第四章随机数产生原理.pptVIP

第四章随机数产生原理第一页，共一百页，2022年，8月28日 2023/8/24信息统计分析2§4.1 引言§4.2 伪随机数产生原理§4.3 [0，1]均匀分布随机数的算法§4.4 其他分布随机数的产生§4.5 正态分布随机数的产生§4.6 MATLAB统计库中的随机数发生器§4.7 随机数的检验§4.8 案例分析第四章 随机数的产生原理第二页，共一百页，2022年，8月28日 2023/8/24信息统计分析3以随机数产生为基础的Monte-Carlo方法已成为现代科研的重要手段之一。其意义早以超出了概率论与数理统计的范畴。广泛应用于计算方法、随机数规划、管理科学、物理化学中的高分子结构的研究等领域。我们来看一些例子。第三页，共一百页，2022年，8月28日 2023/8/24信息统计分析41、数值计算的研究数值计算的研究可以说是一切Monte-Carlo应用的基础，在计算数学领域我们遇到了很多的复杂计算，一个典型的例子是计算积分。对于一维、二维的问题早已获得解决。但是当遇到高维积分问题时，我们传统的数值方法都由于计算量太大而陷于了困境。但是高维积分问题又偏偏是物理、高分子化学、运筹学和最优化问题迫切而必须解决的问题。我们来看一个例子。?这里第四页，共一百页，2022年，8月28日 2023/8/24信息统计分析5这是一个众所周知的积分公式，我们当然也可以把它一般的看为是一个高维积分，如果从传统的数值计算方法来看待，则高维问题是随着维数的增加计算量成指数增加的，计算很快就失去控制。但是如果我们换一个角度来看待这个问题，从概率论的角度，它实际是： 即是f（x）的均值，对于均值我们有一个很好的估计，即第五页，共一百页，2022年，8月28日 2023/8/24信息统计分析6【例4.1.1】 用Monte-Carlo 对 积分解：将积分区域和值域看成是一个边长为一的正方形。利用均匀分布随机数将点撒在正方形中，计算小于函数的个数并除全部点数。这就是积分的近似值。% 利用Monte-Carlo方法计算定积分x=rand(1,1000);x_2=x.^2;JF=mean(x_2)% 作Monte-Carlo积分示意图for i=1:1000 xx=rand(1,100); yy=rand(1,100);endx1=linspace(0,1,50);y1=x1.^2;plot(xx,yy,.,x1,y1,linewidth,2)axis equalh = legend(x-y,x^2);JF = 0.3346第六页，共一百页，2022年，8月28日 2023/8/24信息统计分析7面积计算结果为：s = 0.3482第七页，共一百页，2022年，8月28日 2023/8/24信息统计分析8【例4.1.2】 利用Monte-Carlo方法计算定积分。解：抽两组随机数，求每组元素的平方代入给定的函数，然后求平均值即得积分的近似值。% Monte-Carlo方法积分二重积分并与数值方法的结果进行比较Q = dblquad(sin(x.^2+y.^2),0,1,0,1) % 数值求积分命令x=rand(2,100000); % 产生两组随机数Sin_xy= sin(x(1,:).^2+x(2,:).^2); % 代入函数JF_Sin_xy=mean(Sin_xy) % 用Monte-Carlo方法求积分值计算结果为：Q = 0.5613JF_Sin_xy = 0.5612当抽样数很大时结果很接近。我们可以从Monte-Carlo方法中看出，如果维数增加实际计算难度并不增加，因此是处理高维问题的有效方法。第八页，共一百页，2022年，8月28日 2023/8/24信息统计分析9这里 x 是积分定义域中的均匀分布随机数，这是革命性的一个视角。从这个视角，我们把繁难的积分计算变成了简单的算术平均，而大量的抽样计算又是计算机的拿手好戏，更重要的是当维数增加时并不增加计算难度，从而用 Monte-Carlo 方法研究高维积分问题已是当今计算数学界的热门课题。2、管理科学的系统仿真研究 管理科学中的系统仿真研究，如服务系统、库存系统等。其共性就是研究的对象是随机数，如顾客到达时间一般是一个服从指数分布的随机数，而服务时间也可以看成是服从某种分布的随机数，当一个系统是多队多服务体系时，问题就变的相当复杂了。我们很难用数学的解析式来表达。这时Monte-Carlo方法也是有利的武器。对于这个领域的已有各种比较成熟的专用软件如GPSS、SIMULATION等可以使用。第九页，共一百页，2022年，8月28日 2023/8/24信