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
第四章 随机数和随机变数的生成

  L; t9 Z' e1 I. X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。
. E4 G' \9 {8 A
9 {  a( b5 K! x! E) ]; Z$ @* I7 Z2 v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。

Flexsim系统已经初始化了100个随机数流（0~99号），可供直接使用。

* @$ x1 v7 V- u2 d- h' P2 h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。

参考文献：
5 T; d6 L1 H8 i" \$ n8 j2 [' p

$ L% a0 u( Q& D6 h

谢谢分享!

学习一下 谢谢分享

( r- Z, q7 ]% V" |: ^& v7 ]/ l4 V
这个问题困扰我好久了，现在一次性了结
9 ~, q" B; d' p& y---------------------------------------------------------------------------------------------------
7 S0 T& _( E$ j/ m% F1 Q. c- [-随机数是怎么生成的
  ~. f" K/ J+ U" ?. C, g: H0 }2 r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）
R_i= X_i/m
+ C- T- v. B& _# R* f3 }3 OSeed: X_0
: \; E# y  D1 K. u* U- V  J6 {
-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。
8 `5 M9 v+ Y4 a* v$ Z' Q2 j' q  h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)}…

-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。

4 h, k+ E2 u& U1 \* ~' @为此专门写了篇blog在http://blog.sina.com.cn/sui5277

非常需要这方面知识啊谢谢

学习学习