关于统计分布中“随机数流stream”的解释

资料来自《实用系统仿真建模与分析——使用Flexsim》，作者秦天保 周向阳
3 o/ C; Z% Z% E第四章 随机数和随机变数的生成
5 }7 X- Z: H# @" ~3 G) X' N5 M8 a9 N
( z! ?4 ^( {# v仿真软件一般会将整个随机数序列分成若干段，例如100000个数为一段。
每段成为一个随机数流(stream)，每个流会指定一个编号，如0号流，1号流等等。
9 F$ X  m( u+ F5 a, A1 D+ l
在Flexsim中调用指数分布函数的形式为exponential(location,scal,stream)，其中第3个参数stream就是指定从哪一个流求取下一个随机数，如果省略参数流，则默认使用0号随机数流。
7 E3 w6 F. w; ?- N
Flexsim系统已经初始化了100个随机数流（0~99号），可供直接使用。

, K! s6 `" h" T: Q3 M; ?如果一个流的随机数在模型运行过程中，经过不断调用耗净了，根据递推公式下一个随机数就会侵入下一个流中去了，这会导致不想要的相关性。为了提高模型输出数据的准确性和精度，建议为模型中的每个对象甚至每个随机因素指定不同的流号。

" t& F- I: q+ f7 i! d: f- j, Q6 M: o参考文献：

7 @9 X) C5 E5 l9 }- @

& n" C5 V9 ^' _0 }

学习学习

非常需要这方面知识啊谢谢

这个问题困扰我好久了，现在一次性了结
---------------------------------------------------------------------------------------------------
0 b0 S/ N: ^( C3 S. c. {-随机数是怎么生成的
4 `% @0 n8 b7 C# s% v: `6 k基于计算机方法生成的随机数称为伪随机数，因为其计算方法已知，不是完全的随机。现在比较流行的生产伪随机数的方法是 Linear Congruential Generation （混合同余法）.
Linear Congruential Generation (LCG)[1]方法如下:
X_i=(aX_(i-1)+c)mod m                            （1）
( z" v& O2 {) K3 j* \( RR_i= X_i/m
Seed: X_0
$ |. T. V2 c! Y2 a+ r
' Y0 C. D" {5 D7 [2 o/ ?' r-什么是stream?
基于m的限制，生成的随机数都是循环的，而且最大的循环周期是m。假设生成的随机数周期为P，随机数序列可以写作： X_0,X_1,…X_P,X_0,X_1…
正因为它的循环性，取0-P之间任何一个数做seed都可以生成整个随机数列。
为了方便起见，我们把长度为P的随机数分为若干个随机数流（stream），比如说，分成b个，每个stream的长度为P/b： {X_0,X_1,…X_(P/b-1)}, {X_(P/b),…X_(2P/b-1)}…

+ O9 d$ ~0 V& K  j: `" u-Stream有什么用？
通过观察（1）式可以得知，X_i  和 X_(i-1)是相关的。为了避免这种相关性，仿真时常常会选取不同的stream产生各个过程的随机数。
& z& X; S8 p6 f& Z
' {, o3 j7 c+ R& T/ Y3 s4 _为此专门写了篇blog在http://blog.sina.com.cn/sui5277

学习一下 谢谢分享

谢谢分享!