准生成随机数
拟随机序列
准随机数生成器(QRNGs)产生高度均匀的单位超立方体样本。QRNGs最小化差异产生的点的分布，并用在超立方体的均匀划分的每一子立方体点的相等比例分布之间。其结果是，系统QRNGs填写所产生的准随机序列的任一初始段的“洞”。
与中描述的伪随机序列不同常见的伪随机数产生方法，准随机序列失败的随机性许多统计检验。逼近真实的随机性，但是，是不是他们的目标。准随机序列谋求均匀地填充空间，并且以这样的方式，初始段近似这种行为最多的特定密度这样做。
QRNG应用包括：
准蒙特卡洛（QMC）的集成。蒙特卡洛技术经常使用没有封闭形式解来评价困难，多维积分。QMC采用准随机序列，以提高这些技术的收敛性。
空间实验的设计。在许多实验设置，进行测量每因子设置是昂贵的或不可行的。准随机序列提供设计空间的高效，均匀采样。
全局优化。优化算法通常发现的初始值附近局部最优。通过使用初始值的准随机序列，全局最优搜索均匀地采样所有局部最小值的吸引盆。
示例：使用争夺，飞跃，跳跃
假设有一个简单的1- d序列，它产生从1到10的整数。这是基本的顺序，前三个点是[1,2,3]:
现在看看如何争夺,跳跃和飞跃一起工作：
争夺- 扰洗牌中的几种不同的方式一个点。在这个例子中，假定加扰接通序列插入1、3、5、7、9,2,4,6,8,10。前三个点现在(1、3、5):
跳跃- 一个跳跃值指定初始点的数量以忽略。在这个例子中，设置跳跃值为2。序列是5,7,9,2,4,6,8,10前三点是(5、7、9):
飞跃- 一个飞跃值指定的点数为忽略你把每一个。继续与该示例跳跃设置为2，如果你设置了飞跃到1，序列使用了每一个点。在本例中，序列是now5,9,4,8前三点是[5,9,4]:
准随机点集
统计和机器学习工具箱™函数支持以下准随机序列:万博1manbetx
拟随机序列是从正整数到单位超立方体的函数。为了在应用中有用，首字母点集一个序列的必须生成。点集大小的矩阵n-通过-d，其中n是点的数量和d在超立方体的维度被采样。功能haltonset和sobolset构造点集与指定的准随机序列的性能。所述点集的初始段通过将所生成的净的方法haltonset和sobolset类，但是点可以使用括号索引生成和访问。
由于拟随机序列产生的方式，它们可能包含不希望看到的相关性，特别是在它们的初始片段中，特别是在高维空间中。为了解决这个问题，拟随机点集经常出现跳跃,飞跃结束了,或争夺序列中的值。的haltonset和sobolset功能允许您指定一个都跳跃和飞跃拟随机序列的性质，以及争夺的方法haltonset和sobolset类允许您应用各种打乱技术。置乱减少了相关性，同时提高了均匀性。
生成准随机点集
这个例子说明如何使用haltonset构造2-d哈尔顿准随机点集。
创建一个haltonset对象p，跳过序列的前1000个值，然后保留每101个点。
RNG默认的％用于重现p = haltonset (2'跳跃'，1E3，'飞跃'，1E2）
P =哈尔顿点集在2个维度（89180190640991分）性状：跳过：1000飞跃：100 ScrambleMethod：无
的对象p封装指定的准随机序列的属性。点集是有限的，其长度由跳跃和飞跃属性，并通过在点集索引的大小限制。
用争夺运用逆向基数扰。
(p, p =争夺'RR2')
属性:跳跃:1000 Leap: 100 ScrambleMethod: RR2
用净以产生第一500点。
X0 =净（P，500）;
这相当于
X0 = p (1:50 0:);
点集的值X0是否生成并存储在内存中，直到您访问p使用净或括号索引。
为感谢准随机数的性质，建立在两个维度的散点图X0。
散射（X0（：，1），X0（：，2），5，“r”）轴广场标题（“{\ bf拟随机散射}”)
比较这与均匀伪随机数产生的散点兰德函数。
X =兰德(500 2);散射(X (: 1) X (:, 2), 5,“b”）轴广场标题（'{\bf均匀随机散射' ')
准随机散射出现更均匀，避免了在伪随机分散的结块。
在统计意义上，拟随机数过于均匀，无法通过传统的随机性检验。例如，由。执行的Kolmogorov-Smirnov测试kstest，用于评估一个点集是否具有均匀随机分布。在均匀伪随机样本上重复执行时，如由兰德，则检验结果为的均匀分布p值。
nTests = 1 e5;sampSize = 50;PVALS = 0 (nTests, 1);为nTests x = rand(sampSize,1);[h, pval] =键糟(x (x, x));PVALS(测试)= pval;结束直方图(PVALS,100) h = findobj(gca，'类型',“补丁”);包含('{\它p} - 值'）ylabel（测试的数量)
当在均匀的准随机样本反复执行的测试的结果有很大的不同。
P = haltonset（1，'跳跃'，1E3，'飞跃'，1E2）;(p, p =争夺'RR2');nTests = 1 e5;sampSize = 50;PVALS = 0 (nTests, 1);为x = p(test:test+(sampSize-1)，:);[h, pval] =键糟(x (x, x));PVALS(测试)= pval;结束直方图(PVALS 100)包含('{\它p} - 值'）ylabel（测试的数量)
小p-值对数据均匀分布的原假设提出了质疑。如果假设是正确的，大约5%p- 值预计将下降低于0.05。结果是他们未能挑战假设非常一致。
拟随机流
拟随机流，由qrandstream功能，用于生成顺序准随机的输出，而不是一个特定大小的点集。流用于像pseudoRNGS，如兰德当客户端应用程序需要一个准随机数源时，该源的大小不确定，可以间断地访问。准随机流的属性，如它的类型(Halton或Sobol)、维数、跳跃、跳跃和攀登，都是在流构造时设置的。
在实施中，准随机流本质上是非常大的准随机点集，虽然他们访问不同。的状态准随机流的要被从该流采取的下一个点的标量指标。使用qrand的方法qrandstream类从流中生成点，从当前状态开始。使用重启方法的状态复位到1。不像点集，流不支持括号索引。万博1manbetx
生成准随机流
这个例子展示了如何从一个准随机点集生成样本。
用haltonset来创建一个拟随机点集p，然后重复将索引增加到点集测试生成不同的样本。
P = haltonset（1，'跳跃'，1E3，'飞跃'，1E2）;(p, p =争夺'RR2');nTests = 1 e5;sampSize = 50;PVALS = 0 (nTests, 1);为x = p(test:test+(sampSize-1)，:);[h, pval] =键糟(x (x, x));PVALS(测试)= pval;结束
相同的结果，通过使用获得的qrandstream构建一个拟随机流问基于点集p并让流照顾增量的指标。
P = haltonset（1，'跳跃'，1E3，'飞跃'，1E2）;(p, p =争夺'RR2');Q = qrandstream（P）;nTests = 1 e5;sampSize = 50;PVALS = 0 (nTests, 1);为1:nTests X = qrand(q,sampSize);[h, pval] =键糟(X (X, X));PVALS(测试)= pval;结束
相关话题
您还可以选择从下面的列表中的网站：
