均匀分布的随机数.doc

随机数的产生 摘要 本文研究了连续型随机数列的产生，先给出了均匀分布的随机数的产生算法，在通过均匀分布的随机数变换得到其他连续型随机数的产生算法.在vc环境下，我们给出了产生均匀分布随机数的算法，然后探讨了同余法的理论原理.通过均匀随机数产生其他分布的随机数，我们列举了几种通用算法，并讨论各个算法的优缺点，最后以正态分布为例验证高效舍选法的优势. 正文 一、 随机数与伪随机数 随机变量η的抽样序列，…称为随机数列． 如果随机变量η是均匀分布的，则η的抽样序列，…称为均匀随机数列；如果随机变量η是正态分布的随机变量则称其抽样序列为正态随机数列． 比如在掷一枚骰子的随机试验中出现的点数x是一个随机变量，该随机变量就服从离散型均匀分布，x取值为1，2，3，4，5，6，取每个数的概率相等均为1／6．如何得到x的随机数?通过重复进行掷骰子的试验得到的一组观测结果就是x的随机数．要产生取值为0，1，2，…，9的离散型均匀分布的随机数，通常的操作方法是把10个完全相同的乒乓球分别标上0，1，2，…，9，然后放在一个不透明的袋中，搅拦均匀后从中摸出一球记号码后放回袋中，接着仍将袋中的球搅拌均匀后从袋中再摸出一球记下号码后再放回袋中，依次下去，就得到随机序列．通常称类似这种摸球的方法产生的随机数为真正的随机数．但是，当我们需要大量的随机数时，这种实际操作方法需要花费大量的时间，通常不能满足模拟试验的需要，比如教师不可能在课堂上做10000次掷硬币的试验，来观察出现正面的频率．计算机可以帮助人们在很短时间产生大量的随机数以满足模拟的需要，那么计算机产生的随机数是用类似摸球方法产生的吗?不是．计算机是用某种数学方法产生的随机数，实际上是按照一定的计算方法得到的一串数，它们具有类似随机数的性质，但是它们是依照确定算法产生的，便不可能是真正的随机数，所以称计算机产生的随机数为伪随机数．在模拟计算中通常使用伪随机数．对这些伪随机数，只要通过统计检验符合一些统计要求，如均匀性、随机性等，就可以作为真正的随机数来使用，我们将称这样产生的伪随机数为随机数． 在计算机上用数学方法产生随机数的一般要求如下： 1)产生的随机数列要有均匀性、抽样的随机性、试验的独立性和前后的一致性． 2)产生的随机数列要有足够长的周期，以满足模拟实际问题的要求． 3)产生随机数的速度要快，占用的内存少． 计算机产生随机数的方法内容是丰富的，在这里我们介绍几种方法，计算机通常是先产生[0，1]区间上均匀分布的随机数，然后再产生其他分布的随机数． 二、均分布随机数的产生??? 在vc的环境下，为我们提供了库函数rand()来产生一个随机的整数.该随机数是平均在0~RAND_MAX之间平均分布的，RAND_MAX是一个常量，在VC6.0环境下是这样定义的： #define RAND_MAX 0x7fff 它是一个short 型数据的最大值，如果要产生一个浮点型的随机数，可以将rand()/1000.0这样就得到一个0~32.767之间平均分布的随机浮点数.如果要使得范围大一点，那么可以通过产生几个随机数的线性组合来实现任意范围内的平均分布的随机数.例如要产生-1000~1000之间的精度为四位小数的平均分布的随机数可以这样来实现.先产生一个0到10000之间的随机整数.方法如下 ： int a = rand()%10000; 然后保留四位小数产生0~1之间的随机小数： double b = (double)a/10000.0; 然后通过线性组合就可以实现任意范围内的随机数的产生，要实现-1000~1000内的平均分布的随机数可以这样做： double dValue = (rand()%10000)/10000.0*1000-(rand()%10000)/10000.0*1000; 则dValue就是所要的值.上面的式子化简后就变为： double dValue = (rand()%10000)/10.0-(rand()%10000)/10.0; ?? 这样一来，产生的随机数范围是正确的，但是精度不正确了，变成了只有一位正确的小数的随机数了，后面三位的小数都是零，显然不是我们要求的，什么原因呢，又怎么办呢.?? 先找原因，rand()产生的随机数分辨率为32767，两个就是65534，而经过求余后分辨度还要减小为10000，两个就是20000而要求的分辨率为1000*10000*2显然远远不够.下面提供的方法可以实现正确的结果： double a = (rand()%10000) * (rand()%1000)/10000.0; double b = (rand()%10000) * (rand()%1000)/10000.0;