编辑:我的主要问题是,我想复制我的计算机上的TI-84加RNG算法,这样我就可以像Javascript或Lua的语言写,以测试它更快。TI-84 +随机数生成算法
我试过使用模拟器,但事实证明它比计算器慢。
只针对有关人员:还有另一个question这样,但回答这个问题只是说如何将已经生成的数字转移到计算机。我不想要这个。我已经尝试过类似的东西,但是我不得不让计算器整个周末都运行,但仍然没有完成。
编辑:我的主要问题是,我想复制我的计算机上的TI-84加RNG算法,这样我就可以像Javascript或Lua的语言写,以测试它更快。TI-84 +随机数生成算法
我试过使用模拟器,但事实证明它比计算器慢。
只针对有关人员:还有另一个question这样,但回答这个问题只是说如何将已经生成的数字转移到计算机。我不想要这个。我已经尝试过类似的东西,但是我不得不让计算器整个周末都运行,但仍然没有完成。
正在使用的算法来自纸张P.L'Ecuyer的高效便携式组合随机数发生器。您可以找到here的文件,并从here免费下载。
Ti计算器使用的算法位于p的RHS端。我已经收录了一张照片。
我已经翻译成一个C++程序
#include <iostream>
#include <iomanip>
using namespace std;
long s1,s2;
double Uniform(){
long Z,k;
k = s1/53668;
s1 = 40014*(s1-k*53668)-k*12211;
if(s1<0)
s1 = s1+2147483563;
k = s2/52774;
s2 = 40692*(s2-k*52774)-k*3791;
if(s2<0)
s2 = s2+2147483399;
Z=s1-s2;
if(Z<1)
Z = Z+2147483562;
return Z*(4.656613e-10);
}
int main(){
s1 = 12345; //Gotta love these seed values!
s2 = 67890;
for(int i=0;i<10;i++)
cout<<std::setprecision(10)<<Uniform()<<endl;
}
注意,初始种子s1 = 12345
和s2 = 67890
这一点。
,并得到从TI-83的输出(对不起,我找不到一个TI-84 ROM)模拟器:
这符合什么我实现生产
我刚刚开始执行我的输出精度,并得到以下结果:
0.9435973904
0.9083188494
0.1466878273
0.5147019439
0.4058096366
0.7338123019
0.04399198693
0.3393625207
请注意,他们不同于Ti的结果中较不重要的数字。这可能是两个处理器(Ti的Z80与我的X86)执行浮点计算的方式不同。如果是这样,这将是很难克服这个问题。尽管如此,随机数仍然会以相同的顺序生成(下面的警告),因为该顺序仅依赖于整数数学,这是精确的。
我也用long
类型来存储中间值。 Ti实现依赖于整数溢出存在一些风险(我没有仔细阅读L'Ecuyer的论文),在这种情况下,您必须调整为int32_t
或类似的类型来模拟此行为。再次假设处理器的表现类似。
编辑
This site提供的Ti-基本执行的代码如下:
:2147483563→mod1
:2147483399→mod2
:40014→mult1
:40692→mult2
#The RandSeed Algorithm
:abs(int(n))→n
:If n=0 Then
: 12345→seed1
: 67890→seed2
:Else
: mod(mult1*n,mod1)→seed1
: mod(n,mod2)→seed2
:EndIf
#The rand() Algorithm
:Local result
:mod(seed1*mult1,mod1)→seed1
:mod(seed2*mult2,mod2)→seed2
:(seed1-seed2)/mod1→result
:If result<0
: result+1→result
:Return result
我翻译这个成C++来进行测试:
#include <iostream>
#include <iomanip>
using namespace std;
long mod1 = 2147483563;
long mod2 = 2147483399;
long mult1 = 40014;
long mult2 = 40692;
long seed1,seed2;
void Seed(int n){
if(n<0) //Perform an abs
n = -n;
if(n==0){
seed1 = 12345; //Gotta love these seed values!
seed2 = 67890;
} else {
seed1 = (mult1*n)%mod1;
seed2 = n%mod2;
}
}
double Generate(){
double result;
seed1 = (seed1*mult1)%mod1;
seed2 = (seed2*mult2)%mod2;
result = (double)(seed1-seed2)/(double)mod1;
if(result<0)
result = result+1;
return result;
}
int main(){
Seed(0);
for(int i=0;i<10;i++)
cout<<setprecision(10)<<Generate()<<endl;
}
这给了以下结果:
0.9435974025
0.908318861
0.1466878292
0.5147019502
0.405809642
0.7338123114
0.04399198747
0.3393625248
0.9954663411
0.2003402617
它们与基于原始文件的实现相匹配。
TI-Basic rand
命令使用的算法是根据TIBasicDev的L'Ecuyer算法。
兰特生成均匀分布的伪随机数( 此主页等有时会下降为简单起见伪前缀) 0和1之间兰特(n)的生成n的列表均匀分布的伪随机 数字在0和1之间。种子→兰德种子(初始化) 内置伪随机数生成器。出厂默认种子 为0.
TI计算器使用L'Ecuyer算法生成 伪随机数。
不幸的是,我一直没有能够找到德州仪器公布的备份此声明的任何源代码,所以我不能肯定这是使用的algorthm。我也不确定L'Ecuyer算法提到的究竟是什么。
'P. L'Ecuyer,“Combined Multiple Recursive Random Number Generators”,Operations Research,44,5(1996),816-822. –
该链接详细描述了该算法:http://tibasicdev.wikidot.com/68k:randseed –
我在Python中实现了rand,randInt,randM和randBin。感谢理查德的C代码。所有实施的命令按预期工作。你也可以在this Gist找到它。
import math
class TIprng(object):
def __init__(self):
self.mod1 = 2147483563
self.mod2 = 2147483399
self.mult1 = 40014
self.mult2 = 40692
self.seed1 = 12345
self.seed2 = 67890
def seed(self, n):
n = math.fabs(math.floor(n))
if (n == 0):
self.seed1 = 12345
self.seed2 = 67890
else:
self.seed1 = (self.mult1 * n) % self.mod1
self.seed2 = (n)% self.mod2
def rand(self, times = 0):
# like TI, this will return a list (array in python) if times == 1,
# or an integer if times isn't specified
if not(times):
self.seed1 = (self.seed1 * self.mult1) % self.mod1
self.seed2 = (self.seed2 * self.mult2)% self.mod2
result = (self.seed1 - self.seed2)/self.mod1
if(result<0):
result = result+1
return result
else:
return [self.rand() for _ in range(times)]
def randInt(self, minimum, maximum, times = 0):
# like TI, this will return a list (array in python) if times == 1,
# or an integer if times isn't specified
if not(times):
if (minimum < maximum):
return (minimum + math.floor((maximum- minimum + 1) * self.rand()))
else:
return (maximum + math.floor((minimum - maximum + 1) * self.rand()))
else:
return [self.randInt(minimum, maximum) for _ in range(times)]
def randBin(self, numtrials, prob, times = 0):
if not(times):
return sum([(self.rand() < prob) for _ in range(numtrials)])
else:
return [self.randBin(numtrials, prob) for _ in range(times)]
def randM(self, rows, columns):
# this will return an array of arrays
matrixArr = [[0 for x in range(columns)] for x in range(rows)]
# we go from bottom to top, from right to left
for row in reversed(range(rows)):
for column in reversed(range(columns)):
matrixArr[row][column] = self.randInt(-9, 9)
return matrixArr
testPRNG = TIprng()
testPRNG.seed(0)
print(testPRNG.randInt(0,100))
testPRNG.seed(0)
print(testPRNG.randM(3,4))
你能说清楚你的意思是“有人知道TI-84 plus计算器上的RNG是如何工作的吗?”我不明白你想要做什么。你想知道它是如何播种的吗?你想知道分配是多么随机的吗?你提到你跑了一个很长的测试,但没有明确的问题。 – Dan
我编辑了这个问题。 – tupperkion
所以你试图'测试'?目前还没有100%清楚你在这里做什么。你*不*只是想要很多像其他问题一样的随机样本? – Dan