3蒙特卡罗随机数探究.pptVIP

a=b=65539, seed0=9, seed1=11 2 伪随机数 如何获取[0,1]区间均匀分布的随机数产生器： 每一个Monte Carlo模拟程序软件包都有自带的产生器： Jetset(LUND Monte Carlo模拟系列）：利用Marsaglia等所提出的算法，周期可达1043 函数用法：r=rlu(idummy) Geant3(探测器模拟程序，FORTRAN): 周期=1018 Call grndm(vec*,len) …. 利用CERN程序库： Y=rndm(x): 周期：5x108 Y=rn32(dummy):乘同余法，a=69069,i0=65539 Call ranmar(vec,len): 周期：1043 Call ranecu(vec,len,isq) 2 伪随机数 CLHEP(Class Library for High Energy Physics)中的随机数产生器 利用CLHEP中的随机数产生器软件包： /~zhangxy/clhep/html/index.html 2 伪随机数 FORTRAN中使用随机数产生器应注意的问题： 在FORTRAN中，如果随机数产生器是带dummy变量的函数： 其中变量idum在函数中不使用，应注意以下问题： X=RAND(idum) FORTRAN编译器在对程序进行优化时： X=RAND(IDUM)+RAND(IDUM) ? X=2.0*RAND(IDUM) DO I=1,10 X=RAND(IDUM) … END DO X=RAND(IDUM) DO I=1,10 …. END DO ? 解决办法： DO I=1,10 IDUM = IDUM +1 X=RAND(IDUM) … END DO 2 伪随机数 判断伪随机数序列是否满足均匀和相互独立的要求，要靠统计检验的方法实现。对于伪随机数的统计检验，一般包括两大类：均匀性检验和独立性检验。 六十年代初，人们开始用定性的方法研究伪随机数序列的均匀性和独立性问题，简要叙述如下。 2 伪随机数——均匀性和独立性 伪随机数的均匀性 这里只考虑伪随机数序列ξ1,ξ2…，ξn全体作为子样时的均匀性问题。其中n为伪随机数序列的最大容量。 对于任意的0≤x≤1，令Nn(x)表示伪随机数序列ξ1,ξ2…，ξn中适合不等式 ξi x i=1，2，…，n 的个数，则 标志伪随机数序列ξ1,ξ2…，ξn的均匀程度，称为均匀偏度。 2 伪随机数——均匀性和独立性 将伪随机数序列ξ1,ξ2…，ξn从小至大重新排列 并令 ，则由δ(n)的定义，容易证明 很明显，对于固定的ｎ，δ(n)的值越小越好。它是描述伪随机数序列均匀程度的基本量。对于任意随机数序列，均有如下不等式成立： 当 时，所对应的伪随机数序列为最佳分布。 2 伪随机数——均匀性和独立性 可以证明，伪随机数序列为最佳分布的充要条件是它取遍序列 的所有值。 对于计算机上使用的乘同余方法，按照前面介绍的方法选取a、x1时，所产生的伪随机数序列的均匀偏度 对于乘加同余方法 对于部分伪随机数的均匀性问题通常用统计检验方法检验。 2 伪随机数——均匀性和独立性 伪随机数的独立性 对于任意 ，令 表示(ξ1,ξ2)， (ξ2,ξ3)，…， (ξn,ξn+1)中适合不等式 的个数，根据随机变量间相互独立的定义和频率近似概率的方法，令 则ε(n)标志伪随机数序列ξ1,ξ2…，ξn的独立程度，简称为独立偏度。对于固定的n,ε(n)的值越接近于零，伪随机数序列的独立性越好。 2 伪随机数——均匀性和独立性 对于乘同余方法， 对于乘加同余方法， 因此，这两种方法的独立性都是很好的。 同伪随机数的均匀性问题一样，伪随机数序列的独立性问题也是对它的全体讨论的。若只考虑伪随机数的一部分，在通常情况下给出ε(i)是相当因难的。因此，伪随机数序列的独立性问题的统计检验方法同样是非常重要的。 2