Uniform Random Numbers: Theory and Practice

در پیشگفتارهای قبلی کتاب‌های این مجموعه در مورد سیستم‌های پویای رویداد گسسته (DEDS)، ما در مورد ماهیت فراگیر DEDS در دنیای انسان‌سازمان صحبت کرده‌ایم. از کارخانه‌های تولیدی گرفته تا شبکه‌های کامپیوتری/ارتباطاتی، از سیستم‌های ترافیکی گرفته تا فرمان و کنترل، تمدن مدرن نمی‌تواند بدون عملکرد روان چنین سیستم‌هایی عمل کند. با این حال، ابزارهای ریاضی برای تجزیه و تحلیل و سنتز DEDS در مقایسه با ماشین آلات توسعه یافته سیستم های دینامیکی متغیر پیوسته که توسط معادلات دیفرانسیل مشخص می شوند، نوپا هستند. ابزار ارزیابی عملکرد انتخابی برای DEDS شبیه‌سازی رویداد گسسته هم به دلیل عمومیت آن و هم ترکیب صریح آن از تصادفی بودن است. همانطور که برای دانشجویان شبیه سازی به خوبی شناخته شده است، قلب شبیه سازی رویداد تصادفی، مولد اعداد تصادفی یکنواخت است. مبانی فلسفی و ریاضی تولید دنباله اعداد «تصادفی» از الگوریتم‌های قطعی برای پزشکان چندان شناخته شده نیست. این ویرایشگر هنوز می تواند مقدمه دردناک خود را در مورد مسائل در اوایل دهه 80 به یاد بیاورد، زمانی که او سعی کرد اولین آزمایش های تحلیل اغتشاش (PA) را بر روی یک رایانه شخصی انجام دهد که بدون اطلاع او، یک مولد اعداد تصادفی با دوره زمانی فقط داشت. 32768 شماره. اغراق نیست اگر بگوییم که توسعه PA برای مدتی به دلیل این ناآگاهی از اصول تولید اعداد تصادفی از مسیر خارج شد.

In earlier forewords to the books in this series on Discrete Event Dynamic Systems (DEDS), we have dwelt on the pervasive nature of DEDS in our human-made world. From manufacturing plants to computer/communication networks, from traffic systems to command-and-control, modern civilization cannot function without the smooth operation of such systems. Yet mathemat­ ical tools for the analysis and synthesis of DEDS are nascent when compared to the well developed machinery of the continuous variable dynamic systems char­ acterized by differential equations. The performance evaluation tool of choice for DEDS is discrete event simulation both on account of its generality and its explicit incorporation of randomness. As it is well known to students of simulation, the heart of the random event simulation is the uniform random number generator. Not so well known to the practitioners are the philosophical and mathematical bases of generating "random" number sequence from deterministic algorithms. This editor can still recall his own painful introduction to the issues during the early 80's when he attempted to do the first perturbation analysis (PA) experiments on a per­ sonal computer which, unbeknownst to him, had a random number generator with a period of only 32,768 numbers. It is no exaggeration to say that the development of PA was derailed for some time due to this ignorance of the fundamentals of random number generation.