线性同余法求随机数python实现_百面机器学习笔记 | 第八章：采样 | 02 均匀分布随机数...

均匀分布是指整个样本空间中的每一个样本点对应的概率（密度）都是相等的。根据样本空间是否连续，又分为离散均匀分布和连续均匀分布。均匀分布可以算作是最简单的概率分布。从均匀分布中进行采样，即生成均匀分布随机数， 几乎是所有采样算法都需要用到的基本操作。然而，即使是如此简单的分布，其采样过程也并不是显然的，需要精心设计一定的策略。

如何编程实现均匀分布随机数生成器？

首先需要明确的是，计算机程序都是确定性的，因此并不能产生真正意义上 的完全均匀分布随机数，只能产生伪随机数（伪随机数是指这些数字虽然是通过 确定性的程序产生的，但是它们能通过近似的随机性测试）。另外，由于计算机的存储和计算单元只能处理离散状态值，因此也不能产生连续均匀分布随机数， 只能通过离散分布来逼近连续分布（用很大的离散空间来提供足够的精度）。

一般可采用线性同余法（Linear Congruential Generator）来生成离散均匀分布伪随机数，计算公式为：

也就是根据当前生成的随机数

来进行适当变换，进而产生下一次的随机数

。 初始值

称为随机种子。上式得到的是区间[0,m−1]上的随机整数，如果想要 得到区间[0,1]上的连续均匀分布随机数，用

除以m即可。

可以看出，线性同余法得到的随机数并不是相互独立的（下一次的随机数根 据当前随机数来产生）。此外，根据线性同余法的计算公式，该算法最多只能产生m个不同的 随机数，实际上对于特定的种子，很多数无法取到，循环周期基本达不到m。如果 进行多次操作，得到的随机数序列会进入循环周期。因此，一个好的线性同余随 机数生成器，要让其循环周期尽可能接近m，这就需要精心选择合适的乘法因子a 和模数m（需要利用代数和群理论）。具体实现中有多种不同的版本，例如gcc中采用 的glibc版本：

但不管怎样，由计算机程序实现的随机数生成器产生的都是伪随机数，真正 的随机数只会存在于自然界的物理现象中，比如放射性物质的衰变，温度、气流 的随机扰动等。有一些网站可以提供基于大自然的随机现象的随机生成器，有兴 趣的读者可以尝试一下。下图是通过大气噪声来产生随机数，可以说是“货真价 实”的真随机数生成器了。

闪电产生大气噪声

面试时，面试官还可能会针对线性同余法进行深入提问，比如，线性同余法 中的随机种子一般如何选定？如果需要产生高维样本或大量样本，线性同余法会 存在什么问题？如何证明上述线性同余发生器得到的序列可以近似为均匀分布 （伪随机数）？