aussehen Ich folgte Idee @ jwimberley so ziemlich auf den Punkt, und dachte, ich würde hier meine Ergebnisse teilen. Ich habe eine Klasse, führt Folgendes aus:
- Konstruktorargumente:
- CDF (normiert oder nicht-normalisierten), das ist die integral des PDF.
- Untere und obere Grenze der Verteilung
- (optional) Auflösung, die angibt, wie viele Beispielpunkte der CDF wir nehmen sollten.
- Berechnen Sie eine Zuordnung von CDF -> Zufallszahl x. Dies ist unsere inverse CDF-Funktion.
- Generieren Sie einen beliebigen Punkt durch:
- eine zufällige Wahrscheinlichkeit generieren p zwischen
(0, 1]
std::random
verwenden.
- Binärsuche in unserem Mapping für CDF-Wert, der p entspricht. Gebe die x zurück, die zusammen mit der CDF berechnet wurde. Optionale lineare Integration zwischen benachbarten "Buckets" wird bereitgestellt, andernfalls erhalten wir n == Auflösung diskrete Schritte.
Der Code:
// sampled_distribution.hh
#ifndef SAMPLED_DISTRIBUTION
#define SAMPLED_DISTRIBUTION
#include <algorithm>
#include <vector>
#include <random>
#include <stdexcept>
template <typename T = double, bool Interpolate = true>
class Sampled_distribution
{
public:
using CDFFunc = T (*)(T);
Sampled_distribution(CDFFunc cdfFunc, T low, T high, unsigned resolution = 200)
: mLow(low), mHigh(high), mRes(resolution), mDist(0.0, 1.0)
{
if (mLow >= mHigh) throw InvalidBounds();
mSampledCDF.resize(mRes + 1);
const T cdfLow = cdfFunc(low);
const T cdfHigh = cdfFunc(high);
T last_p = 0;
for (unsigned i = 0; i < mSampledCDF.size(); ++i) {
const T x = i/mRes*(mHigh - mLow) + mLow;
const T p = (cdfFunc(x) - cdfLow)/(cdfHigh - cdfLow); // normalising
if (! (p >= last_p)) throw CDFNotMonotonic();
mSampledCDF[i] = Sample{p, x};
last_p = p;
}
}
template <typename Generator>
T operator()(Generator& g)
{
T cdf = mDist(g);
auto s = std::upper_bound(mSampledCDF.begin(), mSampledCDF.end(), cdf);
auto bs = s - 1;
if (Interpolate && bs >= mSampledCDF.begin()) {
const T r = (cdf - bs->prob)/(s->prob - bs->prob);
return r*bs->value + (1 - r)*s->value;
}
return s->value;
}
private:
struct InvalidBounds : public std::runtime_error { InvalidBounds() : std::runtime_error("") {} };
struct CDFNotMonotonic : public std::runtime_error { CDFNotMonotonic() : std::runtime_error("") {} };
const T mLow, mHigh;
const double mRes;
struct Sample {
T prob, value;
friend bool operator<(T p, const Sample& s) { return p < s.prob; }
};
std::vector<Sample> mSampledCDF;
std::uniform_real_distribution<> mDist;
};
#endif
Hier sind einige Grundstücke der Ergebnisse. Für eine gegebene PDF müssen wir zuerst die CDF durch Integration analytisch berechnen.
Log-lineare
Sinusförmige
Sie können dies ausprobieren, sich mit der folgenden Demo:
// main.cc
#include "sampled_distribution.hh"
#include <iostream>
#include <fstream>
int main()
{
auto logFunc = [](double x) {
const double k = -1.0;
const double m = 10;
return x*(k*std::log(x) + m - k); // PDF(x) = k*log(x) + m
};
auto sinFunc = [](double x) { return x + std::cos(x); }; // PDF(x) = 1 - sin(x)
std::mt19937 gen;
//Sampled_distribution<> dist(logFunc, 1.0, 1e4);
Sampled_distribution<> dist(sinFunc, 0.0, 6.28);
std::ofstream file("d.txt");
for (int i = 0; i < 100000; i++) file << dist(gen) << std::endl;
}
Die Daten werden mit Python aufgetragen.
// dist_plot.py
import numpy as np
import matplotlib.pyplot as plt
d = np.loadtxt("d.txt")
fig, ax = plt.subplots()
bins = np.arange(d.min(), d.max(), (d.max() - d.min())/50)
ax.hist(d, edgecolor='white', bins=bins)
plt.show()
Führen Sie die Demo mit:
clang++ -std=c++11 -stdlib=libc++ main.cc -o main; ./main; python dist_plot.py
Es gibt so viel Mathematik wie C++ ist diese Frage. Siehe zum Beispiel https://en.wikipedia.org/wiki/Inverse_transform_sampling. – jwimberley
Was ist die Domain? –
@ YvesDaoust Für das anfängliche Problem war es zwischen 1 -> 1.4e7. Ich habe eine Antwort hinzugefügt, wie ich es gelöst habe. – pingul