中文系统仿真（Arena） Course_4(随机数生成).pptVIP

Management System Simulation 随机数的生成 内容 问题的提出 均匀分布随机数发生器及其性质 均匀分布随机数的生成 均匀分布随机数的检验 小结 问题的提出 管理系统模拟多为随机系统模拟,对随机系统模拟必须得到服从各种分布的随机变量。 问题1: 如何得到这些随机变量——生成问题 问题2: 如何证明所得随机变量是所要求的——验证问题 研究结果表明: 可以通过对独立同分布的随机数(IID U(0,1)(identical and independent distribution ))加以某种转换得到所需的各种随机变量,也就是说可以利用U(0,1)求得所需要的随机数。 问题转化为: 问题1: 如何得到这种随机数——生成问题 问题2: 如何证明所得随机数是真正的随机数——验证问题 因此可以说: 随机变量为管理系统模拟的基础 随机数为得到所需随机变量基础 均匀随机数发生器及其性质 随机数的定义： 设:u1,u2, …, un是(a, b)上的连续的均匀分布的随机数序列, 取a = 0, b = 1则得(0, 1)区间上均匀分布的随机数,通常表示为U(0,1)。 均匀随机数发生器的主要问题 这种随机数发生器应该具有什么特点； 原有的生成方法及方法存在的问题； 可能的解决方法； 依然存在的问题； 到底需要怎样的随机数发生器。 U(0, 1)的统计特性 密度函数 分布函数 期望值 方差 U(0, 1)的均匀性和独立性 均匀性： N个样本,均匀落入n等份的(0,1)区间,其期望值为N/n。 独立性： 每一个采样值所落区间与前一个的无关。 如何来得到随机数 物理方法: 电子噪声发生器，放射源激励计数器，等。 问题: 物理设备；真随机；但不可重复。 计算机方法： 伪随机数——不是真正的随机数 可以重现——周期性的重复 统计上满足某些要求——统计上满足随机数的数字特性。 我们所真正需要的随机数应该是 不是真正的随机数,而是统计上满足使用需求的随机数,产生方便,使用方便，易于产生。 分布均匀，尽可能接近U(0,1) 统计上独立 产生速度足够快 可以重现 有足够长的周期 用内存尽可能的少 严格意义上来说，现在所有的随机数发生器都不是在概率论意义下的真正随机数，而只能是称为伪随机数，因为无论哪一种随机数发生器都是采用递推算法——即有一定规律可言，这已经违反了概率论意义下随机的含义。 但是，如果算法选择合适，则通过该算法得到的数据，可以在一定程度下满足统计检验的要求，具有较好的统计特性，也就可以用于模拟。 均匀随机数的生成 历史上常用方法介绍 平方取中法 乘法取中法 常数取中法 菲波那契法 平方取中法 冯·诺依曼于40年代中期提出的。 思路： 取2s位整数做种子； 种子平方后得4s位，如不够4s位，前面补0； 取中间2s位做下一个种子； 归一化后得(0, 1)上的随机数。 通式: Xi+1 = [Xi2/10S]mod 102S，Ui+1 = Xi+1/102s 思路: 取2s位整数做种子； 种子*前次种子后得4s位，如不够4s位，前面补0； 取中间2s位做下一个种子； 归一化后得(0,1)上的随机数。 通式: Xi+2=[ Xi+1 Xi /10S]mod 102S Ui+2=Xi+2/102s 思路 取2s位整数做种子； 种子*某系数后得4s位，如不够4s位，前面补0； 取中间2s位做下一个种子； 规格化后得(0, 1)上的随机数。 通式: Xi+1= [ k* Xi /10S]mod 102S Ui+1= Xi+1/102s 思路: 以斐波那契序列运算(0,1,1,2,3,5,0,5,5,2,7,1,0,1,1,...) 通式: Xi+2=[ Xi+1 +Xi]mod m Ui+2=Xi+2/m 例：取x0=0; x1=1; m=23=8; 斐波那契序列运算结果 (0,1,1,2,3,5,0,5,5,2,7,1,0,1,1,...) 周期: 3m/2 = 12 历史上常用方法的特点 简单、直观、易于实现； 数据内部特性难以控制，容易出现退化等问题。 目前常用的方法——线性同余法 混和线性同余法 乘法同余法 二次同余法 加法同余法 混和线性同余法 通式: Xi+1 = [aXi + C] mod m Ui+1 = Xi+1 /m 其中: a乘子；c增量；x0初值；m模 通常4个参数都取整数 参数的选择不同对产生的随机序列和统计特性有极大的影响. 关键问题：如何选择参数以得到好的结果。 Xi的范