我需要在半径为R的圆内生成一个均匀随机点。
我意识到，只要在区间[0…2π)，且在区间(0…R)我最终会有更多的点指向中心，因为对于两个给定的半径，小半径内的点会比大半径内的点彼此更接近。
我在这里找到了一篇关于这个的博客文章，但我不明白他的推理。我认为这是正确的，但我真的很想知道他从哪里得到(2/R2)×r以及他如何得到最终解。
更新:在发布这个问题7年之后，关于平方根算法背后的数学问题，我仍然没有得到一个令人满意的答案。所以我花了一天时间自己写了一个答案。链接到我的答案。
当前回答
1)在-1和1之间随机选择一个X。
var X:Number = Math.random() * 2 - 1;
2)利用圆公式，在X和半径为1的情况下，计算Y的最大值和最小值:
var YMin:Number = -Math.sqrt(1 - X * X);
var YMax:Number = Math.sqrt(1 - X * X);
3)在这两个极端之间随机选择一个Y:
var Y:Number = Math.random() * (YMax - YMin) + YMin;
4)将您的位置和半径值合并到最终值中:
var finalX:Number = X * radius + pos.x;
var finalY:Number = Y * radois + pos.y;
其他回答
这样想。如果你有一个矩形，其中一个轴是半径，一个是角，你取这个矩形内半径为0的点。它们都离原点很近(在圆上很近)然而，半径R附近的点，它们都落在圆的边缘附近(也就是说，彼此相距很远)。
这可能会让你知道为什么你会有这种行为。
在这个链接上导出的因子告诉你，矩形中有多少对应的区域需要调整，以便在映射到圆后不依赖于半径。
编辑:所以他在你分享的链接中写道，“通过计算累积分布的倒数，这很容易做到，我们得到r:”。
这里的基本前提是，通过将均匀分布映射为期望概率密度函数的累积分布函数的逆函数，可以从均匀分布创建一个具有期望分布的变量。为什么?现在把它当做理所当然，但这是事实。
这是我对数学的一些直观解释。密度函数f(r)关于r必须与r本身成比例。理解这个事实是任何微积分基础书的一部分。请参阅有关极区元素的部分。其他一些海报也提到了这一点。
我们记作f(r) = C*r;
这就是大部分的工作。现在，由于f(r)应该是一个概率密度，你可以很容易地看到，通过对f(r)在区间(0,r)上积分，你可以得到C = 2/ r ^2(这是给读者的练习)。
因此，f(r) = 2*r/ r ^2
好，这就是如何得到链接中的公式。
然后，最后一部分是从(0,1)中的均匀随机变量u你必须从这个期望密度f(r)映射到累积分布函数的逆函数。要理解为什么会这样，你可能需要找到像Papoulis这样的高级概率文本(或者自己推导)。
对f(r)积分得到f(r) = r^2/ r^2
为了求出它的反函数你设u = r^2/ r^2然后解出r，得到r = r *√(u)
直观上讲，u = 0映射到r = 0。同样，u = 1应该映射到r = r。同样，它通过平方根函数，这是有意义的，与链接匹配。
注意点密度与半径的平方反比成正比，因此不是从[0,r_max]中选择r，而是从[0,r_max^2]中选择r，然后计算你的坐标:
x = sqrt(r) * cos(angle)
y = sqrt(r) * sin(angle)
这就得到了圆盘上均匀的点分布。
http://mathworld.wolfram.com/DiskPointPicking.html
1)在-1和1之间随机选择一个X。
var X:Number = Math.random() * 2 - 1;
2)利用圆公式，在X和半径为1的情况下，计算Y的最大值和最小值:
var YMin:Number = -Math.sqrt(1 - X * X);
var YMax:Number = Math.sqrt(1 - X * X);
3)在这两个极端之间随机选择一个Y:
var Y:Number = Math.random() * (YMax - YMin) + YMin;
4)将您的位置和半径值合并到最终值中:
var finalX:Number = X * radius + pos.x;
var finalY:Number = Y * radois + pos.y;
我曾经用过这个方法: 这可能是完全未优化的(即它使用了一个点数组，所以它不能用于大圆圈)，但它提供了足够的随机分布。如果你愿意，你可以跳过矩阵的创建，直接绘制。方法是随机化矩形中落在圆内的所有点。
bool[,] getMatrix(System.Drawing.Rectangle r) {
bool[,] matrix = new bool[r.Width, r.Height];
return matrix;
}
void fillMatrix(ref bool[,] matrix, Vector center) {
double radius = center.X;
Random r = new Random();
for (int y = 0; y < matrix.GetLength(0); y++) {
for (int x = 0; x < matrix.GetLength(1); x++)
{
double distance = (center - new Vector(x, y)).Length;
if (distance < radius) {
matrix[x, y] = r.NextDouble() > 0.5;
}
}
}
}
private void drawMatrix(Vector centerPoint, double radius, bool[,] matrix) {
var g = this.CreateGraphics();
Bitmap pixel = new Bitmap(1,1);
pixel.SetPixel(0, 0, Color.Black);
for (int y = 0; y < matrix.GetLength(0); y++)
{
for (int x = 0; x < matrix.GetLength(1); x++)
{
if (matrix[x, y]) {
g.DrawImage(pixel, new PointF((float)(centerPoint.X - radius + x), (float)(centerPoint.Y - radius + y)));
}
}
}
g.Dispose();
}
private void button1_Click(object sender, EventArgs e)
{
System.Drawing.Rectangle r = new System.Drawing.Rectangle(100,100,200,200);
double radius = r.Width / 2;
Vector center = new Vector(r.Left + radius, r.Top + radius);
Vector normalizedCenter = new Vector(radius, radius);
bool[,] matrix = getMatrix(r);
fillMatrix(ref matrix, normalizedCenter);
drawMatrix(center, radius, matrix);
}
半径和“靠近”该半径的点的数量之间存在线性关系，因此他需要使用半径分布，这也使得半径r附近的数据点的数量与r成正比。
