伪随机数与准随机数的比较.pdfVIP

·32· 计算机与信息技术 软件纵横 伪随机数与准随机数的比较 王水花 张煜东 吴乐南 （东南大学 信息科学与工程学院，江苏 南京 210096） 摘 要 传统的随机数生成法主要采用逆转法，首先生成[0， 1]区间上的均匀分布 U ，然后令 X=F-1 （U ），则 X 满足 分布 F。然而，这样生成的均匀分布具有明显的差异性，在小样本或高维空间的情况下尤其严重。因此，引进一种新的随机 数生成方法，即准随机数生成器。实验验证了准随机数生成器得到的随机数的差异性优于传统方法。最后，提出一种基于准 随机数生成器的蒙特卡罗积分方法，结果优于传统的蒙特卡罗积分。 关键词 伪随机数；准随机数；Kolmogorov- Smirnov 假设检验 1 引言 希望生成的随机数的概率密度函数（PDF）为 f ， 则首先找 随机数生成算法[1]是一类重要的算法，广泛应用于仿真技 到一个 PDF 为 g 的随机数发生器与常数 c ，使得 f （x ）≤cg 术等场合。然而，目前的伪随机数生成器（Pseudo-random （x ），然后根据接收拒绝算法求解。由于算法平均运算 c 次 number generator， PRNG）[2]存在一个重要缺陷，即样本分 才能得到一个希望生成的随机数，因此 c 的取值必须尽可能 布与真实分布不一致，这主要发生在以下两种情况：①抽样 小。显然，该算法的缺点是较难确定 g 与 c 。 代价过高，样本数目较少；②空间维数较高[3] 。 因此，伪随机数生成器（PRNG）一般采用逆转法，其基 因此，有必要寻找一类新的随机数发生器。准随机数发 础是均匀分布，均匀分布 PRNG 的优劣决定了整个随机数体 生器（Quasi-random number generator， QRNG）[4]能够生成 系的优劣[7] 。下文研究均匀分布的 PRNG。 稳定、低差异性的（low-discrepancy）样本，而与样本数目 3 伪随机数生成器的缺点 或空间维数无关[5] 。故针对蒙特卡罗积分结果不稳定的情况， 重复做 N=10000 次试验，每次产生 S=20 与 S=100 个随 提出一种基于 QRNG 的蒙特卡罗积分，发现比传统方法性能 机分布的样本，同时采用 Kolmogorov- Smirnov 假设检验 有所提升。 （hypothesis test）来确定样本是否满足均匀分布。规定： 2 伪随机数介绍 ① 0 假设（null hypothesis）为样本服从均匀分布；② 1 伪随机数是由确定的算法生成的，其分布函数与相关性 假设（alternative hypothesis）为样本不服从均匀分布。 均能通过统计测试。与真实随机数的差别在于，它们是由算 采用 P 值（∈[0， 1]）衡量，P 值越趋近于 0，表示越 法产生的，而不是一个真实的随机过程。一般地，伪随机数 有理由拒绝 0 假设，即样本不服从均匀分布；P 值越趋近于 1， 的生成方法主要有以下 3 种[6] ： 表示越有理由接受 0 假设，即样本服从均匀分布。 （1） 直接法（Direct Method），根据分布函数的物理意 如图 1 与图 2 所示：随着 P 值下降，样本也越来越不服 义生成。缺点是仅适用于某些具有特殊分布的随机数，如二