随机数 生成 算法_按概率生成随机数算法

随机数 生成 算法_按概率生成随机数算法

1、蒙特卡洛方法

蒙特卡罗方法又称统计模拟法、随机抽样技术,是一种随机模拟方法,以概率和统计理论方法为基础的一种计算方法,是使用随机数(或更常见的伪随机数)来解决很多计算问题的方法。将所求解的问题同一定的概率模型相联系,用电子计算机实现统计模拟或抽样,以获得问题的近似解。为象征性地表明这一方法的概率统计特征,数学家冯·诺依曼用闻名世界的赌城——蒙特卡罗命名(就是那个冯·诺依曼)。
蒙特卡罗方法解题过程的主要步骤:
a.针对实际问题建立一个简单且便于实现的概率统计模型,使所求的量恰好是该模型的概率分布或数字特征。
b.对模型的随机变量建立抽样方法,在计算机上进行模拟测试,抽取足够多的随机数。
c.对模拟实验结果进行统计分析,给出所求解的“估计”。
d.必要时,改进模型以提高估计精度和减少实验费用,提高模拟效率。

2、冯·诺依曼

冯·诺依曼(John von Neumann,1903~1957),20世纪最重要的数学家之一,在现代计算机、博弈论和核武器等诸多领域内有杰出建树的最伟大的科学全才之一,被称为“计算机之父”和“博弈论之父”。主要贡献是:2进制思想与程序内存思想,当然还有蒙特卡洛方法。通过第一部分,可知,蒙特卡洛方法更多的是一种思想的体现(这点远不同于快排等“严格”类算法),下面介绍最常见的一种应用——随机数生成。

3、U(0,1)随机数的产生

对随机系统进行模拟,便需要产生服从某种分布的一系列随机数。最常用、最基础的随机数是在(0,1)区间内均匀分布的随机数,最常用的两类数值计算方法是:乘同余法和混合同余法。

乘同余法:clip_image002其中,clip_image002[4]被称为种子,clip_image002[6]是模,clip_image002[8]是(0,1)区间的随机数。

混合同余法:clip_image002[10]其中,clip_image002[12]是非负整数。

这些随机数是具有周期性的,模拟参数的选择不同,产生的随机数质量也有所差异。更复杂的生成方法还有:

clip_image002[14]

4、从U(0,1)到其它概率分布的随机数

离散型随机数的模拟

设随机变量X的概率分布为:clip_image002[16],分布函数有clip_image002[18]

设随机变量U~U(0,1)的均匀分布,则clip_image002[20]表明clip_image002[22]的概率与随机变量u落在clip_image002[24]clip_image002[26]之间的概率相同。

例如:离散随机变量X有分布律

X 0 1 2
P(x) 0.3 0.3 0.4

U是(0,1)的均匀分布,则有clip_image002[28],这样得到的x便具有X的分布律。

连续型随机变量的模拟

常用的有两种方法:逆变换法和舍选法。逆变换法
定理:设随机变量Y的分布函数为F(y)是连续函数,而U是(0,1)上均匀分布的随机变量。另clip_image002[30],则X和Y具有相同的分布。

证明:由定义知,X的分布函数clip_image002[32]
所以X和Y具有相同的分布。
这样计算得clip_image002[40],带入均匀分布的U,即可得到服从clip_image002[38]的随机数Y。
例如:设X~U(a,b),则其分布函数为

clip_image002[42]clip_image002[44]。所以生成U(0,1)的随机数U,则clip_image002[46]便是来自U(a,b)的随机数。

有些随机变量的累计分布函数不存在或者难以求出,即使存在,但计算困难,于是提出了舍选法
要产生服从clip_image002[48]的随机数,设x的值域为[a,b],抽样过程如下:

1.已知随机分布clip_image002[50]且x的取值区间也为[a,b],并要求clip_image002[54],如图:
clip_image002[56]
2.从clip_image002[50]中随机抽样得clip_image002[59],然后由clip_image002[62]的均匀分布抽样得clip_image002[65]
3.接受或舍弃取样值clip_image002[59],如果clip_image002[67]舍弃该值;返回上一步,否则接受。几何解释如下:
image

常数c的选取:c应该尽可能地小,因为抽样效率与c成反比;一般取clip_image002[69]。这里的clip_image002[50]可以取均匀分布,这样由第二步中两个均匀分布便能得到其他任意分布的模拟抽样。

5、正态随机数的生成

除了上面的反函数法和舍选法,正态随机数还可以根据中心极限定理和Box Muller(坐标变换法)得到。

中心极限定理:如果随机变量序列 clip_image002[72]独立同分布,并且具有有限的数学期望和方差clip_image002[74],则对于一切clip_image002[76]

clip_image002[80]
也就是说,当n个独立同分布的变量和,服从clip_image002[82]的正态分布(n足够大时)。

设n个独立同分布的随机变量clip_image002[84],它们服从U(0,1)的均匀分布,那么clip_image002[86]渐近服从正态分布clip_image002[88]

Box Muller方法,设(X,Y)是一对相互独立的服从正态分布clip_image002[88]的随机变量,则有概率密度函数:
clip_image002[90]
clip_image002[93],其中clip_image002[95],则clip_image002[97]有分布函数:
clip_image002[99]
clip_image002[101],则分布函数的反函数得:clip_image002[103]

如果clip_image002[109]服从均匀分布U(0,1),则clip_image002[107]可由clip_image002[111]模拟生成(clip_image002[115]也为均匀分布,可被clip_image002[109]代替)。令clip_image002[118]clip_image002[120]clip_image002[122]服从均匀分布U(0,1)。得:
clip_image002[124]
X和Y均服从正态分布。用Box Muller方法来生成服从正态分布的随机数是十分快捷方便的。

下面介绍几种简单的随机数的算法

1 生成随机数

2024最新激活全家桶教程,稳定运行到2099年,请移步至置顶文章:https://sigusoft.com/99576.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请联系我们举报,一经查实,本站将立刻删除。 文章由激活谷谷主-小谷整理,转载请注明出处:https://sigusoft.com/164334.html

(0)
上一篇 2024年 7月 4日 下午7:28
下一篇 2024年 7月 4日 下午7:36

相关推荐

关注微信