隨機數的演算法
Ⅰ python中的隨機數是怎麼實現的
PYTHON中的偽隨機數發生器用的是梅森旋轉演算法。
梅森旋轉演算法（Mersenne twister）是一個偽隨機數發生演算法。由松本真和西村拓士在1997年開發，基於有限二進制欄位上的矩陣線性遞歸。可以快速產生高質量的偽隨機數，修正了古典隨機數發生演算法的很多缺陷。
梅森旋轉演算法是R、Python、Ruby、IDL、Free Pascal、PHP、Maple、Matlab、GNU多重精度運算庫和GSL的默認偽隨機數產生器。從C++11開始，C++也可以使用這種演算法。
整個演算法主要分為三個階段：獲得基礎的梅森旋轉鏈；對於旋轉鏈進行旋轉演算法；對於旋轉演算法所得的結果進行處理。
演算法實現的過程中，參數的選取取決於梅森素數，故此得名。
梅森素數由梅森數而來。所謂梅森數，是指形如2↑p－1的一類數，其中指數p是素數，常記為Mp 。如果梅森數是素數，就稱為梅森素數。
例如4-1=3，8-1=7，16-1=15（不是素數），32-1=31，64-1=63（不是素數）等等。
Ⅱ 計算器如何產生隨機數
一般計算機的隨機數都是偽隨機數，以一個真隨機數（種子）作為初始條件，然後用一定的演算法不停迭代產生隨機數，下面介紹兩種方法：
一般種子可以以當前的系統時間，這是完全隨機的
。
演算法1：平方取中法。
1）將種子設為X0，並mod 10000得到4位數
2)將它平方得到一個8位數（不足8位時前面補0）
3）取中間的4位數可得到下一個4位隨機數X1
4）重復1-3步，即可產生多個隨機數
這個演算法的一個主要缺點是最終它會退化成0，不能繼續產生隨機數。
演算法2：線性同餘法
1）將種子設為X0，
2）用一個演算法X(n+1)=(a*X(n)+b) mod c產生X(n+1)
一般將c取得很大，可產生0到c-1之間的偽隨機數
該演算法的一個缺點是會出現循環。
Ⅲ 詳解隨機數的生成
隨機數參與的應用場景大家一定不會陌生，比如密碼加鹽時會在原密碼上關聯一串隨機數，蒙特卡洛絕喊雀演算法會通過隨機數采樣等等。Python內置的random模塊提供了生成隨機數的方法，使用這些方法時需要導入random模塊。
下面介紹下Python內置的random模塊的幾種生並早成隨機數滲租的方法。
1、random.random()隨機生成 0 到 1 之間的浮點數[0.0, 1.0)。注意的是返回的隨機數可能會是 0 但不可能為 1，即左閉右開的區間。
2、random.randint(a , b)隨機生成 a 與 b 之間的整數[a, b]，a<=n<=b，隨機整數不包含 b 時[a, b)可以使用 random.randrange() 方法。
3、random.randrange(start,stop,step)按步長step隨機在上下限范圍內取一個隨機數，start<=n<stop。
4、random.uniform(a, b)隨機生成 a 與 b 之間的浮點數[a, b]，a<=n<=b。
5、random.choice()從列表中隨機取出一個元素，比如列表、元祖、字元串等。注意的是，該方法需要參數非空，否則會拋出 IndexError 的錯誤。
6、random.shuffle(items) 把列表 items 中的元素隨機打亂。注意的是，如果不想修改原來的列表，可以使用 模塊先拷貝一份原來的列表。
7、random.sample(items, n)從列表 items 中隨機取出 n 個元素。
Python 的random模塊產生的隨機數其實是偽隨機數，依賴於特殊演算法和指定不確定因素(種子seed)來實現。如randint方法生成一定范圍內的隨機數，會先指定一個特定的seed，將seed通過特定的隨機數產生演算法，得到一定范圍內隨機分布的隨機數。因此對於同一個seed值的輸入產生的隨機數會相同，省略參數則意味著使用當前系統時間秒數作為種子值，達到每次運行產生的隨機數都不一樣。
numpy庫也提供了random模塊，用於生成多維度數組形式的隨機數。使用時需要導入numpy庫。
下面介紹下numpy庫的random模塊的幾種生成隨機數的方法。
1、numpy.random.rand(d0,d1,…,dn)
2、numpy.random.randn(d0,d1,…,dn)
3、numpy.random.randint(low, high=None, size=None, dtype=』l』)
4、numpy.random.seed()
Ⅳ 51單片機如何生成隨機數
用定時器加rand()隨機函數來實現。
rnda=rand()%2;
rndb=rand()%3;
單片機上電之後通過按鍵去啟動取隨機數，若是單片機上電就立即取隨機數的話，那每次上電隨機的結果都是一樣的。然後是0到9不重復的隨機數，程序中用了循環來判斷是否和前面取的隨機數相同，相同則進入下次取隨機數，不同則存入數組。
在程序中，用「＃include<absacc.h>」即可使用其中定義的宏來訪問絕對地址，包括CBYTE、XBYTE、PWORD、DBYTE、CWORD、XWORD、PBYTE、DWORD
具體使用可看一看absacc.h便知，例如：
rval=CBYTE[0x0002];指向程序存貯器的0002h地址
rval=XWORD[0x0002];指向外RAM的0002h地址
_at_關鍵字
直接在數據定義後加上_at_ const即可，但是注意：
(1)絕對變數不能被初使化；
(2)bit型函數及變數不能用_at_指定。
例如：
idata struct link list _at_ 0x40;指定list結構從40h開始。
xdata char text[25b] _at_0xE000；指定text數組從0E000H開始
提示：如果外部絕對變數是I/O埠等可自行變化數據，需要使用volatile關鍵字進行描述，請參考absacc.h。
(4)隨機數的演算法擴展閱讀：
統計學偽隨機性。統計學偽隨機性指的是在給定的隨機比特流樣本中，1的數量大致等於0的數量，同理，「10」「01」「00」「11」四者數量大致相等。類似的標准被稱為統計學隨機性。滿足這類要求的數字在人類「一眼看上去」是隨機的。
密碼學安全偽隨機性。其定義為，給定隨機樣本的一部分和隨機演算法，不能有效的演算出隨機樣本的剩餘部分。
真隨機性。其定義為隨機樣本不可重現。實際上只要給定邊界條件，真隨機數並不存在，可是如果產生一個真隨機數樣本的邊界條件十分復雜且難以捕捉（比如計算機當地的本底輻射波動值），可以認為用這個方法演算出來了真隨機數。
Ⅳ 結合生活中的實例,描述求解隨機數的演算法流程圖
生活中的實例：一個老太太買白菜，她給挑出的10棵白菜排一下序，然後她拿出了隨身攜帶的筆記本電腦，輸入 。
#include "stdio.h"
#define N 10
main()
{
int a[N];
int i,j,p,temp;
for(i=0;iscanf("%d",&a[i]);
for(i=0;i{
p=i; for(j=i+1;jif(a[j]temp=a[i];a[i]=a[p];a[p]=temp;
}
printf(" ");
for(i=0;iprintf("%d ",a[i]);
}
然後得到了白菜的重量排序。
傳統的流程圖用流程線指出各框的執行順序，對流程線的使用沒有嚴格限制。因此，使用者可以毫不受限制地使流程隨意地轉來轉去，使流程圖變得毫無規律，閱讀者要花很大精力去追蹤流程，使人難以理解演算法的邏輯。
如果我們寫出的演算法能限制流程的無規律任意轉向，而像一本書那樣，由各章各節順序組成，那樣，閱讀起來就很方便，不會有任何困難，只需從頭到尾順序地看下去即可。
為了提高演算法的質量，使演算法的設計和閱讀方便，必須限制箭頭的濫用，即不允許無規律地使流程亂轉向，只能按順序地進行下去。但是，演算法上難免會包含一些分支和循環，而不可能全部由一個一個框順序組成。
如上例不是由各框順序進行的，包含一些流程的向前或向後的非順序轉移。為了解決這個問題，人們設想，如果規定出幾種基本結構，然後由這些基本結構按一定規律組成一個演算法結構，整個演算法的結構是由上而下地將各個基本結構順序排列起來的。
1966年，Bohra和Jacoplni提出了以下三種基本結構，用這三種基本結構作為表示一個良好演算法的基本單元。
Ⅵ 隨機演算法原理
展開專欄
登錄
企鵝號小編
5.7K 篇文章
關注
詳解各種隨機演算法
2018-02-06閱讀 1.4K0
轉自：JarvisChu
之前將的演算法都是確定的，即對於相同的輸入總對應著相同的輸出。但實際中也常常用到不確定的演算法，比如隨機數生成演算法，演算法的結果是不確定的，我們稱這種演算法為（隨機）概率演算法，分為如下四類：
1、數值概率演算法
用於數值問題的求解，通常是近似解
2、蒙特卡洛演算法Monte Carlo
能得到問題的一個解，但不一定是正確解，正確的概率依賴於演算法運行的時間，演算法所用的時間越多，正確的概率也越高。求問題的准確解；
3、拉斯維加斯演算法 Las Vegas
不斷調用隨機演算法求解，直到求得正確解或調用次數達到某個閾值。所以，如果能得到解，一定是正確解。
4、舍伍德演算法 Sherwood
利用隨機演算法改造已有演算法，使得演算法的性能盡量與輸入數據無關，即平滑演算法的性能。它總能求得問題的一個解，且求得的解總是正確的。
隨機數
概述
計算機產生的隨機數都是偽隨機數，通過線性同餘法得到。
方法：產生隨機序列
d稱為種子；m取值越大越好；m，b互質，常取b為質數；