Tầm quan trọng của việc sử dụng Random.setSeed là gì?

Question

Khi viết chương trình Java, chúng tôi sử dụng setSeed trong lớp Random. Tại sao chúng ta sử dụng phương pháp này?

Chúng tôi không thể sử dụng Random mà không sử dụng setSeed? Mục đích chính của việc sử dụng setSeed là gì?

Answer 1

Một cách sử dụng này là nó cho phép bạn tạo lại kết quả của chương trình trong tương lai.

Ví dụ, tôi muốn tính một biến ngẫu nhiên cho mỗi hàng trong cơ sở dữ liệu. Tôi muốn chương trình có thể tái sản xuất, nhưng tôi muốn sự ngẫu nhiên giữa các hàng. Để làm điều này, tôi đặt hạt giống số ngẫu nhiên thành khóa chính của mỗi hàng. Bằng cách đó, khi tôi chạy chương trình một lần nữa, tôi đã nhận được kết quả tương tự, nhưng giữa các hàng, biến ngẫu nhiên là giả ngẫu nhiên.

Answer 2

Hạt giống được sử dụng để khởi tạo trình tạo số ngẫu nhiên. Một hạt giống được sử dụng để thiết lập điểm bắt đầu để tạo ra một loạt các số ngẫu nhiên. Hạt giống đặt trình tạo thành một điểm khởi đầu ngẫu nhiên. Một hạt giống duy nhất trả về một chuỗi số ngẫu nhiên duy nhất.

This có thể trợ giúp.

Trình tạo số giả ngẫu nhiên (PRNG), còn được gọi là trình tạo bit ngẫu nhiên xác định DRBG, là một thuật toán tạo chuỗi số xấp xỉ các thuộc tính của các số ngẫu nhiên. Trình tự không thực sự ngẫu nhiên ở chỗ nó được xác định hoàn toàn bởi một tập hợp tương đối nhỏ các giá trị ban đầu, được gọi là trạng thái PRNG, bao gồm một hạt giống thật sự ngẫu nhiên.

Answer 3

tôi có thể thấy hai lý do để làm điều này:

1. Bạn có thể tạo một dòng ngẫu nhiên tái sản xuất. Đối với một hạt giống cho trước, kết quả tương tự sẽ được trả về từ các cuộc gọi liên tiếp đến (giống nhau) nextX phương pháp.

   Nếu hai trường hợp ngẫu nhiên được tạo ra với các hạt giống nhau, và cùng một chuỗi của phương pháp các cuộc gọi được thực hiện cho mỗi, họ sẽ tạo ra và trở về trình tự giống hệt nhau của số

2. Bạn cảm thấy , vì lý do nào đó, hạt giống của bạn có chất lượng cao hơn nguồn mặc định (mà tôi đoán là có nguồn gốc từ thời gian hiện tại trên PC của bạn).

Answer 4

Hạt giống cụ thể sẽ luôn cung cấp cùng một chuỗi số "ngẫu nhiên". Vì vậy, chỉ có 2^64 trình tự khác nhau trong Random! Bên cạnh đó setSeed cũng có thể sử dụng một hàm tạo với một hạt giống. Khi không sử dụng hạt giống sử dụng đồng hồ của máy tính để chọn hạt nhân thực sự ngẫu nhiên.

Vì vậy, trong trường hợp thông thường không sử dụng hạt giống cụ thể, hàm tạo Random() và khôngsetSeed. Đặc biệt là hạn chế setSeed(System.currentTimeMillis()).

Để gỡ lỗi phụ thuộc vào dữ liệu, nơi bạn muốn lặp lại cùng một dữ liệu giả ngẫu nhiên, hãy sử dụng một hạt giống cụ thể.

Không cần phải lo lắng liệu chuỗi hạt giống/chuỗi cụ thể có thể được nhận diện hay không và các con số tiếp theo được dự đoán, vì phạm vi lớn của hạt giống.

Hàm tạo mặc định sử dụng System.nanoTime() (bị xáo trộn một cách thích hợp), là hàm OS chi phí, khi nói về hàng nghìn new Random().

Answer 5

Một số người khác đã đề cập đến khả năng tái sản xuất. Khả năng tái tạo là trung tâm của việc gỡ lỗi, bạn cần có khả năng tái tạo các trường hợp xảy ra lỗi.

Sử dụng quan trọng khác về khả năng tái sản xuất là bạn có thể chơi một số trò chơi thống kê để giảm sự thay đổi của một số ước tính. Xem Wikipedia's Variance Reduction article để biết thêm chi tiết, nhưng trực giác như sau. Giả sử bạn đang cân nhắc hai bố cục khác nhau cho ngân hàng hoặc cửa hàng tạp hóa. Bạn không thể xây dựng cả hai và xem cái nào hoạt động tốt hơn, vì vậy bạn sử dụng mô phỏng. Bạn biết từ xếp hàng lý thuyết rằng kích thước của dòng và sự chậm trễ của khách hàng kinh nghiệm một phần là do cách bố trí, nhưng cũng một phần là do sự thay đổi về thời gian đến, nhu cầu tải, vv, do đó bạn sử dụng ngẫu nhiên trong hai mô hình của bạn. Nếu bạn chạy các mô hình hoàn toàn độc lập và thấy rằng các đường lớn hơn trong bố cục 1 so với bố cục 2, có thể do bố cục hoặc có thể do bố cục 1 vừa xảy ra để có được nhiều khách hàng hơn hoặc kết hợp giao dịch đòi hỏi khắt khe hơn do sự may mắn của trận hòa. Tuy nhiên, nếu cả hai hệ thống đều sử dụng cùng một nhóm khách hàng đến cùng một thời điểm và có cùng yêu cầu giao dịch, thì đó là so sánh "công bằng" hơn. Sự khác biệt bạn quan sát có nhiều khả năng là do bố cục. Bạn có thể thực hiện điều này bằng cách tái tạo sự ngẫu nhiên trong cả hai hệ thống - sử dụng cùng một hạt giống và đồng bộ hóa sao cho cùng một số ngẫu nhiên được sử dụng cho cùng một mục đích trong cả hai hệ thống.