是的,有许多方法可以产生比随机制服更均匀分布的数字序列。实际上,有一个专门针对这个问题的领域。它是准蒙特卡罗(QMC)的骨干。以下是绝对基础知识的简要介绍。
测量均匀度
有很多方法可以执行此操作,但是最常见的方法具有强烈的,直观的几何风格。假设我们关心的是在为某个正整数生成个点。定义
其中是的矩形,使得和X 1,X 2,... ,X Ñ [ 0 ,1 ] d dnx1,x2,…,xn[0,1]dd- [R [ 一个1,b 1 ] × ⋯ × [ 一个d,b d ] [ 0 ,1 ] d 0 ≤ 一个我 ≤ b 我 ≤ 1 - [R [R [R v ø 升([R )= Π 我(b 我 - 一个我)
Dn:=supR∈R∣∣∣1n∑i=1n1(xi∈R)−vol(R)∣∣∣,
R[a1,b1]×⋯×[ad,bd][0,1]d0≤ai≤bi≤1R是所有此类矩形的集合。模内的第一项是内部的点的“观察”比例,第二项是体积,。
RRvol(R)=∏i(bi−ai)
数量通常被称为点集的差异或极端差异。直观地,我们发现“最差”的矩形,其点的比例与理想均匀性下的期望值相差最大。(x i)RDn(xi)R
这在实践中难以操作并且难以计算。在大多数情况下,人们更喜欢工作与星偏差,
唯一的区别是集合的绝对值。它是一组锚定矩形(在原点处),即。A a 1 = a 2 = ⋯ = a d = 0
D⋆n=supR∈A∣∣∣1n∑i=1n1(xi∈R)−vol(R)∣∣∣.
Aa1=a2=⋯=ad=0
引理:对于所有,。证明。自以来,左手界很明显。右边的边界如下,因为每个可以通过不超过锚定矩形的并集,交集和补码(例如,在)组成。 Ñ d 甲 ⊂ - [R [R ∈ - [R 2 d 甲D⋆n≤Dn≤2dD⋆nnd
A⊂RR∈R2dA
因此,我们看到和在某种意义上是等效的,如果一个随着增大而变小,那么另一个也将相等。这是一张(卡通)图片,显示每个差异的候选矩形。d ⋆ ñ ñDnD⋆nn
“好”序列的例子
毫不奇怪,通常将具有可低星际差异序列称为低差异序列。D⋆n
范德Corput。这也许是最简单的例子。对于,通过将整数扩展为二进制形式,然后在小数点附近“反映数字” 来形成范德Corput序列。更正式地说,这与完成的自由基逆在基本函数,
其中和是的基数扩展中的数字。此功能也构成许多其他序列的基础。例如,二进制文件中的是,因此我b φ b(我)= ∞ Σ ķ = 0一ķ b - ķ - 1d=1ib
ϕb(i)=∑k=0∞akb−k−1,
i=∑∞k=0akbkakbi41101001a0=1,,,,和。因此,范德Corput序列中的第41个点是。
a1=0a2=0a3=1a4=0a5=1x41=ϕ2(41)=0.100101(base 2)=37/64
请注意,由于的最低有效位在和之间振荡,奇数的点在,而偶数的点在。i01xii[1/2,1)xii(0,1/2)
霍尔顿序列。在最流行的经典低差异序列中,这些是范德科普特序列到多个维度的扩展。令为第个最小素数。然后,个点所述的维哈尔顿序列是
对于低它们工作得很好,但是在较大尺寸上存在问题。pjjixid
xi=(ϕp1(i),ϕp2(i),…,ϕpd(i)).
d
霍尔顿序列满足。它们也很不错,因为它们是可扩展的,因为这些点的构造不依赖于序列长度的先验选择。D⋆n=O(n−1(logn)d)n
哈默斯利序列。这是Halton序列的非常简单的修改。我们改为使用
也许令人惊讶的是,这样做的好处是它们具有更好的星形差异。
xi=(i/n,ϕp1(i),ϕp2(i),…,ϕpd−1(i)).
D⋆n=O(n−1(logn)d−1)
这是二维Halton和Hammersley序列的示例。
Faure置换的Halton序列。生成Halton序列时,可以将一组特殊的置换(作为的函数固定)应用于每个的数字扩展。这有助于(在某种程度上)纠正较高维度中提到的问题。每个排列都具有将和保持为固定点的有趣特性。iaki0b−1
格规则。令为整数。取
其中表示小数部分。值的明智选择会产生良好的均匀性。选择不当会导致顺序错误。它们也是不可扩展的。这是两个例子。β1,…,βd−1
xi=(i/n,{iβ1/n},…,{iβd−1/n}),
{y}yβ
(t,m,s)网。在基网是点的集合,使得体积的每矩形在包含点。这是一种很强的均匀性形式。在这种情况下,小是您的朋友。Halton,Sobol'和Faure序列是网络的示例。它们很容易通过加扰进行随机化。网络的随机加扰(正确完成)会产生另一个网络。该薄荷项目保持这种序列的集合。(t,m,s)bbt−m[0,1]sbtt(t,m,s)(t,m,s)(t,m,s)
简单随机化:Cranley-Patterson旋转。令是点的序列。设。然后,点均匀分布在。xi∈[0,1]dU∼U(0,1)x^i={xi+U}[0,1]d
这是一个示例,其中蓝点是原始点,红点是旋转的点,并用线将它们连接起来(并在适当时显示为环绕)。
完全均匀分布的序列。这是有时甚至会发挥作用的更强的一致性概念。令为中点的序列,现在形成大小为重叠块以获得序列。因此,如果,我们取则,。如果对于每个,,则被说成是完全均匀分布的。换句话说,该序列产生一组任意点(ui)[0,1]d(xi)s=3x1=(u1,u2,u3)x2=(u2,u3,u4) s≥1D⋆n(x1,…,xn)→0(ui)具有理想的属性的尺寸。D⋆n
例如,范德·科珀特序列不是完全均匀分布,因为对于,点在平方,而点在。因此,在平方中没有点,这意味着对于,对于所有,。s=2x2i(0,1/2)×[1/2,1)x2i−1[1/2,1)×(0,1/2)(0,1/2)×(0,1/2)s=2D⋆n≥1/4n
标准参考
该的Niederreiter(1992)专着和方和王(1994年)文本的地方去作进一步的探索。