Python实现随机游走的示例代码

 更新时间:2023年12月19日 09:58:10   作者:python收藏家  
随机游走是一个数学对象,称为随机或随机过程,它描述了一条路径,该路径由一些数学空间上的一系列随机步骤组成,下面我们就来学习一下Python如何实现随机游走的吧

随机游走是一个数学对象,称为随机或随机过程,它描述了一条路径,该路径由一些数学空间(如整数)上的一系列随机步骤组成。随机游走的一个基本例子是整数线上的随机游走,它从0开始,每一步以相等的概率移动+1或-1。其他例子包括分子在液体或气体中行进时的路径,觅食动物的搜索路径,波动股票的价格和赌徒的财务状况都可以通过随机行走模型来近似,即使它们在现实中可能不是真正的随机。

如这些例子所示,随机游走在许多科学领域都有应用,包括生态学、心理学、计算机科学、物理学、化学、生物学以及经济学。随机游走解释了在这些领域中观察到的许多过程的行为,因此可以作为记录随机活动的基本模型。作为更数学的应用,pi的值可以通过在基于代理的建模环境中使用随机游走来近似。

别再说无聊的理论了。让我们休息一下,同时了解一些代码知识。所以,为了编码随机游走,我们基本上需要一些Python库,一些用来做数学,另一些用来绘制曲线。

所需库

random

numpy

matplotlib

一维随机游走

一维随机游走的一个基本例子是整数线上的随机游动,它从0开始,每一步移动+1或-1、概率相等。

# Python code for 1-D random walk.
import random
import numpy as np
import matplotlib.pyplot as plt

# Probability to move up or down
prob = [0.05, 0.95]

# statically defining the starting position
start = 2
positions = [start]

# creating the random points
rr = np.random.random(1000)
downp = rr < prob[0]
upp = rr > prob[1]


for idownp, iupp in zip(downp, upp):
	down = idownp and positions[-1] > 1
	up = iupp and positions[-1] < 4
	positions.append(positions[-1] - down + up)

# plotting down the graph of the random walk in 1D
plt.plot(positions)
plt.show()

输出

二维随机游走

在高维数中,随机游走点的集合具有有趣的几何性质。事实上,人们得到了一个离散的分形,即在大尺度上表现出随机自相似性的集合。在小尺度上,可以观察到由执行行走的网格产生的“锯齿状”。随机游走的轨迹是所访问的点的集合,被认为是一个集合,而不考虑游走何时到达该点。在一个维度中,轨迹只是行走所达到的最小高度和最大高度之间的所有点。

# Python code for 2D random walk.
import numpy
import pylab
import random

# defining the number of steps
n = 100000

#creating two array for containing x and y coordinate
#of size equals to the number of size and filled up with 0's
x = numpy.zeros(n)
y = numpy.zeros(n)

# filling the coordinates with random variables
for i in range(1, n):
	val = random.randint(1, 4)
	if val == 1:
		x[i] = x[i - 1] + 1
		y[i] = y[i - 1]
	elif val == 2:
		x[i] = x[i - 1] - 1
		y[i] = y[i - 1]
	elif val == 3:
		x[i] = x[i - 1]
		y[i] = y[i - 1] + 1
	else:
		x[i] = x[i - 1]
		y[i] = y[i - 1] - 1
	

# plotting stuff:
pylab.title("Random Walk ($n = " + str(n) + "$ steps)")
pylab.plot(x, y)
pylab.savefig("rand_walk"+str(n)+".png",bbox_inches="tight",dpi=600)
pylab.show()

输出

应用领域

在计算机网络中,随机游走可以对在服务器处缓冲的传输分组的数量进行建模。

在群体遗传学中,随机游走描述了遗传漂变的统计特性。

在图像分割中,随机游走被用于确定标签(即,“对象”或“背景”)以与每个像素相关联。

在大脑研究中,随机游走和强化随机游走被用来模拟大脑中神经元放电的级联。

随机游走也被用于对诸如在线社交网络之类的大规模在线图进行采样。

到此这篇关于Python实现随机游走的示例代码的文章就介绍到这了,更多相关Python随机游走内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!

相关文章

  • python中matplotlib的颜色及线条控制的示例

    python中matplotlib的颜色及线条控制的示例

    这篇文章主要介绍了python中matplotlib的颜色及线条控制的示例,小编觉得挺不错的,现在分享给大家,也给大家做个参考。一起跟随小编过来看看吧
    2018-03-03
  • Python占用的内存优化教程

    Python占用的内存优化教程

    这篇文章主要给大家介绍了关于Python占用的内存优化教程,文中通过示例代码介绍的非常详细,对大家学习或者使用Python具有一定的参考学习价值,需要的朋友们下面来一起学习学习吧
    2019-07-07
  • 浅析pytorch中对nn.BatchNorm2d()函数的理解

    浅析pytorch中对nn.BatchNorm2d()函数的理解

    Batch Normalization强行将数据拉回到均值为0,方差为1的正太分布上,一方面使得数据分布一致,另一方面避免梯度消失,这篇文章主要介绍了pytorch中对nn.BatchNorm2d()函数的理解,需要的朋友可以参考下
    2023-11-11
  • Python人工智能之sg2im文字转图像

    Python人工智能之sg2im文字转图像

    这篇文章主要介绍了Python人工智能中使用sg2im把文字转成图像的方法,sg2im是一个由Google开发的开源项目,它专注于将场景图形转换为图像,借助sg2im就可以把文字转换成图像,需要的朋友可以参考下
    2021-11-11
  • python numpy元素的区间查找方法

    python numpy元素的区间查找方法

    今天小编就为大家分享一篇python numpy元素的区间查找方法,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
    2018-11-11
  • python函数的两种嵌套方法小结

    python函数的两种嵌套方法小结

    这篇文章主要介绍了python函数的两种嵌套方法小结,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
    2022-01-01
  • python循环控制之break和continue流程控制语句

    python循环控制之break和continue流程控制语句

    这篇文章主要介绍了python循环控制之break流程控制语句,Python中提供了两个关键字用来控制循环语句,分别是break和continue,本文都有介绍,需要的朋友可以参考一下
    2022-03-03
  • 带你精通Python正则表达式

    带你精通Python正则表达式

    本文将给大家分享一份关于比较详细的Python正则表达式宝典,学会之后你将对正则表达式达到精通的状态,一起来学习下面内容吧
    2021-08-08
  • 导入pytorch时libmkl_intel_lp64.so找不到问题解决

    导入pytorch时libmkl_intel_lp64.so找不到问题解决

    这篇文章主要为大家介绍了导入pytorch时libmkl_intel_lp64.so找不到问题解决示例,有需要的朋友可以借鉴参考下,希望能够有所帮助,祝大家多多进步,早日升职加薪
    2022-06-06
  • pandas之分组groupby()的使用整理与总结

    pandas之分组groupby()的使用整理与总结

    这篇文章主要介绍了pandas之分组groupby()的使用整理与总结,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
    2020-06-06

最新评论