Có , có nhiều cách để tạo ra một chuỗi các số được phân bố đều hơn so với đồng phục ngẫu nhiên. Trong thực tế, có cả một lĩnh vực dành riêng cho câu hỏi này; nó là xương sống của quasi-Monte Carlo (QMC). Dưới đây là một chuyến tham quan ngắn về những điều cơ bản tuyệt đối.
Đo độ đồng đều
Có nhiều cách để làm điều này, nhưng cách phổ biến nhất có hương vị hình học mạnh mẽ, trực quan. Giả sử chúng ta quan tâm đến việc tạo điểm x 1 , x 2 , Mạnh , x n trong [ 0 , 1 ] d cho một số nguyên dươngviết sai rồix1, x2, Lọ , xviết sai rồi[ 0 , 1 ]Cười mở miệng . Xác định
trong đólà một hình chữ nhậttrongsao chovàCười mở miệngR
CƯỜI MỞ MIỆNGviết sai rồi: = supR ∈ R|||1viết sai rồiΣi = 1viết sai rồi1( xTôi∈ R )- v o l ( R ) |||,
R[ 0 , 1 ] d 0 ≤ một i ≤ b i ≤ 1 R R R v o l ( R ) = Π i ( b i - một i )[ một1, b1] × ⋯ × [ aCười mở miệng, bCười mở miệng][ 0 , 1 ]Cười mở miệng0 ≤ aTôi≤ bTôi≤ 1Rlà tập hợp của tất cả các hình chữ nhật như vậy. Thuật ngữ đầu tiên bên trong mô đun là tỷ lệ "quan sát" của các điểm bên trong và thuật ngữ thứ hai là khối lượng của , .
RRv o l (R)= ΠTôi( bTôi- mộtTôi)
Số lượng thường được gọi là sai lệch hoặc sai lệch cực lớn của tập hợp các điểm . Theo trực giác, chúng ta tìm thấy hình chữ nhật "tệ nhất" trong đó tỷ lệ điểm sai lệch nhiều nhất so với những gì chúng ta mong đợi dưới sự đồng nhất hoàn hảo. ( x i ) RCƯỜI MỞ MIỆNGviết sai rồi( xTôi)R
Điều này là khó sử dụng trong thực tế và khó tính toán. Đối với hầu hết các phần, mọi người thích làm việc với sự khác biệt của sao ,
Sự khác biệt duy nhất là tập mà supremum được thực hiện. Đó là tập hợp các hình chữ nhật neo (ở gốc), nghĩa là, trong đó .A a 1 = a 2 = ⋯ = a d = 0
CƯỜI MỞ MIỆNG⋆viết sai rồi= supR ∈ A|||1viết sai rồiΣi = 1viết sai rồi1( xTôi∈ R )- v o l ( R ) |||.
Mộtmột1= a2= ⋯ = mộtCười mở miệng= 0
Bổ đề : cho tất cả , . n d Một ⊂ R R ∈ R 2 d MộtCƯỜI MỞ MIỆNG⋆viết sai rồi≤ Dviết sai rồi≤ 2Cười mở miệngCƯỜI MỞ MIỆNG⋆viết sai rồiviết sai rồiCười mở miệng
Bằng chứng . Mặt trái ràng buộc rõ ràng kể từ . Giới hạn bên phải theo sau bởi vì mọi có thể được tạo thông qua các hiệp, giao và bổ sung của không quá hình chữ nhật neo (tức là, trong ).Một⊂ RR ∈ R2Cười mở miệngMột
Như vậy, chúng ta thấy rằng D ⋆ n nCƯỜI MỞ MIỆNGviết sai rồi và tương đương theo nghĩa là nếu một cái nhỏ khi phát triển, thì cái kia cũng sẽ như vậy. Dưới đây là một hình ảnh (phim hoạt hình) hiển thị hình chữ nhật ứng cử viên cho mỗi sự khác biệt.CƯỜI MỞ MIỆNG⋆viết sai rồiviết sai rồi
Ví dụ về trình tự "tốt"
Các chuỗi có chênh lệch sao thấp có thể kiểm chứng thường được gọi, không có gì đáng ngạc nhiên, các chuỗi sai lệch thấp .CƯỜI MỞ MIỆNG⋆viết sai rồi
van der Corput . Đây có lẽ là ví dụ đơn giản nhất. Với , các chuỗi van der Corput được hình thành bằng cách mở rộng số nguyên thành nhị phân và sau đó "phản ánh các chữ số" xung quanh dấu thập phân. Chính thức hơn, điều này được thực hiện với hàm nghịch đảo triệt để trong cơ sở ,
trong đó và là các chữ số trong khai triển cơ sở của . Hàm này tạo thành cơ sở cho nhiều chuỗi khác nữa. Ví dụ: trong nhị phân là và như vậyi b φ b ( i ) = ∞ Σ k = 0 một k b - k - 1Cười mở miệng= 1Tôibi = ∑ ∞ k = 0 a k b k a k b i 41 101001 a 0 = 1 a 1 = 0 a 2 = 0 a 3 = 1 a 4 = 0 a 5 = 1 x 41 = ϕ 2 ( 41 ) = 0.100101
φb( I ) = Σk = 0∞mộtkb- k - 1,
i = Σ∞k = 0mộtkbkmộtkbTôi41101001một0= 1 , , , , và . Do đó, điểm thứ 41 trong chuỗi van der Corput là .
một1= 0một2= 0một3= 1một4= 0một5= 1x41= ϕ2( 41 ) = 0.100101(cơ sở 2) = 37 / 64
Lưu ý rằng vì bit có ý nghĩa nhỏ nhất của dao động trong khoảng từ đến , các điểm cho lẻ nằm trong , trong khi các điểm cho chẵn nằm trong .0 1 x i i [ 1 / 2 , 1 ) x i i ( 0 , 1 / 2 )Tôi01xTôiTôi[ 1 / 2 , 1 )xTôiTôi( 0 , 1 / 2 )
Trình tự Halton . Trong số các trình tự chênh lệch thấp cổ điển phổ biến nhất, đây là các phần mở rộng của trình tự van der Corput cho nhiều chiều. Đặt là số nguyên tố nhỏ nhất thứ . Sau đó, điểm thứ của j i x i d x i = ( φ p 1 ( i ) , φ p 2 ( i ) , ... , φ p d ( i ) )pjjTôixTôiCười mở miệng chuỗi Halton là
Đối với thấp, chúng hoạt động khá tốt, nhưng có vấn đề ở kích thước cao hơn .Cười mở miệng
xTôi= ( ϕp1( I ) , φp2( I ) , ... , φpCười mở miệng( I ) ).
Cười mở miệng
Trình tự Halton thỏa mãn . Họ cũng tốt bởi vì họ lànCƯỜI MỞ MIỆNG⋆viết sai rồi= O ( n- 1( nhật kýn )Cười mở miệng) thể mở rộng ở chỗ việc xây dựng các điểm không phụ thuộc vào sự lựa chọn tiên nghiệm về độ dài của chuỗi .viết sai rồi
Trình tự Hammersley . Đây là một sửa đổi rất đơn giản của chuỗi Halton. Thay vào đó, chúng tôi sử dụng
Có lẽ đáng ngạc nhiên, lợi thế là chúng có độ chênh lệch sao tốt hơn .D ⋆ n = O ( n - 1 ( log n ) d - 1 )
xTôi= ( I / n , φp1( I ) , φp2( I ) , ... , φpCười mở miệng- 1( I ) ).
CƯỜI MỞ MIỆNG⋆viết sai rồi= O ( n- 1( nhật kýn )Cười mở miệng- 1)
Dưới đây là một ví dụ về trình tự Halton và Hammersley theo hai chiều.
Trình tự Halton thấm Faure . Một tập hợp hoán vị đặc biệt (cố định là hàm của ) có thể được áp dụng cho khai triển chữ số cho mỗi khi tạo chuỗi Halton. Điều này giúp khắc phục (ở một mức độ nào đó) các vấn đề được đề cập ở các chiều cao hơn. Mỗi hoán vị có tính chất thú vị là giữ và làm điểm cố định.a k i 0 b - 1TôimộtkTôi0b - 1
Quy tắc mạng . Đặt là số nguyên. Lấy
trong đó biểu thị phần phân số của . Sự lựa chọn thận trọng của các giá trị mang lại các đặc tính đồng nhất tốt. Lựa chọn kém có thể dẫn đến trình tự xấu. Chúng cũng không thể mở rộng. Đây là hai ví dụ. x i = ( i / n , { i beta 1 / n } , ... , { i β d - 1 / n } )β1, ... , βCười mở miệng- 1{ Y } y β
xTôi= ( I / n , { i β1/ N},...,{i βCười mở miệng- 1/ n}),
{ y}yβ
( t , m , s ) lưới . lưới trong cơ sở là tập hợp các điểm sao cho mọi hình chữ nhật có thể tích trong chứa điểm. Đây là một hình thức mạnh mẽ của sự đồng nhất. Nhỏ là bạn của bạn, trong trường hợp này. Các chuỗi Halton, Sobol 'và Faure là ví dụ về lưới. Những người này cho vay độc đáo để ngẫu nhiên thông qua tranh giành. Việc xáo trộn ngẫu nhiên (thực hiện đúng) của một mạng lưới mang lại kết quả khác( t , m , s )bbt - m[ 0 , 1 ]Sbtt( t , m , s )( t , m , s )( t , m , s ) . Các Mint dự án giữ một bộ sưu tập các trình tự như vậy.
Sinh ngẫu nhiên đơn giản: phép quay Cranley-Patterson . Đặt là một chuỗi các điểm. Đặt . Sau đó, các điểmxTôi∈ [ 0 , 1 ]Cười mở miệngBạn~ U( 0 , 1 )x^Tôi= { xTôi+ U} được phân phối đồng đều trong .[ 0 , 1 ]Cười mở miệng
Dưới đây là một ví dụ với các chấm màu xanh là các điểm ban đầu và các chấm đỏ là các điểm được xoay với các đường nối chúng (và được hiển thị bao quanh, khi thích hợp).
Trình tự phân phối hoàn toàn thống nhất . Đây là một khái niệm thậm chí còn mạnh mẽ hơn về tính đồng nhất đôi khi xuất hiện. Đặt là chuỗi các điểm trong và bây giờ tạo thành các khối chồng chéo có kích thước để có được chuỗi . Vì vậy, nếu , chúng tôi lấy thì , v.v. Nếu, với mọi , , sau đó được cho là phân phối hoàn toàn thống nhất . Nói cách khác, chuỗi mang lại một tập hợp các điểm bất kỳ( bạnTôi)[ 0 , 1 ]Cười mở miệng( xTôi)s = 3x1= ( bạn1, bạn2, bạn3)x2= ( bạn2, bạn3, bạn4) s ≥ 1CƯỜI MỞ MIỆNG⋆viết sai rồi( x1, Lọ , xviết sai rồi) → 0( bạnTôi)thứ nguyên có các thuộc tính mong muốn .CƯỜI MỞ MIỆNG⋆viết sai rồi
Ví dụ: chuỗi van der Corput không được phân phối hoàn toàn thống nhất vì với , các điểm nằm trong ô vuông và các điểm nằm trong . Do đó, không có điểm nào trong hình vuông ngụ ý rằng với , cho tất cảs = 2x2 tôi( 0 , 1 / 2 ) × [ 1 / 2 , 1 )x2 tôi - 1[ 1 / 2 , 1 ) × ( 0 , 1 / 2 )( 0 , 1 / 2 ) × ( 0 , 1 / 2 )s = 2nCƯỜI MỞ MIỆNG⋆viết sai rồi≥ 1 / 4viết sai rồi .
Tài liệu tham khảo tiêu chuẩn
Các Niederreiter (1992) chuyên khảo và Fang và Wang (1994) văn bản là những nơi để đi cho tiếp tục thăm dò.