随机的算法

❶ 有哪些随机数算法呢

1、数值概率算法：用于数值问题的求解。所得到的解几乎都是近似解，近似解的精度
随着计算时间的增加而不断地提高。
2、拉斯维加斯算法（LasVegas）：要么给出问题的正确答案，要么得不到答案。反复求解多次，可
使失效的概率任意小。
3、蒙特卡罗算法（MonteCarlo）：总能得到问题的答案，偶然产生不正确的答案。重复运行，每一次
都进行随机选择，可使不正确答案的概率变得任意小。
4、舍伍德算法（Sherwood）：很多具有很好的平均运行时间的确定性算法，在最坏的情况下性能很
坏。引入随机性加以改造，可以消除或减少一般情况和最坏情况的差别。

❷ 随机数算法

可以把已有数据放到数组里，然后产生随机下标，根据下标取到的数据可以认为是随机的。

❸ 求随机数计算算法

用VB，rnd函数直接生成

❹ 真的有能产生完全随机数的算法吗

计算机本来就没办法实现真正的随机，它本来就是按逻辑来运行的，产生的所谓随机数全部都是伪随机，最多只能做到范围足够大，产生规律足够复杂，感觉像是随机而已。

❺ 随机化的算法

在我们的生活中，人们经常会去掷色子来看结果，投硬币来决定行动，这就牵涉到一个问题：随机。
计算机为我们提供好了随机方法（部分计算器也提供了），那么对于有些具有瑕疵的算法，如果配上随机化算法的话，又是可以得到一样不到的结果。
这种算法看上去是凭着运气做事，其实，随机化算法是有一定的理论基础的，我们可以想象，在[1,10000]这个闭区间里，随机1000次，随机到2这个数的几率是多大，何况1000次的随机在计算机程序中仅仅是一眨眼的功夫。可以看出，随机化算法有着广阔的前景。只是由于随机化算法比较难于掌控，所以并不是很多人都接触过他，但肯定有很多人都听说过。
下面，我们就随机化问题，举一个例子：
一个长度在4..10的字符串中，需要判定是否可以在字符串中删去若干字符，使得改变后字符串符合以下条件之一：
（1）AAAA；（2）AABB；（3）ABAB；（4）ABBA。
例如：长度为6字符串“POPKDK”，若删除其中的“O”，“D”两个字母，则原串变为：“PPKK”，符合条件（2）AABB。
分析：
这道题很容易想到一种算法：运用排列组合：枚举每4个字母，然后逐一判断。算法是可行的，但是如果需要题目中加上一句话：需要判断n个字符串，且n<=100000，那么这样的耗时是不能让人忍受①的，因为在枚举的过程中，是非常浪费时间的。
(①：这里是指信息学中要求算法的普遍运算时间为：1000ms）
所以这道题有可能可以借助于随机化算法，下面我们来算一下在10个组符中取4个字符一共有多少种取法：C(4,10)=210。那么很容易得知，随机化算法如果随机100次，能都到的结果基本上就正确了，而随机时的时间消耗是O(1)，只需要判断没有随机重复即可，判重的时间复杂度也为O(1)，并且最多随机100次，这样就可以有效地得到答案，最大运算次数为：O(100n)，这是在计算机的承受范围内（1000ms）的。
从这里就能看出，随机化算法是一个很好的概率算法，但是它并不能保证正确，而且它单独使用的情况很少，大部分是与其他的算法：例如贪心、搜索等配合起来运用。
再举一个例子：
排序问题。快速排序是排序方法中较为便捷的方法之一，但是由于它极不稳定，最好的时候时间复杂度为O(n㏒n)，这里的㏒是指以2为底的对数运算。最坏的时候能达到与普通排序方法一样的O(n^2)。
而制约快速排序的有两个：一是数据，越无序的数据，快排的速度越快；二是中间点的枚举。
因为两个制约条件都与随机有着不可分开的关系。
所以，在快速排序中加入随机化算法无疑是十分重要的。

❻ 随机数算法是什么

在计算机中并没有一个真正的随机数发生器，但是可以做到使产生的数字重复率很低，这样看起来好象是真正的随机数，实现这一功能的程序叫伪随机数发生器。有关如何产生随机数的理论有许多如果要详细地讨论，需要厚厚的一本书的篇幅。不管用什么方法实现随机数发生器，都必须给它提供一个名为“种子”的初始值。而且这个值最好是随机的，或者至少这个值是伪随机的。“种子”的值通常是用快速计数寄存器或移位寄存器来生成的。下面讲一讲在C语言里所提供的随机数发生器的用法。现在的C编译器都提供了一个基于ANSI标准的伪随机数发生器函数，用来生成随机数。它们就是rand（）和srand（）函数。这二个函数的工作过程如下：”）首先给srand（）提供一个种子，它是一个unsignedint类型，其取值范围从0～65535；2）然后调用rand（），它会根据提供给srand（）的种子值返回一个随机数（在0到32767之间）3）根据需要多次调用rand（），从而不间断地得到新的随机数；4）无论什么时候，都可以给srand（）提供一个新的种子，从而进一步“随机化”rand（）的输出结果。这个过程看起来很简单，问题是如果你每次调用srand（）时都提供相同的种子值，那么，你将会得到相同的随机数序列，这时看到的现象是没有随机数，而每一次的数都是一样的了。例如，在以17为种子值调用srand（）之后，在首次调用rand（）时，得到随机数94。在第二次和第三次调用rand（）时将分别得到26602和30017，这些数看上去是很随机的（尽管这只是一个很小的数据点集合），但是，在你再次以17为种子值调用srand（）后，在对于rand（）的前三次调用中，所得的返回值仍然是在对94，26602，30017，并且此后得到的返回值仍然是在对rand（）的第一批调用中所得到的其余的返回值。因此只有再次给srand（）提供一个随机的种子值，才能再次得到一个随机数。下面的例子用一种简单而有效的方法来产生一个相当随机的“种子”值－－－－当天的时间值：g＃椋睿悖欤酰洌澹Γ欤簦唬螅簦洌椋铮瑁Γ纾簦弧。＃椋睿悖欤酰洌澹Γ欤簦唬螅簦洌欤椋猓瑁Γ纾簦弧。＃椋睿悖欤酰洌澹Γ欤簦唬螅螅Γ＃矗罚唬簦穑澹螅瑁Γ纾簦弧。＃椋睿悖欤酰洌澹Γ欤簦唬螅螅Γ＃矗罚唬簦椋恚澹猓瑁Γ纾簦弧。觯铮椋洹。恚幔椋睿ǎ觯铮椋洌。。椋睿簟。椋弧。酰睿螅椋纾睿澹洹。椋睿簟。螅澹澹洌郑幔欤弧。螅簦颍酰悖簟。簦椋恚澹狻。簦椋恚澹拢酰妫弧。妫簦椋恚澹ǎΓ幔恚穑唬簦椋恚澹拢酰妫弧。螅澹澹洌郑幔欤剑ǎǎǎǎ酰睿螅椋纾睿澹洹。椋睿簦簦椋恚澹拢酰妫簦椋恚澹Γ幔恚穑唬埃疲疲疲疲。ǎ酰睿螅椋纾睿澹洹。椋睿簦簦椋恚澹拢酰妫恚椋欤欤椋簦恚蕖。ǎ酰睿螅椋纾睿澹洹。椋睿簦簦椋恚澹拢酰妫恚椋欤欤椋簦恚弧。螅颍幔睿洌ǎǎ酰睿螅椋纾睿澹洹。椋睿簦螅澹澹洌郑幔欤弧。妫铮颍ǎ椋剑埃唬椋Γ欤簦唬保埃唬椋。穑颍椋睿簦妫ǎΓ瘢酰铮簦唬ィ叮洌Γ＃梗玻唬睿Γ瘢酰铮簦籦egjrand（））；｝上面的程序先是调用＿ftime（）来检查当前时间yc并把它的值存入结构成员timeBuf．time中wae当前时间的值从1970年1月1日开始以秒计算aeh在调用了＿ftime（）之后在结构timeBuf的成员millitm中还存入了当前那一秒已经度过的毫秒数，但在DOS中这个数字实际上是以百分之一秒来计算的。然后，把毫秒数和秒数相加，再和毫秒数进行异或运算。当然也可以对这两个结构成员进行更多的计算，以控制se．．．．．．余下全文＞＞

❼ 随机算法、函数

产生整数rand的原理是：
y＝ax＋b（mod n）其中，n一般是一个很大的素数，几万。
a也是大素数。而且a，b，n都是常数。所以rand的产生决定于x，
他被称为seed。
每一个seed都是上一次产生的y的函数。这样，如果直接取seed＝y的话，
虽然产生的rand之间相关性甚小，但只要知道某个y，就能推知以后的rand。
为避免这种情况，一般取seed为y和当时计算机的时间的函数，如seed＝y＋t

❽ 随机算法

一般用a=rand(n),为了防止重复用srand(time(NULL)); 很简单的

❾ C++ 随机数算法

a1=rand(1-100)
a2=a1+rand(5-50)
.....

❿ 随机算法的基本概念

随机算法是算法本身包含了随机数生成器的算法。根据《算法导论（中文第二版）》描述，在进行算法分析的时，有时可以在获得了一定输入分布信息之后对输入的分布进行一定的假定，在此基础上进行平均情况分析得到算法的时间复杂度。然而有时候无法获得输入分布的信息，这时可以在算法本身增加一定的随机性，继而实现对算法进行平均情况分析。通过设计随机算法有效地避免较多的较坏情况输入的出现，从而提高算法的平均情况下的性能。