C/C++怎樣產生隨機數
C/C++怎樣產生隨機數:這裡要用到的是rand()函式, srand()函式,C語言/C++裡沒有自帶的random(int number)函式。
(1) 如果你只要產生隨機數而不需要設定範圍的話,你只要用rand()就可以了:rand()會返回一隨機數值, 範圍在0至RAND_MAX 間。RAND_MAX定義在stdlib.h, 其值為2147483647。
例如:
#include<stdio.h>
#include<stdlib.h>
void main()
{
for(int i=0;i<10;i+)
printf("%d/n",rand());
}
(2) 如果你要隨機生成一個在一定範圍的數,你可以在巨集定義中定義一個random(int number)函式,然後在main()裡面直接呼叫random()函式:
例如:隨機生成10個0~100的數:
#include<stdio.h>
#include<stdlib.h>
#define random(x) (rand()%x)void main()
{
for(int x=0;x<10;x++)
printf("%d/n",random(100));
}
(3)但是上面兩個例子所生成的隨機數都只能是一次性的,如果你第二次執行的時候輸出結果仍和第一次一樣。這與srand()函式有關。srand()用來設定rand()產生隨機數時的隨機數種子。在呼叫rand()函式產生隨機數前,必須先利用srand()設好隨機數種子(seed), 如果未設隨機數種子, rand()在呼叫時會自動設隨機數種子為1。上面的兩個例子就是因為沒有設定隨機數種子,每次隨機數種子都自動設成相同值1 ,進而導致rand()所產生的隨機數值都一樣。
srand()函式定義 : void srand (unsigned int seed);
通常可以利用geypid()或time(0)的返回值來當做seed
如果你用time(0)的話,要加入標頭檔案#include<time.h>
例如:
#include<stdio.h>
#include<stdlib.h>
#include<time.h>
#define random(x) (rand()%x)void main()
{srand((int)time(0));
for(int x=0;x<10;x++)
printf("%d/n",random(100));
}
這樣兩次執行的結果就會不一樣了!!
<二>
標準C庫中函式rand()可以生成0~RAND_MAX之間的一個隨機數,其中RAND_MAX 是stdlib.h 中定義的一個整數,它與系統有關。
rand()函式沒有輸入引數,直接通過表示式rand()來引用;例如可以用下面的語句來列印兩個隨機數:
printf("Random numbers are: %i %i/n",rand(),rand());
因為rand()函式是按指定的順序來產生整數,因此每次執行上面的語句都列印相同的兩個值,所以說C語言的隨即並不是正真意義上的隨機。
為了時程式在每次執行時都能生成一個新序列的隨機值,我們通常通過為隨機數生成器提供一粒新的隨機種子。函式srand()(來自stdlib.h)可以為隨機數生成器播散種子。只要種子不同rand()函式就會產生不同的隨機數序列。srand()稱為隨機數生成器的初始化器。
例如:
檔名: rand_srand.c
/* This program generates and prints ten random integers between 1 and RAND_MAX*/
#include <stdio.h>
#includ <stdlib.h>
int main()
{
usigned int seed; /*申明初始化器的種子,注意時usigned int 型的*/
int k;
pringt("Enter a positive integer seed value: /n");
scanf("%u",&seed);
srand(seed);
printf("Random Numbers are:/n");
for(k = 1; k <= 10; k++)
printf("%i",rand());
printf("/n");
return 0;
}
你會發現,當你提供的種子相同時,隨機數序列也時相同的。而且當種子為1時,與不使用srand()函式時一樣的,也就是說rand()函式預設情況下初始化種子值為1;
在stdlib.h 中這兩個函式的原型是:
int rand();
void srand (unsigned int);
擴充:
x = rand()%11; /*產生1~10之間的隨機整數*/
y = rand()%51 - 25; /*產生-25 ~ 25之間的隨機整數*/
z = ((double)rand()/RAND_MAX)*(b-a) + a;/*產生區間[a,b]上的隨機數*/
<三>
1-0:Microsoft VC++產生隨機數的原理:
Srand ( )和Rand( )函式。它本質上是利用線性同餘法,y=ax+b(mod m)。其中a,b,m都是常數。因此rand的產生決定於x,x被稱為Seed。Seed需要程式中設定,一般情況下取系統時間作為種子。它產生的隨機數之間的相關性很小,取值範圍是0—32767(int),即雙位元組(16位數),若用unsigned int 雙位元組是65535,四位元組是4294967295,一般可以滿足要求。
1-1: 線性同餘法:
其中M是模數,A是乘數,C是增量,為初始值,當C=0時,稱此演算法為乘同餘法;若C≠0,則稱演算法為混合同餘法,當C取不為零的適當數值時,有一些優點,但優點並不突出,故常取C=0。模M大小是發生器週期長短的主要標誌,常見有M為素數,取A為M的原根,則週期T=M-1。例如:
a=1220703125
a=32719 (程式中用此組數)
a=16807
程式碼:
void main( )
{
const int n=100;
double a=32719,m=1,f[n+1],g[n],seed;
m=pow(2,31);
cout<<"設定m值為 "<<m-1<<endl;
cout<<"輸入種子"<<endl; //輸入種子
cin>>seed;
f[0]=seed;
for(int i=1;i<=n;i++) //線性同餘法生成隨機數
{
f[i]=fmod((a*f[i-1]),(m-1));
g[i-1]=f[i]/(m-1);
cout.setf(ios::fixed);cout.precision(6); //設定輸出精度
cout<<i<<" "<<"/n"<<g[i-1]<<endl;
}
}
結果分析:統計資料的平均值為:0.485653
統計資料的方差為:0.320576
1-2:人字對映
遞推公式
就是有名的混沌對映中的“人字對映”或稱“帳篷對映”,它的非週期軌道點的分佈密度函式:人字對映與線性同餘法結合,可產生統計性質優良的均勻隨機數。
for(int i=1;i<=n;i++) //線性同餘法生成隨機數
{
f[i]=fmod((a*f[i-1]),m);
if(f[i]<=m/2) //與人字對映結合生成隨機數
{
f[i]=2*f[i];
}
else
{
f[i]=2*(m-f[i])+1;
}
1-3:平方取中法——馮·諾伊曼
1946年前後,由馮·諾伊曼提出,他的辦法是去前面的隨機數的平方,並抽取中部的數字。例如要生成10位數字,而且先前的值是5772156649,平方後得到33317792380594909201,所以下一個數是7923805949。
for(j=1;j<=n;j++)
{
i[j]=i[j-1]*i[j-1];
i[j]=i[j]/pow(10,5);
i[j]=fmod(i[j],pow(10,10));
g[j]=i[j]/pow(10,10);
cout.setf(ios::fixed);cout.precision(6); //設定輸出精度
cout<<j<<'/t'<<g[j]<<endl;
}
二:任意分佈隨機數的生成
利用(0,1)均勻分佈的隨機數可以產生任意分佈的隨機數。主要的方法有反函式法,舍選法,離散逼近法,極限近似法和隨機變數函式法等。這裡主要討論了反函式法,當然對於具體分佈函式可以採用不同的方法。
設隨機變數X具有分佈函式F(X),則對一個給定的分佈函式值,X的值為
其中inv表示反函式。現假設r是(0,1)均勻分佈的隨機變數R的一個值,已知R的分佈函式為
因此,如果r是R的一個值,則X具有概率
也就是說如果 (r1,r2,...,rn)是R的一組值,則相應可得到的一組值
具有分佈。從而,如果我們已知分佈函式的反函式,我們就可以從(0,1)分佈的均勻分佈隨機數得到所需分佈的隨機數了。
1-4:指數分佈:
指數分佈的分佈函式為:
x<0時,F(x)=0 ; ,F(x)=1-exp
利用上面所述反函式法,可以求得: x= ln(1-y),這裡不妨取常數 為1.
for(int j=0;j<n;j++)
{
i=rand()%100;//產生從0-32767的任意一個值
a[j]=double(i)/double(100);
a[j]=-log(a[j]);// 常數大於0,這裡取1
1-5:正態分佈:
正態分佈的概率密度是:
正態分佈的分佈函式是:
對於正態分佈,利用反函式的方法來獲取正態分佈序列顯然是很麻煩的,牽涉到很複雜的積分微分運算,同時為了方便,我們取,即標準正態分佈。因此這裡介紹了兩種演算法:
第一種:
Box和Muller在1958年給出了由均勻分佈的隨機變數生成正態分佈的隨機變數的演算法。設U1, U2是區間 (0, 1)上均勻分佈的隨機變數,且相互獨立。令
X1=sqrt(-2*log(U1)) * cos(2*PI*U2);
X2=sqrt(-2*log(U1)) * sin(2*PI*U2);
那麼X1, X2服從N(0,1)分佈,且相互獨立。
p=rand()%100;//產生從0-32767的任意一個值
b[j]=double(p)/double(100);
a[j]=sqrt(-2*log(a[j]))*cos(2*3.1415926*b[j]);
第二種:
近似生成標準正態分佈,獨立同分布的多個隨機變數和的分佈趨近於正態分佈,取k個均勻分佈的(0,1)隨機變數,,…… ,則它們的和近似服從正態分佈。
實踐中,取k=12,(因為D( )=1/12),則新的隨機變數y=x1+x2+...+x12-6,可以求出數學期望E(y)=0,方差D(y)=12*1/12=1,因此可以近似描述標準正態分佈。
---------------------
來源:CSDN
原文:https://blog.csdn.net/beyond0824/article/details/6009908