В математике последовательность с малым расхождением — это последовательность , обладающая тем свойством, что для всех значений N ее подпоследовательность x 1 , ..., x N имеет малое расхождение .
Грубо говоря, расхождение последовательности мало, если доля точек последовательности, попадающих в произвольное множество B, близка к пропорциональной мере B , как это происходило бы в среднем (но не для отдельных выборок) в случае равнораспределенная 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 путем принятия 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 имеют некоторые общие свойства случайных величин, а в некоторых приложениях, таких как метод квази-Монте-Карло, их меньшее несоответствие. является важным преимуществом.
Квазислучайные числа имеют преимущество перед чисто случайными числами в том, что они быстро и равномерно покрывают интересующую область.
Двумя полезными приложениями являются поиск характеристической функции функции плотности вероятности и поиск производной функции детерминированной функции с небольшим количеством шума. Квазислучайные числа позволяют очень быстро рассчитывать моменты более высокого порядка с высокой точностью.
Приложениями, не использующими сортировку, могут быть поиск среднего значения , стандартного отклонения , асимметрии и эксцесса статистического распределения, а также поиск интегральных и глобальных максимумов и минимумов сложных детерминированных функций. Квазислучайные числа также можно использовать в качестве отправной точки для детерминированных алгоритмов, которые работают только локально, таких как итерация Ньютона-Рафсона .
Квазислучайные числа также можно комбинировать с алгоритмами поиска. С помощью алгоритма поиска квазислучайные числа могут использоваться для нахождения режима , медианы , доверительных интервалов и кумулятивного распределения статистического распределения, а также всех локальных минимумов и всех решений детерминированных функций.
Различные методы численного интегрирования можно сформулировать как аппроксимацию интеграла функции f в некотором интервале, например [0,1], как среднего значения функции, вычисленной в наборе { x 1 , ..., x N } в этом интервал:
Если точки выбраны как x i = i / N , это правило прямоугольника . Если точки выбраны случайным (или псевдослучайным ) распределением, это метод Монте-Карло . Если точки выбираются как элементы последовательности с малым расхождением, это и есть метод квази-Монте-Карло . Замечательный результат — неравенство Коксмы–Главки (приведенное ниже) показывает, что погрешность такого метода может быть ограничена произведением двух слагаемых, одно из которых зависит только от f , а другое — невязка множества { х 1 , ..., х N }.
Удобно построить набор { x 1 , ..., x N } таким образом, что при построении набора из N +1 элементов предыдущие N элементов не нужно пересчитывать. Правило прямоугольника использует набор точек, которые имеют небольшое расхождение, но обычно элементы необходимо пересчитывать, если N увеличивается. Элементы не нужно пересчитывать случайным методом Монте-Карло, если N увеличивается, но наборы точек не имеют минимального расхождения. Используя последовательности с низким расхождением, мы стремимся к низкому расхождению и отсутствию необходимости в повторных вычислениях, но на самом деле последовательности с низким расхождением могут быть только постепенно эффективными в отношении несоответствий, если мы не допускаем повторных вычислений.
Невязка набора P = { x 1 , ..., x N } определяется с использованием обозначений Нидеррайтера как
где λ s — s -мерная мера Лебега , A ( B ; P ) — количество точек из P , попадающих в B , а J — множество s -мерных интервалов или ящиков вида
где .
Звездная невязка D * N ( P ) определяется аналогично, за исключением того, что верхняя грань берется по множеству J * прямоугольных ящиков вида
где u i находится в полуинтервале [0, 1).
Эти два связаны
Примечание. Согласно этим определениям, несоответствие представляет собой наихудшее или максимальное отклонение плотности точек однородного набора. Однако имеют значение и другие меры ошибок, что приводит к другим определениям и мерам вариации. Например, расхождение L2 или модифицированное центрированное расхождение L2 также интенсивно используются для сравнения качества однородных наборов точек. И то, и другое гораздо проще вычислить при больших N и s.
Пусть Ī s — s -мерный единичный куб, Ī s = [0, 1] × ... × [0, 1]. Пусть f имеет ограниченную вариацию V ( f ) на Ī s в смысле Харди и Краузе. Тогда для любых x 1 , ..., x N из I s = [0, 1) × ... × [0, 1),
Неравенство Коксмы – Главки является точным в следующем смысле: для любого набора точек { x 1 , ..., x N } в I s и любом существует функция f с ограниченной вариацией и V ( f ) = 1 такая, что
Поэтому качество правила численного интегрирования зависит только от невязки D * N ( x1 ,... , xN ) .
Позволять . Ибо мы пишем
и обозначим точкой, полученной из x заменой координат, не входящих в u , на . Затем
где - функция невязки.
Применяя неравенство Коши–Шварца для интегралов и сумм к тождеству Главки–Зарембы, получаем вариант неравенства Коксмы–Главки:
где
и
Расхождение имеет большое практическое значение, поскольку для данного набора точек возможны быстрые явные вычисления. Таким образом, можно легко создавать оптимизаторы набора точек, используя несоответствие в качестве критерия.
Трудно с вычислительной точки зрения найти точное значение невязки больших наборов точек. Неравенство Эрдеша – Турана – Коксмы дает верхнюю границу.
Пусть x 1 ,..., x N — точки в I s , а H — произвольное целое положительное число. Затем
где
Гипотеза 1. Существует константа cs , зависящая только от размерности s , такая, что
для любого конечного множества точек { x 1 ,..., x N }.
Гипотеза 2. Существует константа c 's , зависящая только от s , такая, что
для бесконечного числа N для любой бесконечной последовательности x 1 , x 2 , x 3 ,....
Эти предположения эквивалентны. Для s ≤ 2 они были доказаны В.М. Шмидтом. В более высоких измерениях соответствующая проблема все еще остается открытой. Самые известные нижние оценки принадлежат Майклу Лейси и его соавторам.
Пусть s = 1. Тогда
для любого конечного множества точек { x 1 , ..., x N }.
Пусть s = 2. В.М. Шмидт доказал, что для любого конечного множества точек { x 1 , ..., x N }
где
Для произвольных размерностей s > 1 К. Ф. Рот доказал, что
для любого конечного множества точек { x 1 , ..., x N }. Йозеф Бек [1] установил двойное логарифмическое улучшение этого результата в трех измерениях. Это было улучшено Д. Билыком и М. Т. Лейси до степени одиночного логарифма. Наиболее известная оценка для s > 2 принадлежит Д. Билыку, М.Т. Лейси и А. Вагаршакяну. [2] Для s > 2 существует такое t > 0, что
для любого конечного множества точек { x 1 , ..., x N }.
Поскольку любое распределение случайных чисел может быть отображено на равномерное распределение, а квазислучайные числа отображаются таким же образом, эта статья касается только генерации квазислучайных чисел на многомерном равномерном распределении.
Известны конструкции последовательностей такие, что
где C — некоторая константа, зависящая от последовательности. После гипотезы 2 считается, что эти последовательности имеют наилучший возможный порядок сходимости. Ниже приведены примеры последовательности Ван дер Корпута , последовательности Холтона и последовательности Соболя . Одним из общих ограничений является то, что методы построения обычно могут гарантировать только порядок сходимости. Практически, низкое расхождение может быть достигнуто только в том случае, если N достаточно велико, а при больших заданных s этот минимум N может быть очень большим. Это означает, что выполнение анализа Монте-Карло, например, с s=20 переменными и N=1000 точками с помощью генератора последовательности с низким расхождением, может обеспечить лишь очень незначительное улучшение точности .
Последовательности квазислучайных чисел можно генерировать из случайных чисел, налагая на эти случайные числа отрицательную корреляцию. Один из способов сделать это — начать с набора случайных чисел и построить квазислучайные числа , которые будут однородными при использовании:
для нечетного и для четного.
Второй способ сделать это с начальными случайными числами — построить случайное блуждание со смещением 0,5, как показано ниже:
То есть возьмите предыдущее квазислучайное число, добавьте 0,5 и случайное число и возьмите результат по модулю 1.
Для более чем одного измерения можно использовать латинские квадраты соответствующего размера для обеспечения смещения, чтобы гарантировать равномерное покрытие всей области.
Для любого иррационального последовательность
имеет расхождение, имеющее тенденцию к . Обратите внимание, что последовательность может быть определена рекурсивно с помощью
Хорошее значение дает меньшее расхождение, чем последовательность независимых однородных случайных чисел.
Расхождение может быть ограничено показателем аппроксимации . Если показатель аппроксимации равен , то для любого выполняется следующая оценка: [3]
По теореме Туэ-Зигеля-Рота показатель аппроксимации любого иррационального алгебраического числа равен 2, что дает приведенную выше оценку .
Приведенное выше рекуррентное соотношение похоже на рекуррентное соотношение, используемое линейным конгруэнтным генератором — генератором псевдослучайных чисел низкого качества: [4]
Для аддитивной повторяемости с низким расхождением, описанной выше, a и m выбраны равными 1. Однако обратите внимание, что это не будет генерировать независимые случайные числа, поэтому их не следует использовать для целей, требующих независимости.
Значение с наименьшим расхождением представляет собой дробную часть золотого сечения : [5]
Другая величина, которая почти так же хороша, — это дробная часть отношения серебра , которая представляет собой дробную часть квадратного корня из 2:
В более чем одном измерении для каждого измерения необходимы отдельные квазислучайные числа. Удобный набор используемых значений — это квадратные корни 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. [6]
В списке генераторов псевдослучайных чисел перечислены методы генерации независимых псевдослучайных чисел. Примечание. В небольшом количестве измерений рекурсивная рекурсия приводит к однородным наборам хорошего качества, но для больших s (например, s>8) другие генераторы наборов точек могут обеспечить гораздо меньшие расхождения.
Позволять
быть b -арным представлением натурального числа n ≥ 1, т.е. 0 ≤ d k ( n ) < b . Набор
Тогда существует константа C , зависящая только от b , такая, что ( g b ( n )) n ≥ 1 удовлетворяет условию
где D * N — звездное расхождение .
Последовательность Холтона 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, большие 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
Пусть b 1 ,..., b s −1 — взаимно простые положительные целые числа, большие 1. Для заданных s и N s -мерное множество Хаммерсли размера N определяется формулой [7]
для n = 1, ..., N . Затем
где C — константа, зависящая только от b 1 , ..., b s −1 . Примечание. Формулы показывают, что множество Хаммерсли на самом деле является последовательностью Холтона, но мы получаем еще одно измерение бесплатно, добавляя линейную прогонку. Это возможно только в том случае, если N известно заранее. Линейный набор также является набором с наименьшей возможной одномерной невязкой в целом. К сожалению, для более высоких размерностей такие «наборы записей несоответствий» неизвестны. Для s = 2 большинство генераторов наборов точек с низким расхождением обеспечивают по крайней мере почти оптимальные расхождения.
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 , , используются для выбора номеров направлений. Для получения значения последовательности Соболя возьмите исключительное или двоичное значение кода Грея с соответствующим номером направления. Количество требуемых размеров влияет на выбор .
Дисковая выборка Пуассона популярна в видеоиграх для быстрого размещения объектов таким образом, чтобы они выглядели случайными, но гарантировали, что каждые две точки разделены как минимум указанным минимальным расстоянием. [8] Это не гарантирует низкое расхождение (как, например, у Соболь), но, по крайней мере, значительно меньшее расхождение, чем чисто случайная выборка. Целью этих шаблонов выборки является частотный анализ, а не несоответствие, тип так называемых шаблонов «синего шума».
Точки, нанесенные ниже, представляют собой 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. [9] Реализация алгоритма на Фортране доступна на Netlib .
Одним из свойств золотого сечения является то, что вы можете использовать его для примерно равномерного разделения любого диапазона... если вы заранее не знаете, сколько шагов вы собираетесь сделать.