随机化算法_解线性方程组的随机方法-CSDN博客

在我们的生活中，人们经常会去掷色子来看结果，投硬币来决定行动，这就牵涉到一个问题：随机。
计算机为我们提供好了随机方法（部分计算器也提供了），那么对于有些具有瑕疵的算法，如果配上随机化算法的话，又是可以得到一样不到的结果。
随机化算法，是一种基于随机方法，依赖于概率大小的一种算法。这种算法看上去是凭着运气做事，其实，随机化算法是有一定的理论基础的，我们可以想象，在[1,10000]这个闭区间里，随机1000次，随机到2这个数的几率是多大，何况1000次的随机在计算机程序中仅仅是一眨眼的功夫。可以看出，随机化算法有着广阔的前景。只是由于随机化算法比较难于掌控，所以并不是很多人都接触过他，但肯定有很多人都听说过。

随机种子

一般计算机的随机数都是伪随机数，以一个真随机数（种子）作为初始条件，然后用一定的算法不停迭代产生随机数。
一般种子可以以当前的系统时间，这是完全随机的

随机化算法-随机数

随机数在随机化算法设计中扮演着十分重要的角色。在现实计算机上无法产生真正的随机数，因此在随机化算法中使用的随机数都是一定程度上随机的，即伪随机数。

算法1：平方取中法。
1）将种子设为X0，并mod 10000得到4位数
2)将它平方得到一个8位数（不足8位时前面补0）
3）取中间的4位数可得到下一个4位随机数X1
4）重复1-3步，即可产生多个随机数
这个算法的一个主要缺点是最终它会退化成0，不能继续产生随机数。

算法2：线性同余法

线性同余法是产生伪随机数的最常用的方法。由线性同余法产生的随机序列a0,a1,…,an满足：

其中b≥0，c≥0，d≤m。d称为该随机序列的种子。如何选取该方法中的常数b、c和m直接关系到所产生的随机序列的随机性能。这是随机性理论研究的内容。一般将m取得很大，可产生0到m-1之间的伪随机数。从直观上看，可取m为机器大数，另外应取gcd(m,b)=1，因此可取b为一素数

该算法的一个缺点是会出现循环。

随机化算法-数值随机化算法

1.用随机投点法计算π值

设有一半径为r的圆及其外切四边形。向该正方形随机地投掷n个点。设落入圆内的点数为k。由于所投入的点在正方形上均匀分布，因而所投入的点落入圆内的概率为

随机化算法

所以当n足够大时，k与n之比就逼近这一概率。从而

随机化算法

。

double Darts(int n)
{ // 用随机投点法计算值
    static RandomNumber dart;
    int k=0;
    for (int i=1;i <=n;i++) {
      double x=dart.fRandom();
      double y=dart.fRandom();
      if ((x*x+y*y)<=1) k++;
      }
    return 4*k/double(n);
}