Генерация квазислучайных чисел

Квазислучайные последовательности

Quasi-random number generators (QRNGs) производят высоко равномерные выборки единичного гиперкуба. QRNG минимизируют discrepancy между распределением сгенерированных точек и распределением с равными пропорциями точек в каждом подкубе равномерного разбиения гиперкуба. В результате QRNG систематически заполняют «отверстия» в любом начальном сегменте сгенерированной квазислучайной последовательности.

В отличие от псевдослучайных последовательностей, описанных в Common Pseudorandom Number Generation Methods, квазислучайные последовательности проваливают многие статистические тесты на случайность. Аппроксимация истинной случайности, однако, не является их целью. Квазислучайные последовательности стремятся заполнить пространство равномерно и сделать это таким образом, чтобы начальные сегменты аппроксимировали это поведение до заданной плотности.

Приложения QRNG включают:

  • Квази-Монте-Карло (QMC) интегрирования. Методов Монте-Карло часто используются для оценки сложных, многомерных интегралов без решения закрытой формы. QMC использует квазислучайные последовательности для улучшения свойств сходимости этих методов.

  • Космические экспериментальные проекты. Во многих экспериментальных настройках проведение измерений при каждой настройке фактора является дорогим или недопустимым. Квазислучайные последовательности обеспечивают эффективную, равномерную выборку проектного пространства.

  • Глобальная оптимизация. Алгоритмы оптимизации обычно находят локальный оптимум в окрестности начального значения. Используя квазислучайную последовательность начальных значений, ищет глобальную оптимальную равномерно выборочную области притяжения всех локальных минимумов.

Пример: Использование скремблирования, скачка и пропуска

Представьте простую последовательность 1-D, которая производит целые числа от 1 до 10. Это основная последовательность, и первые три точки [1,2,3]:

Теперь посмотрите, как Scramble, Skip, и Leap совместная работа:

  • Scramble - Скремблирование перетасовывает точки одним из нескольких различных способов. В этом примере предположим, что скрембл превращает последовательность в 1,3,5,7,9,2,4,6,8,10. Первые три точки сейчас [1,3,5]:

  • Skip - A Skip значение задает количество начальных точек, которые нужно игнорировать. В этом примере установите Skip значение 2. Последовательность теперь 5,7,9,2,4,6,8,10 и первые три точки [5,7,9]:

  • Leap - A Leap значение задает число точек, которые нужно игнорировать для каждой из них. Продолжение примера с Skip установите значение 2, если установите Leap чтобы 1, последовательность использует каждую другую точку. В этом примере последовательность теперь 5,9,4,8 и первые три точки [5,9,4]:

Квазислучайные наборы точек

Функции Statistics and Machine Learning Toolbox™ поддерживают эти квазислучайные последовательности:

  • Halton sequences. Произведенное haltonset функция. Эти последовательности используют различные простые основы, чтобы сформировать последовательно более мелкие равномерные разбиения единичного интервала в каждой размерности.

  • Последовательности Соболь. Произведенное sobolset функция. Эти последовательности используют основу 2, чтобы сформировать последовательно более мелкие равномерные разбиения единичного интервала, и затем переупорядочивают координаты в каждой размерности.

  • Последовательности латинского гиперкуба. Произведенное lhsdesign функция. Хотя эти последовательности и не являются квазислучайными в смысле минимизации расхождений, тем не менее они дают разреженные однородные выборки, используемые в экспериментальных проектах.

Квазислучайные последовательности являются функциями от положительных целых чисел до модуля гиперкуба. Чтобы быть полезным в приложении, должна быть сгенерирована начальная point set последовательности. Наборы точек являются матрицами размера n -by - d, где n - число точек и d - размерность дискретизируемого гиперкуба. Функции haltonset и sobolset создать наборы точек со свойствами заданной квазислучайной последовательности. Начальные сегменты наборов точек генерируются net метод haltonset и sobolset классы, но точки могут быть сгенерированы и доступны в более общем случае с помощью индексации круглых скобок.

Из-за того, как генерируются квазислучайные последовательности, они могут содержать нежелательные корреляции, особенно в их начальных сегментах, и особенно в более высоких размерностях. Чтобы решить эту проблему, квазислучайные наборы точек часто skip, leap поверх или scramble значения в последовательности. The haltonset и sobolset функции позволяют вам задавать оба Skip и a Leap свойство квазислучайной последовательности и scramble метод haltonset и sobolset классы позволяют вам применять различные методы скремблирования. Скремблирование уменьшает корреляции, одновременно улучшая однородность.

Сгенерируйте квазислучайный набор точек

В этом примере показано, как использовать haltonset чтобы создать 2-D квазислучайный набор точек Галтона.

Создайте haltonset p объекта, который пропускает первые 1000 значений последовательности и затем сохраняет каждую 101-ю точку.

rng default  % For reproducibility
p = haltonset(2,'Skip',1e3,'Leap',1e2)
p = 
Halton point set in 2 dimensions (89180190640991 points)

Properties:
              Skip : 1000
              Leap : 100
    ScrambleMethod : none

Объект p инкапсулирует свойства заданной квазислучайной последовательности. Набор точек конечен, длина определяется Skip и Leap свойства и по пределам размера индексов набора точек.

Использование scramble для применения реверсивного скремблирования.

p = scramble(p,'RR2')
p = 
Halton point set in 2 dimensions (89180190640991 points)

Properties:
              Skip : 1000
              Leap : 100
    ScrambleMethod : RR2

Использование net чтобы сгенерировать первые 500 точек.

X0 = net(p,500);

Это эквивалентно

X0 = p(1:500,:);

Значения набора точек X0 не генерируются и хранятся в памяти, пока вы не получите доступ к p использование net или индексация круглых скобок.

Чтобы оценить природу квазислучайных чисел, создайте график поля точек из двух размерностей в X0.

scatter(X0(:,1),X0(:,2),5,'r')
axis square
title('{\bf Quasi-Random Scatter}')

Figure contains an axes. The axes with title {\bf Quasi-Random Scatter} contains an object of type scatter.

Сравните это с рассеянием равномерных псевдослучайных чисел, сгенерированных rand функция.

X = rand(500,2);
scatter(X(:,1),X(:,2),5,'b')
axis square
title('{\bf Uniform Random Scatter}')

Figure contains an axes. The axes with title {\bf Uniform Random Scatter} contains an object of type scatter.

Квазислучайный рассеяние выглядит более равномерным, избегая трения в псевдослучайном рассеянии.

В статистическом смысле квазислучайные числа являются слишком равномерными, чтобы пройти традиционные тесты случайности. Для примера тест Колмогорова-Смирнова, выполненный kstest, используется, чтобы оценить, имеет ли набор точек равномерное случайное распределение. При выполнении неоднократно на однородных псевдослучайных выборках, таких как сгенерированные randтест дает равномерное распределение p-значений.

nTests = 1e5;
sampSize = 50;
PVALS = zeros(nTests,1);
for test = 1:nTests
    x = rand(sampSize,1);
    [h,pval] = kstest(x,[x,x]);
    PVALS(test) = pval;
end

histogram(PVALS,100)
h = findobj(gca,'Type','patch');
xlabel('{\it p}-values')
ylabel('Number of Tests')

Figure contains an axes. The axes contains an object of type histogram.

Результаты являются совершенно различными, когда тест выполняется неоднократно на однородных квазислучайных выборках.

p = haltonset(1,'Skip',1e3,'Leap',1e2);
p = scramble(p,'RR2');

nTests = 1e5;
sampSize = 50;
PVALS = zeros(nTests,1);
for test = 1:nTests
    x = p(test:test+(sampSize-1),:);
    [h,pval] = kstest(x,[x,x]);
    PVALS(test) = pval;
end

histogram(PVALS,100)
xlabel('{\it p}-values')
ylabel('Number of Tests')

Figure contains an axes. The axes contains an object of type histogram.

Маленькие p-значения ставят под вопрос нулевую гипотезу о том, что данные равномерно распределены. Если гипотеза верна, ожидается, что около 5% значений p опустится ниже 0,05. Результаты удивительно последовательны в их отказе оспорить гипотезу.

Квазислучайные потоки

Квазислучайные streams, произведенные qrandstream function, используются для генерации последовательных квазислучайных выходов, а не наборов точек определенного размера. Потоки используются как pseudoRNGS, такие как rand, когда клиентским приложениям требуется источник квазислучайных чисел неопределенного размера, к которым можно периодически обращаться. Свойства квазислучайного потока, такого как его тип (Halton или Sobol), размерность, пропуск, скачок и скремблирование, задаются при построении потока.

В реализации квазислучайные потоки по существу являются очень большими квазислучайными наборами точек, хотя к ним обращаются по-разному. state квазислучайного потока является скалярным индексом следующей точки, которая будет взята из потока. Используйте qrand метод qrandstream класс для генерации точек из потока, начиная с текущего состояния. Используйте reset метод для сброса состояния в 1. В отличие от наборов точек, потоки не поддерживают индексацию круглых скобок.

Сгенерируйте квазислучайный поток

В этом примере показано, как сгенерировать выборки из квазислучайного набора точек.

Использование haltonset для создания квазислучайного набора точек p, затем неоднократно увеличивайте индекс в набор точек test чтобы сгенерировать различные выборки.

p = haltonset(1,'Skip',1e3,'Leap',1e2);
p = scramble(p,'RR2');

nTests = 1e5;
sampSize = 50;
PVALS = zeros(nTests,1);
for test = 1:nTests
    x = p(test:test+(sampSize-1),:);
    [h,pval] = kstest(x,[x,x]);
    PVALS(test) = pval;
end

Те же результаты получаются при помощи qrandstream чтобы создать квазислучайный поток q на основе набора точек p и позволяя потоку заботиться о шагах к индексу.

p = haltonset(1,'Skip',1e3,'Leap',1e2);
p = scramble(p,'RR2');
q = qrandstream(p);

nTests = 1e5;
sampSize = 50;
PVALS = zeros(nTests,1);
for test = 1:nTests
    X = qrand(q,sampSize);
    [h,pval] = kstest(X,[X,X]);
    PVALS(test) = pval;
end

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте