Generowanie liczb losowych w C ++ 11: jak generować, jak to działa? [Zamknięte]

Niedawno natknąłem się na nowy sposób generowania liczb losowych w C ++ 11, ale nie mogłem przetrawić artykułów, które o nim czytałem (co to za silnik , termin matematyczny taki jak dystrybucja , „gdzie wszystkie uzyskane liczby całkowite są równie prawdopodobne ”).

Więc czy ktoś może wyjaśnić

• czym oni są?
• co to znaczy
• jak wygenerować?
• jak oni pracują?
• itp

Możesz to nazwać w jednym FAQ dotyczącym generowania liczb losowych.

Pytanie jest o wiele za szerokie, aby dać pełną odpowiedź, ale pozwól mi wybrać kilka interesujących punktów:

Dlaczego „równie prawdopodobne”

Załóżmy, że masz prosty generator liczb losowych, który generuje liczby 0, 1, ..., 10 z jednakowym prawdopodobieństwem (pomyśl o tym jak o klasycznym rand()). Teraz potrzebujesz losowej liczby z zakresu 0, 1, 2, z równym prawdopodobieństwem. Twoja odruchowa reakcja byłaby wzięta rand() % 3. Ale czekaj, reszta 0 i 1 występuje częściej niż reszta 2, więc to nie jest poprawne!

Dlatego potrzebujemy odpowiednich rozkładów , które pobierają źródło jednakowych losowych liczb całkowitych i zamieniają je w nasz pożądany rozkład, jak Uniform[0,2]w przykładzie. Najlepiej zostaw to w dobrej bibliotece!

Silniki

Zatem sercem całej losowości jest dobry generator liczb pseudolosowych, który generuje sekwencję liczb, które są równomiernie rozłożone w pewnym przedziale i które idealnie mają bardzo długi okres. Standardowa implementacja rand()często nie jest najlepsza, dlatego warto mieć wybór. Liniowo-przystający i twister Mersenne to dwa dobre wybory (LG jest w rzeczywistości często używany również przez rand()); znowu dobrze jest pozwolić bibliotece się tym zająć.

Jak to działa

Łatwe: najpierw skonfiguruj silnik i uruchom go. Ziarno w pełni określa całą sekwencję liczb „losowych”, więc a) użyj za /dev/urandomkażdym razem innego (np. Pobranego z ) i b) zapisz ziarno, jeśli chcesz odtworzyć sekwencję losowych wyborów.

#include <random>

typedef std::mt19937 MyRNG;  // the Mersenne Twister with a popular choice of parameters
uint32_t seed_val;           // populate somehow

MyRNG rng;                   // e.g. keep one global instance (per thread)

void initialize()
{
  rng.seed(seed_val);
}

Teraz możemy tworzyć dystrybucje:

std::uniform_int_distribution<uint32_t> uint_dist;         // by default range [0, MAX]
std::uniform_int_distribution<uint32_t> uint_dist10(0,10); // range [0,10]
std::normal_distribution<double> normal_dist(mean, stddeviation);  // N(mean, stddeviation)

... i użyj silnika do tworzenia liczb losowych!

while (true)
{
  std::cout << uint_dist(rng) << " "
            << uint_dist10(rng) << " "
            << normal_dist(rng) << std::endl;

}

Konkurencja

Jeszcze jeden ważny powód, aby preferować <random>tradycyjnerand() wątki, jest to, że teraz jest bardzo jasne i oczywiste, jak sprawić, by generowanie liczb losowych było bezpieczne: albo zapewnij każdemu wątkowi własny silnik lokalny dla wątku, zapoczątkowany na lokalnym źródle wątku lub zsynchronizuj dostęp do obiektu silnika.

Różne

• Ciekawy artykuł na temat TR1 random na codeguru.
• Wikipedia ma dobre podsumowanie (dzięki @Justin).
• W zasadzie każdy silnik powinien result_typewpisać f a , który jest prawidłowym typem całki do użycia dla nasienia. Chyba miał buggy realizację raz który zmusił mnie zmusić do materiału siewnego std::mt19937, aby uint32_tna x64, w końcu to powinno być stałe i można powiedzieć, MyRNG::result_type seed_vala tym samym sprawiają, że silnik bardzo łatwo wymienialne.

Generator liczb losowych to równanie, które po podaniu liczby da nową liczbę. Zazwyczaj podajesz pierwszą liczbę lub jest ona pobierana z czegoś w rodzaju czasu systemowego.

Za każdym razem, gdy poprosisz o nową liczbę, używa poprzedniej liczby do wykonania równania.

Generator liczb losowych nie jest uważany za bardzo dobry, jeśli ma tendencję do generowania tej samej liczby częściej niż inne liczby. tj. jeśli chcesz losową liczbę od 1 do 5 i masz następujący rozkład liczb:

• 1: 1%
• 2: 80%
• 3: 5%
• 4: 5%
• 5: 9%

2 jest generowany znacznie częściej niż jakakolwiek inna liczba, więc jest bardziej prawdopodobne, że zostanie wygenerowany niż inne liczby. Gdyby wszystkie liczby były takie same, miałbyś 20% szans na otrzymanie każdej liczby za każdym razem. Mówiąc inaczej, powyższy rozkład jest bardzo nierównomierny, ponieważ preferowane jest 2. Rozkład ze wszystkimi 20% byłby równy.

Zwykle, jeśli chcesz uzyskać prawdziwą liczbę losową, powinieneś pobrać dane z czegoś takiego jak pogoda lub inne naturalne źródło, a nie z generatora liczb losowych.