05-08_171815_1911250.588779525719119.png)
运行一段时间后截图

![](/media/202305/2023-05-08_171826_4884510.8443625026660275.png)

蒙特卡洛方法模拟二维平面上的原子沉积和扩散

【温馨提示：本站文档可配置可见范围，如登录后可见、对特定群组可见等，看不到就是没权限】

注册码获取邮箱
work@liuyaoze.com

蒙特卡洛方法模拟二维平面上的原子沉积和扩散

【温馨提示：本站文档可配置可见范围，如登录后可见、对特定群组可见等，看不到就是没权限】

注册码获取邮箱 work@liuyaoze.com

注册码获取邮箱
work@liuyaoze.com