今天我们来聊聊伪随机数,以下6个关于伪随机数的观点希望能帮助到您找到想要的大学知识。
本文目录
伪随机是什么意思？
现在的计算机还无法产生一个真正的随机数，它能产生的随机数都是伪随机数，在这方面它跟人脑还没法比，但是它有强大的计算功能，可以通过复杂的计算弥补这一缺点。 存在一个基本的随机率m，被的随机率都以m和固有概率共同计算，如网络游戏中攻击力的浮动，装备的精炼。m=f(t)是时间t的函数，t至少精确到0.01秒。t还是一个周期较大的周期函数.因为计算机是结构,条理非常清晰的数理逻辑. 它所执行的东西都是按照人们编好的程序一步一步来的. 所以这并不是真正的随机.举个例子来说,你玩过网游吧,一般的游戏里都有本地图内随机传送的技能或物品. 如果真随机的话,你无限次传送可以到达任何一个地方. 但如果伪随机的话，无限次传送之后有些地方仍然是无法到达的。 计算机通过复杂得计算，让大家看起来好像是数据之类的东西是处于随机状态的，但是他还是有一定的规律。真正的随机，没办法预测下一步。
伪随机和真随机
真伪随机其实分别指的是几率和概率 很久以前流传着这样一则笑话：一个身患重病的人决定去动手术。在手术之前，他问医生：“这起手术的成功率是多少？”医生回答他：“只有1%。”他很惊慌，但是医生说：“没事的，在你之前我已经治死过99个人了。” 这是一则嘲笑那些不懂“概率”的人的笑话，却讲出了“真随机”和“伪随机”之间的区别。 1.随机性：完全紊乱； 2.不可预测性：从现有号码，无法推断下一个数字； 3.不可重复性：随机数之间没有重复。 真随机数是伴随物理实验，例如：掷硬币、掷骰子、电子元件噪声、核裂变等，其结果符合三个特点。 伪随机数是通过某种算法，获取随机值，不是真的很随机。 伪随机数分为强伪随机数和弱伪随机数。 1.强伪随机数：接近真实随机数，令人满意的特性。随机性与不可预测性，不可预知的。 2.弱伪随机数：满足随机性，可预测的。 在游戏当中我们一直提到的“真随机”和“伪随机”，到底是什么意思？ 我们通常说的真随机又名“纯随机”（True Random Distribution），就是我们平常一直说的那种、一般意义上的“随机”。 在真随机中，每一个事件都是相互独立、服从真随机分布的，不受其他事件的发生而改变。比方说某款游戏为了吸引用户，拥有这么一个随机抽卡系统：每次抽卡时，都有1%的几率抽出SSR卡片，这个概率服从真随机分布。 回到我们最开始说的那个“治死99个”的笑话：我们一眼就能看出这个笑话的不合理性。但在抽卡游戏中，我们的大脑瞬间失去理智。有相当一部分玩家认为：我连抽100次，总能抽到这张卡吧！ 实际上，连抽100次却抽不出1%的SSR卡的几率是为(1-0.01)^100=36.6%，甚至还稍稍超过了1/3。将连抽数字上升至300，也仍有4.9%的几率。 换句话说，假设有10000个玩家连抽100次，就有约3660个玩家抽不出这张SSR；10000个玩家连抽300次，也仍有约490个玩家抽不出这张SSR——这对玩家的游戏体验来说可以说是毁灭性的打击。 设计者们提出了“伪随机”的概念：在不确定性的随机事件当中，通过一系列算法使随机事件均匀分布在多次事件当中，尽可能减少或消除极端情况的发生，以提高玩家的游戏体验。 制造“伪随机”的方法有很多， N表示当前攻击的次数，P(N)表示当前攻击的暴击率，C为概率增量。如果我们这次攻击产生了暴击，则需要将 N 重置为 1，如果这次攻击没有产生暴击，则 N + 1。 为了便于理解，这里直接给出一个具体例子： 设我们当前玩家角色暴击率还是0.5，那么对于 PRD算法，此时的 C = 0.3 可以看到，使用 PRD 算法，对于攻击是否会暴击这一问题，仍然是存在着随机性即玩家的运气因素的，但即使是运气最差的玩家，仍然也会在第四次攻击时产生暴击，因此PRD算法可以在保存随机性的同时，减少玩家运气因素对游戏结果的影响。 真随机： 有一天，小明在的班级上举办了一次抽奖活动。这个班级有40个学生，所以为了公平起见，保证每个学生都有1/40的几率中奖，老师准备了40个相同的纸盒，每个纸盒中都有40张纸条，有1张纸条是中奖纸条。这样一来，每个学生都有1/40的几率中奖，但每个学生是否中奖并不受其他学生的影响。在极端情况下，这个班上可能40个学生都能中奖。这就是真随机。 伪随机： 小明班上举办了抽奖活动。为了公平起见，老师准备了1个纸盒，纸盒中有40张纸条，只有1张纸条是中奖纸条。这样一来，每个学生都有1/40的几率中奖——但是显而易见，这个班上有且仅有一名学生能够中奖。一名学生在中奖后，余下的所有学生中奖几率都会减少至0。这就是伪随机。
伪随机数的生成方法
一般地，伪随机数的生成方法主要有以下3种：
（1） 直接法（Direct Method），根据分布函数的物理意义生成。缺点是仅适用于某些具有特殊分布的随机数，如二项式分布、泊松分布。
（2） 逆转法（Inversion Method），假设U服从[0，1]区间上的均匀分布，令X=F-1（U），则X的累计分布函数（CDF）为F。该方法原理简单、编程方便、适用性广。
（3）接受拒绝法（Acceptance-Rejection Method）：假设希望生成的随机数的概率密度函数（PDF）为f，则首先找到一个PDF为g的随机数发生器与常数c，使得f（x）≤cg（x），然后根据接收拒绝算法求解。由于算法平均运算c次才能得到一个希望生成的随机数，因此c的取值必须尽可能小。显然，该算法的缺点是较难确定g与c。
因此，伪随机数生成器（PRNG）一般采用逆转法，其基础是均匀分布，均匀分布PRNG的优劣决定了整个随机数体系的优劣[7]。下文研究均匀分布的PRNG。
什么是伪随机？
结构可以预先确定，可重复产生和复制，具有某种随机序列随机特性的序列码。伪随机码序列一般可以利用移位寄存器网络产生，该网络由R级串联双态器件移位脉冲产生器和模二加法器组成。该网络可以产生码长为15的伪随机码。在计算机、通信系统中我们采用的随机数、随机码均为伪随机数、伪随机码。所谓“随机码”，就是无论这个码有多长都不会出现循环的现象，而“伪随机码”在码长达到一定程度时会从其第一位开始循环，由于出现的循环长度相当大，例如CDMA采用42的伪随机码，重复的可能性为4.4万亿分之一，所以可以当成随机码使用。 中文名：伪随机码 利用：移位寄存器网络产生 例如：CDMA采用42的伪随机码 特点：结构可预先确定，重复产生和复制
什么是伪随机和真随机？
所谓真伪随机其实分别指的是几率和概率。
所谓概率，用Dota里话说，就是出现得并不规律，但是大致上就是这么多次数。比如17％，如果是每2000次为一周期，那么17％意味着，尽管你不确定这340次究竟会什么时候出现，但2000次中必然出现340次，不多一次也不会少一次。貌似这就是伪随机了。概率事件之间相互影响，一旦这一次没有触发，那么下一次触发的概率就会变大。形象而言，概率事件就好比，一个班有50位同学抓阄抽奖，纸条总计50个，其中10个有有奖，40个没奖。可以确定，按理说每个人平均都有20％的中奖可能。一旦第一位同学没有抽到，那么剩下同学平均中奖的可能性就会从20％提高到20.40％，以此类推，如果前10位同学都没有中奖，那么剩下同学中奖概率将提高到平均25％。但是不管谁中谁没中，最后横竖只有20％的人中奖。这就是20％的中奖概率。
而真随机则是指几率。比如17％的几率，意味着你这次触发特殊事件是17％的可能性，下次也是，每一次都是。如果你这次失败，下次依然保持在17％的可能性。。同样使用上面抽奖的例子，这次把20％概率换成20％的几率，那么就成了这样了：50个同学，每人会得到一个装着50张纸条的盒子，其中有10张有奖，40张不中奖，每人可以抽10张纸条。那么这时候，大家抽奖就是个抽各的，互不影响。你抽中了不会导致别人中或者不中，这就是几率，意味着事件之间毫无联系，说不定50个人总计可以抽到1000张全部奖品，或者50人全部空手而回。虽然同样是20％的可能性，概率是所有事件相互影响，总体可能性保持在20％，而几率是所有事件相互独立，单次可能性保持在20％，但总体中奖分布则在0到100％之间浮动。
今天的内容先分享到这里了，读完本文《伪随机数(伪随机数计算公式)》之后，是否是您想找的答案呢？想要了解更多大学知识，敬请关注本站,您的关注是给小编最大的鼓励。
标签：伪随机数什么是伪随机数?伪随机是什么意思?伪随机和真随机伪随机数的生成方法什么是伪随机?什么是伪随机和真随机?
免责声明：本文由用户上传，如有侵权请联系删除！