-
让品牌有温度、有情感
专注品牌策划15年
伪随机算法有哪些
发布时间：2023-04-08 09:14:56
稿源：
创意岭 阅读：
64
大家好！今天让创意岭的小编来大家介绍下关于伪随机算法有哪些的问题，以下是小编对此问题的归纳整理，让我们一起来看看吧。
开始之前先推荐一个非常厉害的Ai人工智能工具，一键生成原创文章、方案、文案、工作计划、工作报告、论文、代码、作文、做题和对话答疑等等
只需要输入关键词，就能返回你想要的内容，越精准，写出的就越详细，有微信小程序端、在线网页版、PC客户端
创意岭作为行业内优秀的企业，服务客户遍布全球各地，如需了解SEO相关业务请拨打电话175-8598-2043，或添加微信：1454722008
本文目录:
一、『伪随机』伪随机的概念
计算机里的确的确没有“真随机”，因为计算机是由0和1组成，不存在不确定的因素。但是程序经常会用到随机的功能，因此出现了“伪随机”,这是相对“真随机”的一个概念。
“真随机”就是我们现实世界中的随机，每次发生都是独立事件，概率不会相互影响。
比如一件事发生的概率是20%，不管是否发生，那么下次再发生的概率依然是20%。
随机数生成器 是一个函数y=f(x)，而 随机种子 则是变量x。所以一旦x和f(x)确定了，那么产生的随机数y也就确定。
“伪随机”正是通过，在 随机数生成器 中传入的 随机种子 得到结果产生随机数。之所以为“伪随机”，是因为能够出现的结果以及次序其实已经在 随机数生成器 这个函数中确定了，如果f(x)一定，而程序通过输入x的变化，而产生不同结果，达到随机的效果。 “伪”指的是有规律，而不是“假”。
比如3次输入的x值相同，那么得到的3次结果也将相同。但是如果将当前时间节点（时钟）当做输入x，x则必然不同，则达到了随机的效果。
在游戏中，经常有"暴击率"的游戏设定，但是出现连续暴击而改变战局对于电子竞技游戏来说并不是好事，因此经典游戏war3，dota就对暴击率进行了干涉，首先设定一个暴击率初始值x%，之后进行正常判定，如果未发生暴击，则通过算法，提高x%的值。那么下次暴击率就会提高。如此循环，直到出现暴击，然后重置暴击率为初始x%。
虽然过程并不独立，但平均总体算下来，是符合该角色暴击率的。
在游戏中，经常有抽卡玩法，比如YYS，FGO，王者荣耀等。
假如SSR出率为1%，那么1个玩家抽100次没有SSR的概率是99%，那么100个玩家各抽100次，0.99^100=0.366，将近37%的人没有SSR。这就非常影响游戏体验了，超过1/3的玩家都没有获得强力卡牌。这会导致这部分玩家一气之下卸载游戏甚至在网络上攻击游戏，对游戏厂商非常不利。为了避免这种情况，很多游戏推出了保底机制，比如当你前99次都没有抽到某爆率1%角色时，第100次必定会出，这就是保底机制。
现在的音乐播放器都有“随机播放”功能，这个功能的实现并不是在你的歌单中随机抽取歌曲播放，而是将你歌单中的歌曲重新打乱排序生成一个新歌单（用户看不到），再顺序播放这个生成的歌单。
所以即使你使用随机播放，当你从固定的歌曲选择“上一首”时，每次都是同一首歌。
二、听说计算机产生的随机数是伪随机数，公式有谁知道。
用S作随机模拟计算
作为统计工作者，我们除了可以用S迅速实现新的统计方法，还可以用S进行随机模拟。随机模拟可以验证我们的算法、比较不同算法的的优缺点、发现改进统计方法的方向，是进行统计研究的最有力的计算工具之一。
随机模拟最基本的需要是产生伪随机数，S中已提供了大多数常用分布的伪随机数函数，可以返回一个伪随机数序列向量。这些伪随机数函数以字母r开头，比如rnorm()是正态伪随机数函数，runif()是均匀分布伪随机数函数，其第一个自变量是伪随机数序列长度n。关于这些函数可以参见第14节以及系统帮助文件。下例产生1000个标准正态伪随机数：
>
y
<-
rnorm(1000)
这些伪随机数函数也可以指定与分布有关的参数，比如下例产生1000个均值为150、标准差为100的正态伪随机数：
>
y
<-
rnorm(1000,
mean=150,
sd=100)
产生伪随机数序列是不重复的，实际上，S在产生伪随机数时从一个种子出发，不断迭代更新种子，所以产生若干随机数后内部的随机数种子就已经改变了。有时我们需要模拟结果是可重复的，这只要我们保存当前的随机数种子，然后在每次产生伪随机数序列之前把随机数种子置为保存值即可：
>
the.seed
<-
.Random.seed
>
……………
>
.Random.seed
<-
the.seed
>
y
<-
rnorm(1000)
作为例子，我们来产生服从一个简单的线性回归的数据。
#
简单线性回归的模拟
lm.simu
<-
function(n){
#
先生成自变量。假设自变量x的取值范围在150到180之间，大致服从正态分布。
x
<-
rnorm(n,
mean=165,
sd=7.5)
#
再生成模型误差。假设服从N(0,
1.2)分布
eps
<-
rnorm(n,
0,
1.2)
#
用模型生成因变量
y
<-
0.8
*
x
+
eps
return(data.frame(y,x))
}
S没有提供多元随机变量的模拟程序，这里给出一个进行三元正态随机变量模拟的例子。假设要三元正态随机向量
的
n个独立观测，可以先产生n个服从三元标准正态分布的观测，放在一个
n行3列的矩阵中：
U
<-
matrix(rnorm(3*n),
ncol=3,
byrow=T)
可以认为矩阵U的每一行是一个标准的三元正态分布的观测。设矩阵
的Choleski分解为
，
A为上三角矩阵，若随机向量
，则
。因此，
作为一个三行
n列的矩阵每一行都是服从
分布的，且各行之间独立。经过转置，产生的
X
X
<-
matrix(rep(mu,n),
ncol=3,
byrow=T)
+
U
%*%
A
是一个
n行三列的矩阵。
有时模拟需要的计算量很大，多的时候甚至要计算几天的时间。对于这种问题我们要善于把问题拆分成可以单独计算的小问题，然后单独计算每个小问题，把结果保存在S对象中或文本文件中，最后综合保存的结果得到最终结果。
如果某一个问题需要的计算时间比较长，我们在编程时可以采用以下的技巧：每隔一定时间就显示一下任务的进度，以免计算已经出错或进入死循环还不知道；应该把中间结果每隔一段时间就记录到一个文本文件中（cat()函数可以带一个file参数和append参数，对这种记录方法提供了支持），如果需要中断程序，中间结果可能是有用的，有些情况下还可以根据记录的中间结果从程序中断的地方继续执行。
参考文献：
http://www.math.pku.edu.cn/teachers/lidf/docs/statsoft/html/s/13.html
三、C++ 中的伪随机数，例如rand()，是怎么生成的？
#include<math.h>
#define RAND_MAX 32767
unsigned int g_nSeed;//随机数种子
void srand(unsigned int seed)//初始化随机数种子
{
g_nSeed = seed;
}
int rand()
{
int a, c;
a = sqrt(RAND_MAX) + 1;
c = sqrt(3)*RAND_MAX;
g_nSeed = (g_nSeed*a+c)%RAND_MAX;//一种求随机数种子的算法，具体算法不一定是这样，可以有很多种，但大概原理就是这样
return g_nSeed;
}
四、伪随机和真随机区别
计算机不会产生绝对随机的随机数，计算机只能产生“伪随机数”。其实绝对随机的随机数只是一种理想的随机数，即使计算机怎样发展，它也不会产生一串绝对随机的随机数。计算机只能生成相对的随机数，即伪随机数。
随机数三个特性
1、随机性：完全乱序；
2、不可推测性：从已有的数，无法推测出下一个数；
3、不可重复性：随机数之间不重复。
真随机数是伴随着物理实验的，比如：抛硬币、掷骰子、电子元件的噪音、核裂变等，它的结果符合三大特性的。
伪随机数
伪随机数是通过一定算法，获得一个随机的值，并不是真的随机。伪随机又分为强伪随机数和弱伪随机数。强伪随机数：更加贴近真随机数，满足特性的。随机性和不可推测性，难以预测。弱伪随机数：满足随机性，可以预测。
以上就是关于伪随机算法有哪些相关问题的回答。希望能帮到你，如有更多相关问题，您也可以联系我们的客服进行咨询，客服也会为您讲解更多精彩的知识和内容。
推荐阅读：
赣公网安备 50019002502384号
