В математике последовательность с низким расхождением - это последовательность, обладающая тем свойством, что для всех значений N ее подпоследовательность x 1 , ..., x N имеет низкое расхождение .
Грубо говоря, несоответствие последовательности является низким , если доля точек в последовательности , попадающей в произвольное множестве B близка к пропорциональна степени из B , так как будет происходить в среднем (но не для конкретных образцов) в случае равнораспределен последовательность . Конкретные определения расхождения различаются в зависимости от выбора B ( гиперсферы , гиперкубы и т. Д.) И того, как расхождение для каждого B вычисляется (обычно нормализуется) и комбинируется (обычно с использованием наихудшего значения).
Последовательности с низким расхождением также называются квазислучайными последовательностями из-за их общего использования в качестве замены равномерно распределенных случайных чисел . Модификатор «квази» используется для более четкого обозначения того, что значения последовательности с низким расхождением не являются ни случайными, ни псевдослучайными , но такие последовательности обладают некоторыми свойствами случайных величин, а в некоторых приложениях, таких как метод квази-Монте-Карло, их меньшее расхождение это важное преимущество.
Приложения [ править ]
Квазислучайные числа имеют преимущество перед чистыми случайными числами в том, что они быстро и равномерно покрывают интересующую область. У них есть преимущество перед чисто детерминированными методами в том, что детерминированные методы дают высокую точность только тогда, когда количество точек данных предварительно установлено, тогда как при использовании квазислучайных последовательностей точность обычно постоянно повышается по мере добавления новых точек с полным повторным использованием существующих точек. С другой стороны, квазислучайные наборы точек могут иметь значительно меньшее расхождение для заданного числа точек, чем чисто случайные последовательности.
Два полезных приложений находятся в поиске характеристической функции в виде функции плотности вероятности , и при нахождении производной функции детерминированной функции с небольшим количеством шума. Квазислучайные числа позволяют очень быстро вычислять моменты более высокого порядка с высокой точностью.
Приложения, которые не включают сортировку, заключаются в нахождении среднего , стандартного отклонения , асимметрии и эксцесса статистического распределения, а также в нахождении интегральных и глобальных максимумов и минимумов сложных детерминированных функций. Квазислучайные числа также могут использоваться для обеспечения отправных точек для детерминированных алгоритмов, которые работают только локально, например, итерация Ньютона – Рафсона .
Квазислучайные числа также можно комбинировать с алгоритмами поиска. Алгоритм в стиле быстрой сортировки двоичного дерева должен работать исключительно хорошо, потому что квазислучайные числа сглаживают дерево намного лучше, чем случайные числа, и чем более плоско дерево, тем быстрее выполняется сортировка. С помощью алгоритма поиска можно использовать квазислучайные числа для нахождения режима , медианы , доверительных интервалов и кумулятивного распределения статистического распределения, а также всех локальных минимумов и всех решений детерминированных функций.
Последовательности с низким расхождением при численном интегрировании [ править ]
По крайней мере, три метода численного интегрирования можно сформулировать следующим образом. Учитывая набор { x 1 , ..., x N } в интервале [0,1], аппроксимируйте интеграл функции f как среднее значение функции, вычисленной в этих точках:
Если точки выбраны как x i = i / N , это правило прямоугольника . Если точки выбраны для случайного (или псевдослучайного ) распределения, это метод Монте-Карло . Если точки выбираются как элементы последовательности с низким расхождением, это квази-Монте-Карло метод . Замечательный результат, неравенство Коксмы – Главки (изложенное ниже), показывает, что погрешность такого метода может быть ограничена произведением двух членов, одно из которых зависит только от f , а другое - невязка множества { x 1 , ..., x N }.
Множество { x 1 , ..., x N } удобно построить таким образом, чтобы при построении набора из N +1 элементов не нужно было пересчитывать предыдущие N элементов. Правило прямоугольника использует набор точек с низким расхождением, но в целом элементы должны быть пересчитаны, если N увеличивается. Элементы не нужно пересчитывать в случайном методе Монте-Карло, если N увеличивается, но наборы точек не имеют минимального расхождения. Используя последовательности с низким несоответствием, мы стремимся к низкому несоответствию и отсутствию необходимости в повторных вычислениях, но на самом деле последовательности с низким несоответствием могут быть постепенно улучшены при несоответствии, если мы не допускаем повторного вычисления.
Определение несоответствия [ править ]
Несоответствие из множества Р = { х 1 , ..., х N } определяется, используя Нидеррейтер в обозначение, как и
где λ s - s -мерная мера Лебега , A ( B ; P ) - количество точек в P , попадающих в B , а J - множество s -мерных интервалов или ящиков вида
где .
Звезда несоответствие Д * Н ( Р ) определяется аналогично, за исключением того, что верхняя грань берется по множеству J * прямоугольных коробок вида
где u i находится в полуоткрытом интервале [0, 1).
Эти двое связаны между собой
Примечание: с этими определениями несоответствие представляет собой наихудшее или максимальное отклонение плотности точек однородного набора. Однако значимы и другие меры погрешности, ведущие к другим определениям и мерам вариации. Например, L2-несоответствие или модифицированное центрированное L2-несоответствие также интенсивно используются для сравнения качества однородных наборов точек. И то, и другое намного проще вычислить для больших N и s.
Неравенство Коксмы – Главки [ править ]
Пусть Ī s - s -мерный единичный куб, Ī s = [0, 1] × ... × [0, 1]. Пусть f имеет ограниченную вариацию V ( f ) на s в смысле Харди и Краузе. Тогда для любых x 1 , ..., x N в I s = [0, 1) × ... × [0, 1),
Коксма - Hlawka неравенство является точным в следующем смысле: для любой точки множества { х 1 , ..., х N } в Я ей и любой , существует функция F с ограниченной вариации и V ( ф ) = 1 такой , что
Следовательно, качество правила численного интегрирования зависит только от расхождения D * N ( x 1 , ..., x N ).
Формула Главки – Зарембы [ править ]
Пусть . Для нас пишут
и обозначим точкой, полученной из x заменой координат, не входящих в u, на . потом
где - функция невязки.
Версия неравенства Коксма-Hlawka [ править ]
Применяя неравенство Коши – Шварца для интегралов и сумм к тождеству Главки – Зарембы, получаем версию неравенства Коксмы – Главки:
куда
и
Расхождение L2 имеет большое практическое значение, поскольку для данного набора точек возможны быстрые явные вычисления. Таким образом, легко создавать оптимизаторы набора точек, используя в качестве критериев несоответствие L2.
Неравенство Эрдеша – Турана – Коксмы [ править ]
Вычислительно сложно найти точное значение невязки больших наборов точек. Erdős - Туран - Коксм неравенство дает верхнюю границу.
Пусть x 1 , ..., x N - точки в I s, а H - произвольное положительное целое число. потом
куда
Основные домыслы [ править ]
Гипотеза 1. Существует постоянная c s, зависящая только от размерности s , такая, что
для любого конечного точечного множества { x 1 , ..., x N }.
Гипотеза 2. Существует константа с ' S , зависящим только от х , такой , что
для бесконечного числа N для любой бесконечной последовательности x 1 , x 2 , x 3 , ....
Эти предположения эквивалентны. Они были доказаны для s ≤ 2 В. М. Шмидтом . В более высоких измерениях соответствующая проблема все еще остается открытой. Наиболее известные нижние оценки получены Майклом Лейси и соавторами.
Нижние границы [ править ]
Пусть s = 1. Тогда
для любого конечного точечного множества { x 1 , ..., x N }.
Пусть s = 2. В. М. Шмидт доказал, что для любого конечного точечного множества { x 1 , ..., x N },
куда
К.Ф. Рот для произвольных размерностей s > 1 доказал, что
для любого конечного точечного множества { x 1 , ..., x N }. Йозеф Бек [1] установил двукратное улучшение этого результата в трех измерениях. Это было улучшено Д. Билыком и М. Т. Лейси до степени единственного логарифма. Наиболее известная оценка для s > 2 принадлежит Д. Билыку, М. Т. Лейси и А. Вагаршакяну. [2] Для s > 2 существует t > 0, так что
для любого конечного точечного множества { x 1 , ..., x N }.
Построение последовательностей с низким расхождением [ править ]
Поскольку любое распределение случайных чисел может быть отображено в однородное распределение, а квазислучайные числа отображаются таким же образом, эта статья касается только генерации квазислучайных чисел в многомерном равномерном распределении.
Известны конструкции последовательностей такие, что
где C - некоторая постоянная, зависящая от последовательности. После гипотезы 2 считается, что эти последовательности имеют наилучший порядок сходимости. Примеры ниже являются ван - дер - последовательности Корпута , в последовательности Halton , и последовательностей Соболь . Одним из общих ограничений является то, что методы построения обычно могут гарантировать только порядок сходимости. На практике низкое расхождение может быть достигнуто только в том случае, если N достаточно велико, а при большом заданном s этот минимум N может быть очень большим. Это означает, что выполнение анализа Монте-Карло, например, с s = 20 переменными и N = 1000 точками из генератора последовательности с низким расхождением, может дать лишь очень незначительное улучшение точности.
Случайные числа [ править ]
Последовательности квазислучайных чисел могут быть сгенерированы из случайных чисел путем наложения отрицательной корреляции на эти случайные числа. Один из способов сделать это , чтобы начать с набором случайных чисел на и числах конструкта квазислучайных , равномерные на использовании:
для нечетных и для четных.
Второй способ сделать это с начальными случайными числами - построить случайное блуждание со смещением 0,5, как в:
То есть возьмите предыдущее квазислучайное число, сложите 0,5 и случайное число и возьмите результат по модулю 1.
Для более чем одного измерения можно использовать латинские квадраты соответствующего измерения для обеспечения смещения, чтобы гарантировать равномерное покрытие всей области.
Аддитивное повторение [ править ]
Для любого иррационального последовательность
имеет тенденцию к несоответствию . Обратите внимание, что последовательность может быть определена рекурсивно с помощью
Хорошее значение дает меньшее расхождение, чем последовательность независимых однородных случайных чисел.
Несоответствие может быть ограничена аппроксимации экспоненты в . Если показатель аппроксимации равен , то для любого имеет место оценка [3]
По теореме Туэ – Зигеля – Рота показатель приближения любого иррационального алгебраического числа равен 2, что дает оценку выше.
Приведенное выше рекуррентное соотношение аналогично рекуррентному соотношению, используемому линейным конгруэнтным генератором , некачественным генератором псевдослучайных чисел: [4]
Для описанной выше аддитивной повторяемости с низким расхождением a и m выбраны равными 1. Обратите внимание, однако, что это не будет генерировать независимых случайных чисел, поэтому не должно использоваться для целей, требующих независимости.
Значение с наименьшим расхождением равно
Еще одно значение, которое почти так же хорошо, это:
В более чем одном измерении для каждого измерения необходимы отдельные квазислучайные числа. Удобный набор используемых значений - это квадратные корни из простых чисел от двух и выше, взятые по модулю 1:
Однако было показано, что набор значений, основанный на обобщенном золотом сечении, дает более равномерно распределенные точки. [5]
В списке генераторов псевдослучайных чисел перечислены методы генерации независимых псевдослучайных чисел. Примечание: в некоторых измерениях рекурсивная рекурсия приводит к однородным наборам хорошего качества, но для больших s (например, s> 8) другие генераторы наборов точек могут предложить гораздо меньшие расхождения.
последовательность ван дер Корпута [ править ]
Позволять
- b -арное представление натурального числа n ≥ 1, т. е. 0 ≤ d k ( n ) < b . Набор
Тогда существует постоянная C, зависящая только от b такая, что ( g b ( n )) n ≥ 1 удовлетворяет
где D * N - звездная невязка .
Последовательность Холтона [ править ]
Последовательность Халтона является естественным обобщением последовательности Ван дер Корпута на более высокие измерения. Пусть s - произвольная размерность, а b 1 , ..., b s - произвольные взаимно простые целые числа больше 1. Определим
Тогда существует константа C, зависящая только от b 1 , ..., b s , такая, что последовательность { x ( n )} n ≥1 является s -мерной последовательностью с
Набор Хаммерсли [ править ]
Пусть Ь 1 , ..., б ы -1 быть взаимно простые целые положительные числа больше 1. При заданных ей и N , то ев - мерный Хаммерсли набор размера N определяется [6]
для п = 1, ..., N . потом
где C - постоянная, зависящая только от b 1 , ..., b s −1 . Примечание: формулы показывают, что множество Хаммерсли на самом деле является последовательностью Халтона, но мы бесплатно получаем еще одно измерение, добавляя линейную развертку. Это возможно только в том случае, если заранее известно N. Линейное множество - это также множество с минимально возможным одномерным несоответствием в целом. К сожалению, для более высоких измерений такие «наборы записей несоответствия» не известны. Для s = 2 большинство генераторов наборов точек с малым расхождением выдают расхождения, по крайней мере, почти оптимальные.
Последовательность Соболя [ править ]
Вариант Антонова – Салеева последовательности Соболя генерирует числа от нуля до единицы непосредственно как двоичные дроби длины из набора специальных двоичных дробей, называемых числами направления. Биты кода Грея из , , используются для выбора номера направления. Чтобы получить значение последовательности Соболя, возьмите исключающее ИЛИ двоичного значения кода Грея с соответствующим номером направления. Количество требуемых размеров влияет на выбор .
Выборка диска Пуассона [ править ]
Выборка диска Пуассона популярна в видеоиграх для быстрого размещения объектов так, чтобы они выглядели случайными, но при этом гарантируют, что каждые две точки разделены по крайней мере на указанное минимальное расстояние. [7] Это не гарантирует низкого расхождения (как, например, Соболь), но, по крайней мере, значительно меньшее расхождение, чем чистая случайная выборка.
Графические примеры [ править ]
Точки, нанесенные ниже, - это первые 100, 1000 и 10000 элементов последовательности типа Соболь. Для сравнения также показаны 10000 элементов последовательности псевдослучайных точек. Последовательность с низким расхождением была сгенерирована алгоритмом TOMS 659. [8] Реализация алгоритма на Фортране доступна в Netlib .
См. Также [ править ]
- Теория несоответствия
- Цепь Маркова Монте-Карло
- Квази-Монте-Карло метод
- Разреженная сетка
Заметки [ править ]
- ^ BECK, Двумерная теорема Ван Аарденна-Эренфеста в неоднородностях распределения, Compositio Math. 72 (1989), 269 - 339.
- ↑ Билык, Дмитрий; Лейси, Майкл Т .; Вагаршакян, Армен О неравенстве шарика во всех измерениях. J. Funct. Анальный. 254 (2008), нет. 9, 2470–2502.
- ^ Кейперс и Нидеррейтер, 2005, стр. 123
- ^ Дональд Э. Кнут Искусство компьютерного программирования Vol. 2, гл. 3
- ^ Мартин Робертс, 2018. «Неоправданная эффективность квазислучайных последовательностей» .Проверено 2 сентября 2019 года .
- ^ Хаммерсли, JM; Хэндскомб, округ Колумбия (1964). Методы Монте-Карло . DOI : 10.1007 / 978-94-009-5819-7 .
- ^ Герман Туллекен. «Выборка диска Пуассона» .Dev.Mag, выпуск 21, март 2008 г.
- ^ П. Брэтли и Б.Л. Фокс в транзакциях ACM по математическому программному обеспечению , т. 14, вып. 1. С. 88—100.
Ссылки [ править ]
- Йозеф Дик и Фридрих Пиллихсхаммер, Цифровые сети и последовательности. Теория несоответствия и интеграция квази-Монте-Карло , Cambridge University Press, Кембридж, 2010, ISBN 978-0-521-19159-3
- Kuipers, L .; Нидеррейтер, Х. (2005), Равномерное распределение последовательностей , Dover Publications , ISBN 0-486-45019-8
- Харальд Нидеррайтер . Генерация случайных чисел и методы квази-Монте-Карло. Общество промышленной и прикладной математики, 1992. ISBN 0-89871-295-5
- Майкл Дрмота и Роберт Ф. Тихи, Последовательности, несоответствия и приложения , Лекционные заметки по математике., 1651, Springer, Berlin, 1997, ISBN 3-540-62606-9
- Уильям Х. Пресс, Брайан П. Фланнери, Сол А. Теукольски, Уильям Т. Веттерлинг. Численные Рецепты в C . Кембридж, Великобритания: Издательство Кембриджского университета, второе издание, 1992 г. ISBN 0-521-43108-5 (см. Раздел 7.7 для менее технического обсуждения последовательностей с низким расхождением)
Внешние ссылки [ править ]
- Собранные алгоритмы ACM (см. Алгоритмы 647, 659 и 738.)
- Квазислучайные последовательности из научной библиотеки GNU
- Квазислучайная выборка с ограничениями на FinancialMat Mathematics.Com
- C ++ генератор последовательности Соболя