随机模拟与实验last.pptVIP

随机模拟与实验 随机模拟的基本方法又称为蒙特卡罗（Monte Carlo）方法。是Velleman与Von Neumann等人在20世纪40年代为研制核武器提出来的，已大量地运用于计算机仿真试验。 随机模拟的典型步骤： 1、根据问题构建模拟系统 2、仿真系统中各种分布的随机变量 3、运行模拟系统，进行统计测量 4、分析数据，输出结果 主要工具 基本工具：C、C++等编程模拟、matlab 网络模拟：OPNET Modeler、NS2：大型网络仿真 CASSAP：数字信号处理；SPW：电子系统 布丰（Buffon）投针试验 例子：布丰（Buffon）投针试验 将一根长为l的细针随机地投掷于标有无数平行线的平面上，假定平行线间距为2l，则针与平行线相交的概率为1/π。 随机数及其产生 定义：如果一个实数列{ui}与均匀分布的独立随机变量序列{Ui}的样本序列具有相同的统计特性，则称之为随机的，该数列中的各个数称为均匀分布随机数，简称随机数（Random Number）。 随机数的产生有三种方法： 1）将已有的随机数存表，需要时直接使用： 美国兰德公司在1950年曾将100万个在（0，1）区间内的实数存入计算机外存储器，以便在仿真过程中进行随机调用。2）将计算机连接到物理设备（如噪声源）上获得随机数流。（随机性和均匀性最好，但产生过程太复杂，未能得到推广。） 3）通过数学算法产生随机数（伪随机数）。这种方法容易与计算机结合，因而得到广泛的应用。 伪随机数 伪随机数的产生：用户只需给定一个初始的 随机数（种子值），调用该算法，即可按某个固定的公式计算出下一个“随机”数。随后，以新产生出来的“随机”数作为种子，再计算出新的“随机”数。重复调用该算法即可产生出一系列的“随机”数，以满足系统仿真的需要。 伪随机数本质上不是随机的。但只要计算公式选择得当，通过比较严格地统计检验，仍然可以产生出一系列近似于U(0,1)分布并且相对独立的随机数流，这种随机数流对于大多数仿真模型，是能满足需要的。因此，仍然是目前广泛应用的工程方法。 伪随机数的算法 伪随机数是按照一定的计算公式产生的一列数，主要借助于如下的递推公式： un=f(un-1,un-2,…,un-k) 该公式（或算法）也称为随机数发生器（RNG）。 常用的伪随机数的算法有： 1）平方取中法（Von Neumann 40年代发明） 2）乘法取中法 3）线性同余法：简单、实用 伪随机数发生器的特点： 1）产生的随机数序列具有循环周期性。可以证明，任何产生伪随机数的算法总会进入循环，这样为了保证随机数序列不产生重复的数据，就要求循环的周期足够长。 2）算法过程具有再现性：在初始化时，如果赋予相同的种子值，将产生完全相同的随机数序列。 伪随机数的算法（续） 线性同余法 1）设置y0，即设置种子 2）yn=kyn-1(mod N)，un=yn/N 三组常见的参数 N=1010，k=7，周期≈5×107 （IBM随机数发生器）N=231，k=216+3，周期≈5×108 （ran0） N=231-1，k=75，周期≈2×109 一般随机数的产生方法 大部分计算机语言都提供了产生0－1间隔均匀分布随机数的标准函数或方法： C语言中的rand函数，VB中的randum函数， java语言中的Randnum类。 由均匀分布的随机数可构造出任一分布F(x)的随机数，最基本的方法是逆变换法： 一般随机数的产生方法（续） 例如：利用变换法产生指数分布随机数的方法。 因此，X的模拟方法为 1）产生均匀分布随机数{ui}； 2）计算指数分布随机数：xi=-ln ui /λ 泊松分布随机变量的产生方法 从泊松分布的分布律可知，采用前述方法很不适用。由于 正态分布随机变量的产生方法 标准正态随机变量的分布函数 的反函数不存在显式，因此也不能用逆变法产生。 故采用如下方法： 设Ui～U(0，1)，i=1,2,…,n，且相互独立，由中心极限定理可知，当n较大时 实验平台介绍 实验执行步骤 选择执行的实验内容 在出现正确结果后，选择“保存” 选择结果保存的目录 输入保存结果的文件名，必须为*.bmp文件 选择“保存” 实验平台介绍 实验平台包含的源文件 StdAfx.cpp：VC工程自带文件，不能修改 random.cpp和random.h：工程主文件，不能修改 Scope.cpp和Scope.h ：画图程序，不能修改 randomDlg.cpp和randomDlg.h：主界面程序，包括对各个按钮的动作的响应，