眼下創建非均勻，整分配使用TR1 <random>

我用下面的代碼來創建整數與一範圍內均勻分佈。（我拿出播種代碼）眼下創建非均勻，整分配使用TR1 <random>

int random(int min, int max) 
{ 
    static std::mt19937 gen; 
    std::uniform_int<int> dist(min, max); 
    return dist(gen); 

}

我想修改它給予有利於twords最小值分佈，幾乎從不接近最大值。我可以看到所有預先製作的發行版，但沒有一個是整數。而且我也無法根據任何文檔分辨哪一個符合我的需求。我來最接近的是卡方分佈如圖所示在維基百科上，其中k = 2

但我想不通的基礎上，documentation如何與整數使用它，更不用說集合k值。

我如何設置我的功能，使用適當的不均勻，整數分佈？

仍然工作在選擇正確的發行版：這裏是std::poisson_distribution<int> dist((max - min) * .1);從0至20的結果：

還沒有應用，爲0應該比1更加頻繁，但它應該幫助下一個人出來後會發佈更多的結果。

以及我的最終解決方案成爲相結合的方法：

int randomDist(int min, int max) 
{ 
    static std::mt19937 gen; 
    std::chi_squared_distribution<double> dist(2); 

    int x; 
    do 
    { 
    x = (int)(max*dist(gen)/10) + min; 
    } 
    while (x > max); 
    return x; 
}

給出的結果是：

來源

2011-03-14 Zak

在泊松分佈中，如果選擇小於1的參數（當前（20-0）*。1 = 2），則0會比1更頻繁。您還可以通過任何參數進行幾何分佈。您應該選擇哪一個取決於您正在建模的內容：幾何模型直到事件發生的時間（例如，評分目標所需的投籃次數），泊松模型在一段時間內（例如，數字遊戲中的目標）。 – aaz 2011-03-14 12:33:51

那麼我用它來實時遺傳算法。與其有獨特的一代，當我們開始培育一種新的有機體時，我通過健身來挑選它們，並根據這條曲線選擇父母。 – Zak 2011-03-14 21:54:22

@Zak - 如果選擇使用幾何分佈，則可以將每個父母的選擇描述爲＃1 vs（＃2 vs（獲勝者＃3 vs ...））的比賽），其中#i獲勝對任何#j，我 aaz 2011-03-14 22:41:04

還有其他的整數分佈在那裏，他們只是不在他們的名字中有int。他們有他們的類定義typedef IntType result_type。

其表現爲你描述的是：

binomial_distribution(t, p)

此範圍內生成數字0≤X≤噸，所以你需要通過翻譯的範圍min。均值是在噸·P，因此選擇一個p接近0

std::binomial_distribution<int> dist(max - min, .1);
return dist(gen) + min;

poisson_distribution(λ)

這產生數字0≤X <∞，但大量逐漸減少。您可以審查超出max的任何內容以將其限制在一定範圍內。參數λ是平均值。選擇它前面的例子匹配：

std::poisson_distribution<int> dist((max - min) * .1);
int x;
do
x = dist(gen) + min;
while (x > max);
return x;
geometric_distribution(p)

還生成數字0≤X <∞，但0是最有可能的結果，並且每個後續數字都比以前少。再次選擇參數匹配前面的例子的意思是：

std::geometric_distribution<int> dist(1/((max - min) * .1 + 1));
int x;
do
x = dist(gen) + min;
while (x > max);
return x;

您也可以使用任何連續分佈來生成一個double然後四捨五入它到int。

來源

2011-03-14 10:48:47 aaz

除了分佈在說@aaz「偉大的回答，請記住，你也可以改變你的均勻分佈，以你可能想到的任何概率分佈函數，使用inverse transform sampling（即但是實際上是可行的只有對於一些「好」功能）或rejection sampling（可以在任何情況下應用，但是可能在計算上是昂貴的）。

在我看來，這將滿足您的需求分佈將是（負）exponential distribution：

Exponential distribution

幸運的是，這是你可以申請反變換抽樣分佈之一，這意味着，從均勻具有樣品[0，1]的分佈，可以通過應用下面的公式得到一個指數分佈：

x = - ln(1-p)/lambda

與p是隨機VAL ue從均勻分佈和lambda是指數分佈的參數;有關更多信息，請參閱here。

一旦你x（這將是一個double），只是它（與函數或圓形像：

int round(double val) 
{ 
    // warning: can give counterintuitive results with negative numbers 
    return int(val+0.5); 
}

）轉換爲int獲得你的結果。

編輯

順便說一句，我沒有注意到，即使是指數分佈已經包含在<random>（link）...好，甚至更好，你不需要編寫代碼，但一點理論從不浪費:)。

來源

2011-03-14 11:16:30

眼下創建非均勻，整分配使用TR1 <random>

回答

相關問題