书名:代码本色:用编程模拟自然系统
作者:Daniel Shiffman
译者:周晗彬
ISBN:978-7-115-36947-5
0.5 自定义分布的随机数
1、过采样
生活中总有很多例子无法用均匀分布的随机数模拟,高斯分布有时也无能为力。
假设你是一个正在觅食的随机游走者,在某个空间内随机移动貌似是一种合理的觅食策略。毕竟,你不知道食物在哪里,不如走一步算一步。但你会发现一个问题,随机游走者经常会走回原先涉足过的地方(这称为“过采样”)。
2、列维飞行
有一个策略可以避免这个问题:每隔一段时间,跨很大一步。这样就可以让在一个特定范围内的游走者时常跳到很远的地方,以减少过采样。
要实现这样的随机游走(成为列维飞行),首先要有一堆自定义的概率值。但这不是列维飞行的一个标准实现。
我们可以这么定义概率分布:步子越长,发生的概率越小;步子越短,发生的概率越大。
3、自定义分布的随机数
从一个数组中选择事先填充好的数字(某些数字有重复,这些数字被选中的概率更大),或者判定random()函数返回的结果。我们也可以用类似的方式实现列维飞行,假定随机游走者有1%的几率跨一大步。
float r = random(1);
if(r < 0.01){ //有1%的几率跨一大步
xstep = random(-100, 100);
ystep = random(-100, 100);
}else{
xstep = random(-1, 1);
ystep = random(-1, 1);
}
4、自定义分布的随机数2
如果我们想要有一般的选择规则(数字越大,被选到的概率越大),该怎么做?比如,3.145被选中的几率就比3.144高,就算只高
一点点。换言之,以选中的随机数为x轴,被选中的概率为y轴,我们可以建立这样的映射:y = x。
如果能得到这类自定义分布的随机数生成算法,我们就可以用同样的方式计算各种公式对应的分布曲线。
5、常见的解决方案
一种常见的解决方案是:生成两个随机数,而不是只生成一个随机数。第一个随机数只是一个普通的随机数。第二个随机数我们称作“资格随机数”,用来决定第一个随机数的取舍。那些资格更高的随机数被选中的概率更大,而资格更低的随机数被选中的概率更小。
下面是计算步骤(只考虑位于0~1的随机数):
- 1.选择一个随机数R1;
- 2.计算R1被选中的资格概率P,假设P = R1;
- 3.选择另一个随机数R2;
- 4.如果R2小于P,那么R1就是我们要的随机数;
- 5.如果R2大于P,回到第(1)步重新开始。
6、蒙特卡洛算法
在本例中,一个随机数被选中的资格概率的大小等于其本身。假如我们选中的R1是0.1,这意味着R1被最后选中的概率是10%。如果R1是0.83,那么它有83%的概率被最后选中。数字越大,最后被选择的概率也越大。
以下函数(称为蒙特卡洛算法,以蒙特卡洛大赌场命名)实现了上面的算法,返回0~1的随机数。
float montecarlo(){
while (true){ //“永远”重复这个操作,直到合格的随机数被找到
float r1 = random(1); //选择一个随机数
float probability = r1; //分配概率
float r2 = random(1); //选择第二个随机数
if (r2 < probability){ //这个随机数是否有资格被选中?如果是,任务完成
return r1;
}
}
}
7、习题
用一种自定义分布确定随机游走的步长,步长可以根据选中值的范围来确定。你能否通过某种映射来确定选中的概率,比如,选择的概率等于它的平方。
float stepsize = random(0,10); //步长大小的均匀分布。改变这个!
float stepx = random(-stepsize,stepsize);
float stepy = random(-stepsize,stepsize);
x += stepx;
y += stepy;
网友评论