物理隨機數

⑴ 隨機數的運用

在統計學的不同技術中需要使用隨機數，比如在從統計總體中抽取有代表性的樣本的時候，或者在將實驗動物分配到不同的試驗組的過程中，或者在進行蒙特卡羅模擬法計算的時候等等。
產生隨機數有多種不同的方法。這些方法被稱為隨機數發生器。隨機數最重要的特性是：它所產生的後面的那個數與前面的那個數毫無關系。
真正的隨機數是使用物理現象產生的：比如擲錢幣、骰子、轉輪、使用電子元件的噪音、核裂變等等。這樣的隨機數發生器叫做物理性隨機數發生器，它們的缺點是技術要求比較高。
在實際應用中往往使用偽隨機數就足夠了。這些數列是「似乎」隨機的數，實際上它們是通過一個固定的、可以重復的計算方法產生的。計算機或計算器產生的隨機數有很長的周期性。它們不真正地隨機，因為它們實際上是可以計算出來的，但是它們具有類似於隨機數的統計特徵。這樣的發生器叫做偽隨機數發生器。
在真正關鍵性的應用中，比如在密碼學中，人們一般使用真正的隨機數。
C語言、C++、C#、Java、Matlab等程序語言和軟體中都有對應的隨機數生成函數，如rand等。

⑵ 電腦中的隨機數是怎麼生成的（硬體方面的原理）

http://ke..com/view/1127.htm

偽隨機數的生成方法
一般地，偽隨機數的生成方法主要有以下3種[6]：
（1） 直接法（Direct Method），根據分布函數的物理意義生成。缺點是僅適用於某些具有特殊分布的隨機數，如二項式分布、泊松分布。
（2） 逆轉法（Inversion Method），假設U服從[0，1]區間上的均勻分布，令X=F-1（U），則X的累計分布函數（CDF）為F。該方法原理簡單、編程方便、適用性廣。
（3）接受拒絕法（Acceptance-Rejection Method）：假設希望生成的隨機數的概率密度函數（PDF）為f，則首先找到一個PDF為g的隨機數發生器與常數c，使得f
[偽隨機數發生器]

偽隨機數發生器
（x）≤cg（x），然後根據接收拒絕演算法求解。由於演算法平均運算c次才能得到一個希望生成的隨機數，因此c的取值必須盡可能小。顯然，該演算法的缺點是較難確定g與c。 因此，偽隨機數生成器（PRNG）一般採用逆轉法，其基礎是均勻分布，均勻分布PRNG的優劣決定了整個隨機數體系的優劣[7]。下文研究均勻分布的 PRNG。
隨機數的「廬山真面目」
首先需要聲明的是，計算機不會產生絕對隨機的隨機數，計算機只能產生「偽隨機數」。其實絕對隨機的隨機數只是一種理想的隨機數，即使計算機怎樣發展，它也不會產生一串絕對隨機的隨機數。計算機只能生成相對的隨機數，即偽隨機數。
偽隨機數並不是假隨機數，這里的「偽」是有規律的意思，就是計算機產生的偽隨機數既是隨機的又是有規律的。怎樣理解呢？產生的偽隨機數有時遵守一定的規律，有時不遵守任何規律；偽隨機數有一部分遵守一定的規律；另一部分不遵守任何規律。比如「世上沒有兩片形狀完全相同的樹葉」，這正是點到了事物的特性，即隨機性，但是每種樹的葉子都有近似的形狀，這正是事物的共性，即規律性。從這個角度講，你大概就會接受這樣的事實了：計算機只能產生偽隨機數而不能產生絕對隨機的隨機數。（嚴格地說，這里的計算機是指由馮諾依曼思想發展起來的電子計算機。而未來的量子計算機有可能產生基於自然規律的不可重現的「真」隨機數）。

⑶ 真隨機數的定義是什麼

隨機數是專門的隨機試驗的結果。
在統計學的不同技術中需要使用隨機數，比如在從統計總體中抽取有代表性的樣本的時候，或者在將實驗動物分配到不同的試驗組的過程中，或者在進行蒙特卡羅模擬法計算的時候等等。
產生隨機數有多種不同的方法。這些方法被稱為隨機數發生器。隨機數最重要的特性是：它所產生的後面的那個數與前面的那個數毫無關系。
真正的隨機數是使用物理現象產生的：比如擲錢幣、骰子、轉輪、使用電子元件的噪音、核裂變等等。這樣的隨機數發生器叫做物理性隨機數發生器，它們的缺點是技術要求比較高。
在實際應用中往往使用偽隨機數就足夠了。這些數列是「似乎」隨機的數，實際上它們是通過一個固定的、可以重復的計算方法產生的。計算機或計算器產生的隨機數有很長的周期性。它們不真正地隨機，因為它們實際上是可以計算出來的，但是它們具有類似於隨機數的統計特徵。這樣的發生器叫做偽隨機數發生器。
在真正關鍵性的應用中，比如在密碼學中，人們一般使用真正的隨機數。

⑷ 真實隨機數如何產生為什麼說真實隨機數可以抵抗惡意攻擊

隨機數(RNG)主要分為兩大類：偽隨機與物理隨機數。

偽隨機是由各種演算法產生的，本質上是決定論的，就是你輸入同一個初值，結果是確定的。當然這不是我們想要的。

物理隨機數是由物理過程產生的。分為三小類。Noise，chaos，quantum。

Noise和chaos是由經典物理過程產生的，也是決定論的。比如我們知道小球的初始條件，我們就可以預測小球未來的運動情況。這也不是我們想要的。

真隨機數是由量子過程產生的，其原理是基於uncertain principle。舉個最簡單的例子，當單個光子經過分束器BS的時候，有兩條路徑可以選擇，用任何理論都無法預測which way（隱變數理論除外），所以通過測量光子走了哪條路就可以產生真正的隨機數。當然這里要求探測設備和發射源是被信任的。如果被壞人操作，其實也產生不了隨機數。

那麼就不存在真隨機數嗎？No,device independent quantum random number（DI-QRNG）就可以實現。DI-QRNG是通過觀察貝爾不等式的違背來產生隨機數，這個過程是不依賴探測設備和源的，所以由DI-QRNG產生的真隨機數可以抵抗惡意攻擊。

⑸ 電腦取隨機數是什麼原理，是真正的隨機數嗎

偽隨機數這個概念是相對於「真」隨機數而言。電腦通過發送種子數值，運用演算法產生某個看起來像隨機數的數字，但是實際上這個數字是可以預測的。因為電腦沒有從環境中收集到任何隨機信息。雖然是偽隨機數，但是並不是所有領域都不需要偽隨機數。比如，如果你在玩電子游戲，那麼游戲過程中是靠偽隨機數還是真隨機數並不重要。另一方面，如果你的應用正在加密，情況就不同了，因為你不希望攻擊者能夠猜到你的隨機數。舉個例子，如果攻擊者掌握了某隨機數生成器使用的種子數值和加密演算法，如果隨機數生成器完全依靠種子數值和加密演算法生成密文，這個過程中不添加任何額外隨機性，如果攻擊者掌握的情報足夠多，他們可以逆推來確定加密演算法一定會用到的偽隨機數，也就能破譯密文。

⑹ 隨機數 是什麼

隨機數是專門的隨機試驗的結果。
產生隨機數有多種不同的方法。這些方法被稱為隨機數發生器。隨機數最重要的特性是：它所產生的後面的那個數與前面的那個數毫無關系。

⑺ 什麼是隨機數及隨機數種子，能不能詳細通俗介紹一下

隨機數就是就隨機數種子中取出的數。種子就是個序號，這個序號交給一個數列管理器，通過這個序號，你從管理器中取出一個數列，這個數列就是你通過那個序號得到的隨機數。

但這個隨技術並不真正隨機。因為它是通過某個演算法的得到。也就是說你給數列管理器同一個序號將得到同樣一個「隨機」數列。

也就是說種子和隨機數列是一一對應的。{An}=f(x), x 就是種子，F()是演算法，{An}是數列，這個數列看上去是隨機的，這是因為An的通項很復雜。

例如：

從1、2、3、4、5、6、7、8、9、0這十個數中隨機取出一個數，取出的數是6的話，那麼6就叫隨機數。十個數字就叫隨機數種子。

如果是從1到50之間取數字，取出的數字叫隨機數，這1到50那50個數字就叫隨機數種子。

(7)物理隨機數擴展閱讀：

根據密碼學原理，隨機數的隨機性檢驗可以分為三個標准：

統計學偽隨機性。統計學偽隨機性指的是在給定的隨機比特流樣本中，1的數量大致等於0的數量，同理，「10」「01」「00」「11」四者數量大致相等。類似的標准被稱為統計學隨機性。滿足這類要求的數字在人類「一眼看上去」是隨機的。

密碼學安全偽隨機性。其定義為，給定隨機樣本的一部分和隨機演算法，不能有效的演算出隨機樣本的剩餘部分。

真隨機性。其定義為隨機樣本不可重現。實際上只要給定邊界條件，真隨機數並不存在，可是如果產生一個真隨機數樣本的邊界條件十分復雜且難以捕捉（比如計算機當地的本底輻射波動值），可以認為用這個方法演算出來了真隨機數。

相應的，隨機數也分為三類：

偽隨機數：滿足第一個條件的隨機數。

密碼學安全的偽隨機數：同時滿足前兩個條件的隨機數。可以通過密碼學安全偽隨機數生成器計算得出。

真隨機數：同時滿足三個條件的隨機數。

⑻ 在自然物理規律中，是否存在隨機

1、我比較贊同你的觀點——要是兩次拋硬幣的方式與當時環境完全相同的話，正反結果會是一樣的。其實，正是隨機現象的定義中忽略了它所假設的「在相同條件下重復進行試驗」的「相同條件」是完全相同還是基本相同，這也正是你已經指出來的。我想，沒有人能夠做到兩次拋擲硬幣時的力度、大小、方向和作用點會完全相同的！所以，當然不可能完全預知拋出的結果究竟是正還是反。因為從高處下落並且翻滾落地的硬幣，只要不是「恰好」垂直落地，那麼稍有任何傾斜，就必會有一面著地，只是難以預測其正反罷了。但是，我們無法預知，不代表這件事完全是「隨機」的！恰恰相反，如果有誰在硬幣拋出的一瞬間就已經知道了關於這枚硬幣從拋出到落地時的全部受力參數，那麼，這個事件就不再是隨機而是確定的了。人們之所以稱它為「隨機現象」，其實是因為無法確知，只能模糊處理，以致歸為「隨機」了。而確定、隨機、模糊恰恰是數學上通常用來分類現象的三種基本情況，都是比較相對的。另外，值得一提的是，每次拋出的硬幣，總會往下落，是確定而不「隨機」的。雖然，統計學上正反的幾率大致相當，但每一次進行有限測試所得出的百分比，是「隨機」而不確定的。但考慮到理論和實踐的關系，這並非每次都完全相等的百分比，都被模糊地忽略不計了。2、「所有的世界都開始於一個點」，乃是建立在至少三個假設之上：1）有許多個世界；2）世界開始於一個點；3）所有的世界都開始與一個點。「無數個世界像無數條射線從開始點射出」是繼續建立在至少另外三個假設之上的：4）世界像射線從開始點射出；5）無數個世界像無數條射線從開始點射出；6）無數個從同一個開始點射出的世界互不幹涉，仍能保持以射線射出而非波狀或別的形式。至少以上所有假設都是與現存世界不符的。世界的產生並非如拋硬般非正即反地「隨機」，乃是有太多我們不了解但卻是確定發生且有目的性的事件，所以，這種恰好相反的a、b隨機數，也許在理論上討論一番，是可以的；但以本人愚見，其實是遠離了宇宙起源真相的。另外，如果沒有記錯的話，與這個物質世界相反的世界，在理論上來說，好像是一個由反物質組成的肉眼看不見的世界，但這樣的世界目前只是在理論上有存在的可能而已。關於宇宙的起源，建議觀看《萬物的起源》 http://v.youku.com/v_show/id_XMjA4ODUxMjg0.html

⑼ 隨機數的計算公式是什麼

為追求真正的隨機序列，人們曾採用很多種原始的物理方法用於生成一定范圍內滿足精度（位數）的均勻分布序列，其缺點在於：速度慢、效率低、需佔用大量存儲空間且不可重現等。為滿足計算機模擬研究的需求，人們轉而研究用演算法生成模擬各種概率分布的偽隨機序列。偽隨機數是指用數學遞推公式所產生的隨機數。從實用的角度看，獲取這種數的最簡單和最自然的方法是利用計算機語言的函數庫提供的隨機數發生器。典型情況下，它會輸出一個均勻分布在0和1區間內的偽隨機變數的值。其中應用的最為廣泛、研究最徹底的一個演算法即線性同餘法。
線性同餘法LCG（Linear Congruence Generator）
選取足夠大的正整數M和任意自然數n0，a，b，由遞推公式：
ni+1=（af（ni）+b）mod M i=0，1，…，M-1
生成的數值序列稱為是同餘序列。當函數f（n）為線性函數時，即得到線性同餘序列：
ni+1=（a*ni+b）mod M i=0，1，…，M-1
以下是線性同餘法生成偽隨機數的偽代碼：
Random（n，m，seed，a，b）
{
r0 = seed；
for （i = 1；i<=n；i++）
ri = （a*ri-1 + b） mod m
}
其中種子參數seed可以任意選擇，常常將它設為計算機當前的日期或者時間；m是一個較大數，可以把它取為2w，w是計算機的字長；a可以是0.01w和0.99w之間的任何整數。
應用遞推公式產生均勻分布隨機數時，式中參數n0，a，b，M的選取十分重要。
例如，選取M=10，a=b =n0=7，生成的隨機序列為{6，9，0，7，6，9，……}，周期為4。
取M=16，a=5，b =3，n0=7，生成的隨機序列為{6，1，8，11，10，5，12，15，14，9，0，3，2，13，4，7，6，1……}，周期為16。
取M=8，a=5，b =1，n0=1，生成的隨機序列為{6，7，4，5，2，3，0，1，6，7……}，周期為8。

⑽ 存在真正的隨機數么

首先糾正下樓主的一個誤解 「而我想從哲學上講任何自然現象都是可以被認知的，是有規律可循的」你說的問題在哲學上實際是可知論與不可知論的爭論，至今沒有定論，有的哲學流派認為世界是可知的，有的認為是不可知的。（這個分歧最終可歸結為決定論與非決定論，或者說因果聯系）只是在我國，由於政府，導致主流媒體提供給你們的觀念是可知論的觀念。
如果你對物理有所了解，那麼你應該知道海森堡的"測不準原理"，既然組成物質的微粒都不可能被確定狀態，那麼何來因果聯系？何來可知？
當然既然在哲學上能爭論這么久自然不是一句話可以解決的問題,我只能說對於我而言是這樣認為的。
然後來談隨機數的問題。圓周率和根號2的數值是無限不循環的，那麼也就是說，在你計算出下一個數值之前，你是不知道下一個數值是多少，這不正是你要求的么？
至於均勻不重復的問題，你可以了解下《隨機過程》與《數理統計》，這里牽扯到一個概率學的問題，既然樣本的總數你都不能確定，那麼是否是均勻的就無從談起。
所以樓主如果真的有興趣，只需要多讀一些數學，物理，哲學方面的書就可以了，另外眼光可以開闊一點，不要僅限於國內的刊物。