Hammersley采样算法生成的伪随机分布和均匀随机分布的区别

Hammersley采样算法生成的伪随机分布和均匀随机分布在采样点的分布特点上有明显区别：

均匀随机分布

• 定义：均匀随机分布是一种经典的随机采样方法，在指定范围内随机生成点，每个点在整个区域内出现的概率是相同的。
• 特点：
  • 点的位置完全随机，可能出现聚集或空白区域。
  • 随机性较强，不一定能均匀覆盖整个采样区域。
  • 适用于需要随机性且对点分布均匀性要求不高的情况。

Hammersley采样算法

• 定义：Hammersley采样是一种准随机（quasi-random）采样方法，生成的点分布在空间上更均匀、更有规律。
• 特点：
  • 点的位置并非完全随机，而是根据特定的规则生成，使得点更均匀地覆盖整个采样区域。
  • 更适合高维采样，能够有效减少采样点之间的间隙和重叠。
  • 生成的点分布具有低差异性，点之间的距离更均匀。

Hammersley采样与均匀随机分布的区别

1. 分布均匀性：

   • 均匀随机分布：点可能在某些区域聚集，而在其他区域稀疏，导致覆盖不均匀。
   • Hammersley采样：点更均匀分布，覆盖整个采样区域，减少了聚集和稀疏区域。

2. 采样效率：

   • 均匀随机分布：可能需要更多的点才能达到均匀覆盖。
   • Hammersley采样：通过规则化的点生成，通常能用较少的点实现较好的覆盖效果。

3. 应用场景：

   • 均匀随机分布：适用于需要高度随机性的场景，如蒙特卡罗模拟等。
   • Hammersley采样：适用于需要均匀覆盖采样区域的场景，如数值积分、优化问题等。

举例说明

• 均匀随机分布：假设在一个二维单位正方形内进行均匀随机采样，可能得到如下分布：

  *  *       *   *  *
       *   *  *   *  *
    *       * *  *   *
  

• Hammersley采样：同样在二维单位正方形内，Hammersley采样可能得到如下分布：

  *   *   *   *   *   *
  *   *   *   *   *   *
  *   *   *   *   *   *
  *   *   *   *   *   *
  

这种均匀的分布更有助于在有限的采样点下获得更全面、更准确的采样结果。