这是对我上一次问题的跟进
特拉维斯·布朗指出了java.util.Random的副作用,并建议使用一个随机的monad Rng 图书馆来使代码纯功能。现在,我试图建立一个简化的随机单体,以了解它是如何工作的。
说得通吗?你将如何修正/改进下面的解释?
随机发生器
首先,我们从java.util.Random中剽窃一个随机生成函数。
// do some bit magic to generate a new random "seed" from the given "seed"
// and return both the new "seed" and a random value based on it
def next(seed: Long, bits: Int): (Long, Int) = ...注意,next返回的是新种子和值,而不仅仅是值。我们需要它将新种子传递给另一个函数调用。
随机点
现在,让我们编写一个函数,在单位方格中生成一个随机点。
假设我们有一个函数在0,1范围内产生一个随机的双倍。
def randomDouble(seed: Long): (Long, Double) = ... // some bit magic现在我们可以写一个函数来生成一个随机点。
def randomPoint(seed: Long): (Long, (Double, Double)) = {
val (seed1, x) = randomDouble(seed)
val (seed2, y) = randomDouble(seed1)
(seed2, (x, y))
}到目前为止,randomDouble和randomPoint都是纯的。唯一的问题是我们编写randomDouble来构建randomPoint。我们没有一个通用工具来组合产生随机值的函数。
Monad随机
现在,我们将定义一个泛型工具来组合产生随机值的函数。首先,我们概括了randomDouble的类型。
type Random[A] = Long => (Long, A) // generate a random value of type A然后围绕它构建一个包装类。
class Random[A](run: Long => (Long, A))我们需要包装器来定义用于理解的方法flatMap (如Haskell中的bind )和map。
class Random[A](run: Long => (Long, A)) {
def apply(seed: Long) = run(seed)
def flatMap[B](f: A => Random[B]): Random[B] =
new Random({seed: Long => val (seed1, a) = run(seed); f(a)(seed1)})
def map[B](f: A => B): Random[B] =
new Random({seed: Long = val (seed1, a) = run(seed); (seed1, f(a))})
} 现在我们添加一个工厂函数来创建一个简单的Random[A] (顺便说一句,它是绝对确定性的,而不是“随机的”)--这是一个返回函数(在Haskell中作为返回)。
def certain[A](a: A) = new Random({seed: Long => (seed, a)})Random[A]是一种产生A型随机值的计算,方法flatMap、map和Functionalunit用于组合简单的计算以构建更复杂的计算。例如,我们将组成两个Random[Double]来构建Random[(Double, Double)]。
一元随机点
现在,当我们有一个单曲时,我们准备重新访问randomPoint和randomDouble。现在,我们将它们定义为生成Random[Double]和Random[(Double, Double)]的函数。
def randomDouble(): Random[Double] = new Random({seed: Long => ... })
def randomPoint(): Random[(Double, Double)] =
randomDouble().flatMap(x => randomDouble().flatMap(y => certain(x, y))这个实现比上一个更好,因为它使用一个通用工具(flatMap和certain)来组成Random[Double]和构建Random[(Double, Double)]的两个调用。
现在可以重用这个工具来构建更多的函数,产生随机值。
Pi的蒙特卡罗计算
现在,我们可以使用map来测试一个随机点是否在圆圈中:
def randomCircleTest(): Random[Boolean] =
randomPoint().map {case (x, y) => x * x + y * y <= 1} 我们还可以用Random[A]定义蒙特卡罗模拟。
def monteCarlo(test: Random[Boolean], trials: Int): Random[Double] = ...最后给出了计算PI的函数
def pi(trials: Int): Random[Double] = ....所有这些功能都是纯的。只有当我们最终应用pi函数得到pi的值时,副作用才会发生。
发布于 2015-02-15 22:41:23
您的方法很不错,虽然有点复杂。我还建议您看一看Scala中的函数编程的第6章,由Paul和Runar编写。这一章被称为纯泛函状态,它展示了如何创建纯函数随机生成器,并在此基础上定义其数据类型代数,使其具有完整的函数组合支持。
https://stackoverflow.com/questions/25704000
复制相似问题