随机非结构化（精选4篇）
随机非结构化 篇1
0.引言
在各种计算机软件系统中, 经常要用到随机数抽取的问题。如:从题库中抽题, 机动车摇号上牌等, 这些问题都要用到非重复随机数抽取算法。传统的抽取算法结构简单易懂, 但算法耗时长, 甚至当数据量大时, 存在着无法生成的可能。文中结出的几种算法, 可以有效的解决传统算法的不足问题。
1. 传统的算法
传统的算法原理:每次所抽取的数与前面已抽取的数进行比较, 相同保留, 不同则丢弃, 如此反复进行, 直到满足需求。此算法的时间复杂度为O (n2) , 若抽取个数接近样本空间, 到了抽取末期, 存在着因抽取数据与已抽数据频繁重复而无法完成任务的可能。
2. 下标移动算法
传统的算法的最大的问题就是数据重复性的问题, 若将样本空间的所有数据全部存储到一维数组中, 每抽取一个数, 就从样本空间移除这个数, 即从数组中移出这个数, 即可消除重复性问题。滑动窗口的随机数算法就是应用这种策略, 解决了抽取重复的问题。
滑动窗口的随机数算法可以解决抽取重复的问题, 该算法采用窗口从后向前滑动, 所需要的空间复杂度为O (n+m) , 若生成的随机数较大时, 所占的存储空间也比较大。采用下标移动算法, 所需要的空间复杂度为O (n) , 可以有效的节约存储空间。
2.1 算法原理
下面给出原理:
给定一组正整数, 区间为[1, n], 从中随机抽取m个非重复的数, 且m<=n。
初始化数组a存储这组正整数, k记录产生的随机数个数, 同时也是移动的下标
步骤1 k=1
步骤2在区间[k, n]产生一个随机数t, 将a (k与a (t) 对调。
步骤3 k=k+1, 若k>m算法结束, 否则返回步骤2
2.2 算法分析
移动下标k将区间[1, n]划分为[1, k-1]与[k, n两个空间, 通过k的移动, [1, k-1]空间变大, 满足了生成随机数的存储, [k, n]空间变小, 满足了样本的非重复性。其时间复杂度为O (m) , 符合非重复随机数抽取的需要。下面给出具体的C#代码。
3. 动态求解算法
下标移动算法实现非重复随机数抽取必须将样本空间全部存储蓄到数组中, 当样本空间数据个数n远大于抽取个数m时, 尚有n-m个数据不需要抽取, 但这些数据又占用着存储空间。
经过研究发现, 区间[1, n]的有序序列, 被抽取第k-1个数据后, 剩余的数据仍为有序序列, 用c来表示该序列, c序列不需要用一维数组来保存, 当抽取第k个数据时, 通过分析已抽取的数据与c序列之间的关系, 就可以动态求解出第k个数具体的值。使用该算法可以将空间复杂度降为O (m) 。
3.1 算法原理
下面给出原理:
给定一组正整数, 区间为[1, n], 从中随机抽取m个非重复的数, 且m<=n。
初始化数组a存储已产生的随机数, 数组b存储数组a的升序序列, k记录产生的随机数个数
步骤1 k=1
步骤2在区间[1, n-k+1]产生一个随机数t
步骤3在数组b中找出b (j) –j>=t的元素, 若找到直接进入步骤4, 否则一直找下去, 没有找到也进入步骤4
步骤4 a (k) =t+j-1
步骤5将a (k) 插入数组b中, 并保持数组b为升序
步骤6 k=k+1, 若k>m算法结束, 否则返回步骤2
3.2 算法分析
通过分析有序数组b与c序列的关系, c序列中第t位的元素, 其前面已抽取了j-1个数, 所以第t位的元素的值应为t+j-1;随着k值的变大, 样本区间[1, n-k+1]在变小, 符合非重复随机数抽取的需要, 步骤3由循环来完成, 该算法的时间复杂度为O (m2) 。下面给出具体的C#代码。
4. 结束语
传统的随机数抽取算法, 可靠性差, 只适合从大样本空间中抽取极少量的数据;下标移动算法时间复杂度低, 但空间复杂度较高, 可靠性强, 特别适合从大样本空间中抽取大量的数据;动态求解算法时间复杂度较高, 但空间复杂度低, 可靠性强, 算法较复杂, 特别适合从大样本空间中抽取一部分数据。下标移动算法与动态求解算法都可以完成非重复随机数抽取, 在具体的应用中, 开发者可以根据自己的需要, 选择合适的算法, 高效灵活的解决实际问题。
摘要：介绍了传统随机数抽取算法的原理, 给出了下标移动算法与动态求解算法的原理, 对他们进行了分析, 并给出了C#代码, 分析了他们的优劣与适用范围。
关键词：随机数,非重复,抽取,下标移动,动态求解
参考文献
[1]彭绪富.基于窗口的随机数抽取算法研究.计算机工程与设计, 2007, 28 (3) :526-527
[2]沃森 (Watson, K) , 内格尔 (Nagel, C) 等.C#入门经典.北京:清华大学出版社, 2006:60-71
随机非结构化 篇2
针对随机时间序列载荷激励下的非线性系统,提出一种基于Z变换的递归方法.对于所获得的`响应时间序列的识别,建议了一种离散小波变换(DWT)的技术.
作 者：高世桥 金磊 M・卡斯巴斯基 刘海鹏 李明辉 GAO Shi-qiao JIN Lei M.Kasperski LIU Hai-peng LI Ming-hui 作者单位：高世桥,金磊,刘海鹏,李明辉,GAO Shi-qiao,JIN Lei,LIU Hai-peng,LI Ming-hui(北京理工大学,宇航科学技术学院,100081,北京)
M・卡斯巴斯基,M.Kasperski(波鸿鲁尔大学,土木工程系,德国)
在波动中寻找非随机性投资机会 篇3
一般来说，短期股价波动具有极强的随机性，其影响因素常在投资者预期之外，而预测中期的股价准确性相对会高一些，因其与企业的基本面高度相关，而企业基本面变化相对缓慢和有序。为了实现稳定获利，投资人将时间范围放在中周期内成功的概率更高。
大道至简，我们将中周期的股价走势分为两类形态，一类呈现清晰的趋势性，上升或下降的走势；另一类则属于无明显趋势性，呈区间震荡走势。这两类形态对应两种不同的交易模式，一种属于趋势型交易，一种属于无趋势型交易。
第一类，趋势型投资的基本面驱动力主要来自于周期性因素，周期指的是宏观经济周期、技术周期、或者产品周期等，周期力量驱动相关公司的盈利单向波动持续较长时间，股价在中周期中表现出趋势性上升或者下跌，市值大幅度地膨胀或收缩。行业上看，跟宏观经济紧密相关的传统周期性行业如此，不管是在经济快速成长阶段还是在经济的下滑阶段，股价呈现出中期趋势性的上涨和下跌。对那些穿越经济周期的成长性行业，也属于典型的趋势性投资，只不过这些行业股票历经上涨或者下跌的时间更长，市值变化的幅度更大。
从策略上说，趋势型交易是典型的“追涨杀跌”，指导思想在于“高价买入并以更高价卖出”“股价下跌会跌得更低”。投资机会来自市场出现方向性变化时，买入那些在上升行情中的“领头羊”，最佳进入点是突破某个关键转折点并创最高时，同时交易量迅速放大是买方需求快速增加的信号，投资者更要敢于在股价不断上涨的情况下继续加仓，卖出规则反之亦然。参与趋势型投资，投资者需保持耐心等待，这种耐心既体现在当市场上下震荡无方向时，不盲目进场交易，也体现在持有获利股票，避免过早地卖出。从交易心理上，趋势型投资在股价上涨时要对更多获利贪婪，而在出现下挫时对亏损心存恐惧。
第二类是无趋势型交易，其对应基本面为行业格局稳定，公司也无重大举措或变化，中长期收入及盈利增长缓慢或者预期较慢，虽然股价处于区间震荡形态，呈一定幅度的波动性，但因公司价值的变化远比股价的表现要慢得多，其市值中枢较为平稳。
这种交易跟第一类交易有截然不同的策略，属于典型的“低买高卖”，指导思想是“人弃我取，人取我与”。这种类型的投资需要的是常识以及逆向思维，当偏离价格中枢跌得越多，越是买入良机，而当其偏离价格中枢涨得越多，越是卖出机会。在日常生活中，大多数消费者普遍喜欢打折商品，因为对于一个使用价值较为稳定的商品而言，打折意味着消费者用更低的成本得到同等效用。股票市场中，违背常识的现象常常发生，很多投资者喜欢买贵的不喜欢便宜的。因公司股价下跌而卖，因公司股价上涨而买，是因为预计还会继续跌或继续涨。这确实违背了一个最基本的常识。历史经验告诉我们，这种现象伴随着市场的出现与生俱来，且基本都遵循贵的时候交易量比便宜时多数倍的基本规律。作为理性的专业投资者，当遇到这种现象时，需要发挥常识的力量和逆大众行为的勇气。
细心的读者，看着上面两个交易策略，心中难免不存疑惑，因为二者看似很矛盾。笔者是基本面投资者，交易策略本是由基本面研究而衍生出，故而在笔者看来二者能够统一起来。每个策略有自己的适用前提，上述交易策略最难的地方是对趋势性机会的定性判断，趋势性机会的价格中枢在变，因为影响公司价值的关键变量在发生变化，而非趋势性机会的价格中枢相对稳定。最后，不得不提的很重要的一点，如果发现自己的基本面判断出错，那么及时承担损失退出交易为上策，亏损是在不确定的市场中无法避免的，但要有严格的交易纪律控制亏损的幅度。
随机非结构化 篇4
随机结构正交展开分析的Ritz动力聚缩法
针对随机结果正交展开理论计算上的`弱点,本文在分析扩阶矩阵特性的基础上,于Ritz模态向量子空间中对扩阶方程实现动力聚缩,大大提高了正交展开理论对实际工程问题的分析能力.分析实例表明:即使结构参数具有很大变异性(如δ=0.4)时,该算法依然能理想地与Monte Carlo法模拟结果相吻合,计算时间则远远小于Monte Carlo模拟法.同时,分析例证再一次强化了在结构动力分析中考虑结构参数随机性的必要性.
作 者：廖松涛 李杰 作者单位：同济大学,建筑工程系,上海,200092刊 名：计算力学学报 ISTIC EI PKU英文刊名：CHINESE JOURNAL OF COMPUTATIONAL MECHANICS年，卷(期)：200219(1)分类号：O324 TU312关键词：随机结构 正交展开 Ritz模态向量 动力聚缩 Monte Carlo模拟