#coding=utf-8
# 用于按概率生成随机数
import numpy as np
# 函数;生成未来若干天的天气
# now : 今天天气, 0-晴天 1-多云 2-雨
# count: 返回多少天之后的天气的序列,默认只返回第二天
# trans: 转移矩阵
# 返回:天气list
def gen_weather( now, count, trans):
weather_list = []
for num in range( count ):
# 根据今天天气对应的明天天气的转换概率,生成第二天的天气
p = np.array( trans[ now] )
# 0-晴天 1-多云 2-雨
now = np.random.choice([0,1,2], p=p.ravel())
# 保存到天气链表
weather_list.append( now )
return weather_list
# 函数:计算马尔可夫链的平稳分布(numpy array 方式)
# init_array: 平稳分布的初始值list, 按[晴,多云,雨]顺序
# transfer_mat: 转移矩阵
# error: 收敛的误差值阈值,如1e-07
# 返回: 平稳分布list
def np_markov(init_array, transfer_mat, error):
restmp = init_array
count = 0
while True:
#print ( count, restmp )
res = np.dot( restmp, transfer_mat )
diff = res - restmp
if diff.max() < error:
break;
restmp = res
count += 1
return count, restmp
# 函数: 计算马尔可夫链的平稳分布(python array 方式)
# init_array: 平稳分布的初始值list, 按[晴,多云,雨]顺序
# trans: 转移矩阵
# error: 收敛的误差值阈值,如1e-07
# 返回: 平稳分布list
def array_markov( init_array, trans, error ):
count = 0 # 计数器
while True:
#print ( count, init_array )
# 计算 w = init_array*trans
w = [0,0,0]
# 计算init_array*trans中第二天为晴的概率
w[0] = init_array[0] * trans[0][0] + init_array[1]*trans[1][0] + init_array[2]*trans[2][0]
# 计算init_array*trans中第二天为多云 的概率
w[1] = init_array[0] * trans[0][1] + init_array[1]*trans[1][1] + init_array[2]*trans[2][1]
# 计算init_array*trans中第二天为雨 的概率
w[2] = init_array[0] * trans[0][2] + init_array[1]*trans[1][2] + init_array[2]*trans[2][2]
# 得到init_array与w的delta
delta = [0,0,0]
for i in range(3):
delta[i] = abs( init_array[i] - w[i])
# 刷新init_array, 进行下一轮计算
init_array = w
# 若差值最够小,则停止计算
if delta[0] < error and delta[1] < error and delta[2] < error :
break;
count += 1
return count, w
# 主程序
if __name__ == "__main__":
# 天气状态转换矩阵
# 第一列/行:晴
# 第二列/行:多云
# 第三列/行:雨
trans = [
[0.8, 0.2, 0.0],
[0.4, 0.4, 0.2],
[0.2, 0.6, 0.2]
]
# 开始生成随机天气
print ("\n根据状态转换矩阵生成随机天气")
start_weather = 1 #起始天气,0-晴天 1-多云 2-雨
count = 20 # 生成多少天的天气
print ( "起始天气:%d, 生成天数:%d "% (start_weather,count) )
li = gen_weather( start_weather, count, trans )
print ( "计算得到天气序列为: ",li )
# 计算马尔可夫链的平稳分布(方式1:使用numpy)
# 天气状态转换矩阵
# 第一列/行:晴
# 第二列/行:多云
# 第三列/行:雨
transfer_mat = np.array(
[[0.8, 0.2, 0.0],
[0.4, 0.4, 0.2],
[0.2, 0.6, 0.2]]
)
# np的精度是小数点后16位
np.set_printoptions(precision=16)
print ("\n计算马尔可夫链的平稳分布(方式1):")
# 设置初始分布init_array(任意){晴,多云,雨}
init_array = np.array([0.3, 0.4, 0.3 ])
# 停止计算的误差值
error = 1e-14
print ( "初始分布:",init_array, " error:", error)
count, li = np_markov(init_array, transfer_mat, error )
print ("计算次数:", count, "\n平稳分布为: ", li )
# 计算马尔可夫链的平稳分布(方式2:使用python array)
print ("\n计算马尔可夫链的平稳分布(方式2):")
# 设置初始分布init_array(任意){晴,多云,雨}
init_array = [0.3, 0.4, 0.3 ]
# 停止计算的误差值
error = 1e-14
print ( "初始分布:",init_array, " error:", error)
count, li = array_markov( init_array ,trans, error )
print ("计算次数:", count, "\n平稳分布为: ", li )
运行结果:
根据状态转换矩阵生成随机天气
起始天气:1, 生成天数:20
计算得到天气序列为: [0, 0, 0, 0, 0, 0, 1, 2, 1, 1, 1, 2, 0, 1, 0, 1, 0, 0, 1, 2]
计算马尔可夫链的平稳分布(方式1):
初始分布: [0.3 0.4 0.3] error: 1e-14
计算次数: 43
平稳分布为: [0.6428571428571346 0.2857142857142918 0.0714285714285755]
计算马尔可夫链的平稳分布(方式2):
初始分布: [0.3, 0.4, 0.3] error: 1e-14
计算次数: 43
平稳分布为: [0.6428571428571395, 0.2857142857142889, 0.07142857142857345]