Документация

Клиент и рабочие

Если необходимо сгенерировать тот же поток чисел в клиенте и рабочих, можно установить совпадать с другим. Можно установить алгоритм генератора и seed с помощью rng.

Например, вы можете запустить скрипт как пакетное задание на рабочем, и нуждаться в том же генераторе или последовательности как клиент. Предположим, что вы запускаете с файла с именем скрипта randScript1.m это содержит линию:

R = rand(1,4);

Можно запустить этот скрипт в клиенте, и затем как пакетное задание на рабочем. Заметьте, что сгенерированные последовательности значения по умолчанию случайных чисел в результатах отличаются.

randScript1; % In client
R

R =
    0.8147    0.9058    0.1270    0.9134

parallel.defaultClusterProfile('local')
c = parcluster();
j = batch(c,'randScript1'); % On worker
wait(j);load(j);
R

R =
    0.1349    0.6744    0.9301    0.5332

Для идентичных результатов можно установить клиент и рабочего использовать тот же генератор и seed. Здесь, файл randScript2.m содержит следующий код:

rng(1,'Threefry');
R = rand(1,4);

Теперь запустите новый скрипт в клиенте и на рабочем:

randScript2; % In client
R

R =
    0.1404    0.8197    0.1073    0.4131

j = batch(c,'randScript2'); % On worker
wait(j); load(j);
R

R =
    0.1404    0.8197    0.1073    0.4131

Различные рабочие

По умолчанию у каждого рабочего в кластере, работающем над тем же заданием, есть независимый поток случайных чисел. Если randrandi, или randn называются параллельно, каждый рабочий производит уникальную последовательность случайных чисел.

Этот пример использует двух рабочих в параллельном пуле, чтобы показать, что они генерируют уникальные последовательности случайных чисел.

p = parpool(2);
spmd
    R = rand(1,4); % Different on each worker
end
R{1},R{2}

ans = 
    0.1349    0.6744    0.9301    0.5332
ans =
    0.6383    0.5195    0.1398    0.6509

delete(p)

Если вам нужны все рабочие, чтобы сгенерировать ту же последовательность чисел, можно установить каждого рабочего использовать те же настройки генератора:

p = parpool(2);
spmd
    rng(0,'Philox'); % Default seed 0.
    R = rand(1,4); % Same on all workers
end
R{1},R{2}

ans =
    0.3655    0.6975    0.1789    0.4549
ans =
    0.3655    0.6975    0.1789    0.4549

delete(p)

Если необходимо управлять случайными числами в каждой итерации parfor- цикл, смотрите Повторные Случайные числа в циклах parfor.

Нормально распределенные случайные числа

Если вы работаете с нормально распределенными случайными числами с помощью randn функция, можно использовать те же методы как выше использования RandStream установить тип генератора, seed и нормальный алгоритм преобразования на каждом рабочем и клиенте.

Например, предположите файл randScript3.m содержит код:

stream = RandStream('Threefry','Seed',0,'NormalTransform','Inversion');
RandStream.setGlobalStream(stream);
R = randn(1,7)

R =
    -0.3479    0.1057    0.3969    0.6544   -1.8228    0.9587    0.5360