Algorithm 什么'；Perlin/单纯形噪声算法的随机性是什么？

柏林噪声算法和单纯形噪声算法的随机性是什么

这两种算法中哪一种具有更好的随机性

与标准伪随机生成器相比，使用Perlin/单纯形作为随机数生成器有意义吗

更新：

---

我知道柏林/单工噪声的用途。我只是好奇随机性的特性。

柏林噪声和单纯形噪声是为了产生有用的噪声，而不是完全随机的。这些算法通常用于创建程序生成的景观等。例如，它可以生成如下地形（图像来源）：

在此图像中，噪波会生成一个二维高度贴图，如下图所示（图像来源）：

每个像素的颜色代表一个高度。生成高度贴图后，使用渲染器创建与图像“高度”（颜色）匹配的地形

因此，该算法的结果实际上不是“随机的”；正如你所看到的，有很多容易辨别的模式

单纯形被认为看起来有点“好”，这意味着更少的随机性，但它的主要目的是产生类似的噪声，但更好地扩展到更高的维度。也就是说，如果产生3D、4D、5D噪声，单纯形噪声将优于柏林噪声，并产生类似的结果

如果您想要一个通用的psuedo随机数生成器，请查看或。请注意，对于加密，PRNG可能充满了警告

更新：

（回应老年退休金计划最新问题）

至于这些噪声函数的随机特性，我知道柏林噪声使用（非常）穷人的prng作为输入，并在相邻的“随机”像素之间进行平滑/插值。输入的随机性实际上只是对预先计算的随机向量进行伪随机索引

索引是使用一些简单的整数运算计算的，没有什么特别的。例如，“噪波+”项目使用预计算的“随机向量”（请参见）来获取其源噪波，并在此向量的不同值之间进行插值。它通过一些简单的整数运算将“随机”索引生成到该向量中，并添加少量伪随机性。以下是一个片段：

int vIndex = (NOISE_X_FACTOR * ix + NOISE_Y_FACTOR * iy + NOISE_Z_FACTOR * iz + NOISE_SEED_FACTOR * seed) & 0xffffffff;
vIndex ^= (vIndex >> NOISE_SHIFT);
vIndex &= 0xff;

const Real xGradient = randomVectors3D[(vIndex<<2)];

...

int-vIndex=（噪声X_因子*ix+噪声Y_因子*iy+噪声Z_因子*iz+噪声种子因子*SEED）&0xffffffff；
vIndex^=（vIndex>>噪声移位）；
vIndex&=0xff；
const Real xGradient=randovectors3d[（vIndex我想你是糊涂了

perlin和simplex从其他来源获取随机数，并使它们变得不那么随机，这样它们看起来更像自然景观（仅随机数看起来不像自然景观）

所以它们不是随机数的来源——它们是处理其他地方随机数的一种方式

即使它们是一个来源，它们也不是一个好的来源（这些数字有很强的相关性）。
如《随机数统计》中所述，询问哪个能产生“更好的”随机性取决于您使用它的目的。一般来说，PRNG的质量通过测试电池进行比较。在印刷时，作者指出，测试PRNG随机性的最著名和最广泛使用的测试电池是&。另外，请参阅和的相关问题

除了测试典型PRNG的标准问题外，作为PRNG测试柏林噪声或单一噪声更为复杂，因为：

两者在内部都需要PRNG，因此其输出的随机性受基础PRNG的影响
大多数PRNG缺少可调参数。相比之下，柏林噪声是一个或多个频率不断增加、振幅不断降低的相干噪声函数（倍频程）的总和。由于最终图像取决于所用倍频程的数量和性质，因此随机性的质量将相应变化
类似于#2的论点适用于改变单纯形噪声中使用的维数，因为“4D单纯形噪声的3D部分不同于3D单纯形噪声。”Stefan Gustavson的
不要将柏林或单纯形用于随机性。它们不是用于随机性的。它们是随机性的一种应用

人们选择它们是因为它们的视觉吸引力，这一点还没有得到充分的讨论，所以我将重点关注这一点

带smoothstep的perlin/simplex非常平滑。无论缩放多远，它们始终是渐变，而不是顶点或边

输出范围为（+/-1/2 x#dimensions），因此需要对此进行补偿，以使其在需要时达到0到1或-1到1的范围。修复此问题是标准的。添加倍频程将通过倍频程的比例因子增加此范围（当然通常是更大倍频程的一半）

perlin/simplex噪波有一种奇怪的特性，放大时是棕色噪波，缩小时是蓝色噪波。无论是一个或中间的缩放都不适合prng，但它们非常适合伪装自然现象（这不是真正随机的，并且/特别有偏见）

perlin和simplex噪波在轴上都有一定的偏差，perlin在这方面还有一些问题。编辑：在三维中避免更多的偏差是非常复杂的。很难（不可能？）在球体上生成大量无偏差点

perlin结果趋向于具有八角偏压的圆形，而simplex趋向于生成具有六角形偏压的椭圆形

高维单纯形的切片看起来不像低维单纯形，但3d柏林的2d切片看起来很像2d柏林

大多数人认为simplex实际上无法处理更高的维度——它往往在更高的维度上“看起来越来越糟”。据说perlin没有这个问题（尽管它仍然有偏见）

我相信一旦“倍频程”，当l