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
' t8 C1 z: g- [4 c3 @5 ?4 o第四章 随机数和随机变数的生成

% M; ~+ A2 D4 o% v! R  b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。
2 m2 Y' Q6 m$ d* l$ l, a. x& j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。
; j* ?8 M* F! }" B" H# K$ k
4 x; {- W; a1 |9 K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。

0 ^0 z" J/ z- r5 N7 s% q$ AFlexsim系统已经初始化了100个随机数流（0~99号），可供直接使用。

- E4 l% l7 n# j( Q; Z& j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：
& A/ j& z  o* r* I5 c; |

, p9 w8 L6 M# ~; E
' ^! A8 A* h  k6 K! s

学习学习

非常需要这方面知识啊谢谢

( @0 Q' _4 w/ ?这个问题困扰我好久了，现在一次性了结
---------------------------------------------------------------------------------------------------
-随机数是怎么生成的
  W4 [) w1 Q+ w$ o9 p8 k! i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）.
+ T# a1 P; m2 \# A) u- b" a6 [Linear Congruential Generation (LCG)[1]方法如下:
X_i=(aX_(i-1)+c)mod m                            （1）
R_i= X_i/m
3 I1 n+ a6 T" {8 WSeed: X_0
" G; d% C" L- F0 w0 b; P
-什么是stream?
  _" Y1 @- s" {  O5 t  I( R+ j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…
% d" C6 h7 u3 j/ C4 M& |/ r7 s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)}…
7 h9 [! W, q5 r( F
0 L8 Y) R1 C2 a3 v-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。
- t  Q$ X6 G3 X$ \: w
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!