第 6–7 章 · 特殊函数与随机数

这两章是"基础设施"：特殊函数是科学计算的三角函数表，随机数是蒙特卡洛的原料。它们不显眼，但坏掉一个全盘皆输。

特殊函数的可靠计算

伽马函数 $\Gamma(x)$（阶乘的推广，Lanczos 逼近）、贝塞尔函数 $J_n, Y_n$（递推 + 归一，防止向下递推发散）、误差函数 $\mathrm{erf}$、完全/不完全椭圆积分……要点只有一条：用经过验证的有理/切比雪夫逼近，不要自己现场推导。递推计算时注意方向：贝塞尔 $J$ 向下递推稳定、$Y$ 向上稳定——方向错了误差指数放大。

均匀随机数：一切随机的源头

计算机给不出真随机，给的是确定性递推的伪随机序列，评价标准是统计性质与周期：

• 老式的线性同余 $x_{n+1} = (ax_n + c)\bmod m$：低位质量差、周期短，教学用。
• 现代标配：梅森旋转（MT19937，周期 $2^{19937}-1$）或 PCG/xoshiro 家族——工程默认。
• 永远不要用 "rand() % n" 取模造均匀整数（低位偏差），用拒绝采样。

任意分布的采样三法

• 逆变换法：$x = F^{-1}(u)$，$u\sim U(0,1)$——最通用，要求逆函数可算。
• 接受-拒绝：用易采样包络 $g$ 套住目标 $f$，拒绝率可控则高效。
• Box-Muller：两个均匀数变换出一对正态数——正态采样的经典配方。

老师的提醒

• 并行/重复实验的随机数：用固定种子做可复现实验，用流分割（跳过/子序列）避免并行流重叠——重叠的流是隐性灾难。
• 统计检验（卡方、频谱检验）对自研生成器是必做项；用现成 MT/PCG 则可跳过。

自检

• 贝塞尔函数递推方向错了会怎样？
• 逆变换法与接受-拒绝法各自的适用条件？
• 为什么 "rand() % n" 有偏差？

更深一层：随机数质量是蒙特卡洛的"地基工程"

第 7 章最容易被轻视、又最致命的一节：随机数生成器的缺陷会伪装成物理结论。历史教训：早期线性同余生成器（如著名的 RANDU）在三维空间里所有点落在 15 个平面上——用它做的分子模拟、蒙特卡洛积分全带系统偏差。现代工程底线：用 MT19937、PCG 或 xoshiro 家族；并行场景用流分割（每线程独立子序列，PCG 的流参数或跳位函数）而非"线程号做种子"（相邻种子流高度相关）。检验手段（对自研生成器）：TestU01 套件是行业金标准。

均匀数之上，任意分布采样的三法各有性格：逆变换（最通用、单调保序、但要逆函数；正态用 Acklam 算法数值逆）、接受-拒绝（普适但拒绝率 = 面积比，包络选不好就慢）、专用变换（Box-Muller 正态、Gamma 的 Marsaglia-Tsang——快而精）。多维相关分布用 Copula 或条件采样（Gibbs）。

推导细读：蒙特卡洛积分的误差标度与方差缩减

蒙特卡洛积分 $\int f \approx V\langle f\rangle \pm V\sigma_f/\sqrt{N}$——误差 $\propto N^{-1/2}$ 与维度无关，这是它统治高维积分的根本原因（确定性求积在 $d$ 维需要 $m^d$ 个点）。但 $N^{-1/2}$ 的"常数项"就是方差 $\sigma_f^2$，方差缩减技术由此定价：重要性采样（按 $|f|$ 的形状采样，方差降一个量级起）、对偶变量（正相关配对取平均）、控制变量（减去已知积分的相关函数）、拟蒙特卡洛（低差异序列替代随机点，误差 $\sim N^{-1}\log^d N$——平滑函数上白赚一个量级）。金融工程的定价加速、物理的路径积分、渲染的全局光照，全是这四板斧的组合。

在真实世界里：一次粒子输运模拟的方差缩减实战

辐射输运（屏蔽设计）是方差缩减的教科书战场：穿透概率可能是 $10^{-6}$ 量级——朴素模拟要 $10^{10}$ 个粒子才有统计意义。行业配方：重要性偏置（深穿透方向加大权重）+ 俄罗斯轮盘与分裂（低权重粒子分裂/轮盘淘汰，保持总权重无偏）+ DXTRAN 球（探测点周围强制采样）。结果：同样算力下方差降 4-6 个数量级。方法论迁移：任何"稀有事件统计"（网络可靠性、尾部风险）都套同一框架——让模拟多看你关心的区域，再用权重把无偏性找回来。

专题深入：随机数生成器的"历史灾难"与现代标准

随机数生成器的历史灾难值得作为警示录：早期线性同余生成器（RANDU）在三维空间里所有点落在 15 个平面上——用它做的分子模拟、蒙特卡洛积分全带系统偏差。这个灾难的教训是深远的：随机数生成器的缺陷会伪装成模型结论——你的物理定律可能是对的，但生成器的格纹让结果系统偏差。现代标配：梅森旋转（MT19937，周期 $2^{19937}-1$）或 PCG/xoshiro 家族——工程默认。并行/重复实验的随机数纪律：固定种子做可复现实验 + 流分割（跳过/子序列）避免并行流重叠——重叠的流是隐性灾难。

数学细节展开：蒙特卡洛积分的"$N^{-1/2}$ 与维度无关"

蒙特卡洛积分的误差 $\propto N^{-1/2}$ 与维度无关——这是它统治高维积分的根本原因（确定性求积在 $d$ 维需要 $m^d$ 个点）。但常数项是方差 $\sigma_f^2$——方差缩减技术由此定价：重要性采样（按 $|f|$ 的形状采样）、对偶变量（正相关配对取平均）、控制变量（减去已知积分的相关函数）、拟蒙特卡洛（低差异序列——$N^{-1}\log^d N$）。金融工程的定价加速、物理的路径积分、渲染的全局光照——全是这四板斧的组合。

工程案例细节：稀有事件模拟的"重要性偏置"

辐射输运（屏蔽设计）是方差缩减的教科书战场：穿透概率可能是 $10^{-6}$ 量级——朴素模拟要 $10^{10}$ 个粒子才有统计意义。行业配方：重要性偏置（深穿透方向加大权重）+ 俄罗斯轮盘与分裂（低权重粒子分裂/轮盘淘汰，保持总权重无偏）+ DXTRAN 球（探测点周围强制采样）。"让模拟多看你关心的区域，再用权重把无偏性找回来"——这个方法论迁移到网络可靠性、尾部风险、任何"稀有事件统计"都适用。