在Netlogo中是否有更有效的方法生成随机二项式数？

目前，我的模型正在使用以下代码片段生成随机二项式数，实际上是lynchpin使整个过程正常工作，并且被称为最频繁的代码：

to-report random-binomial [n p]
  report sum n-values n [ifelse-value (p > random-float 1) [1] [0]] 
end

但是，如果n变得非常大（例如10000000），此函数不会很快运行。基于一个旧线程，我正在尝试一个可能更有效的解决方案：

to-report random-binomial [n p]
  report length filter [i -> i < p] n-values n [random-float 1]
end

报告随机二项[NP]
报告长度过滤器[i->i

---

自然地，由于这种情况的发生频率，任何小的减速都会在模型的其余部分滚雪球。有没有人知道更好的方法来执行这种计算，特别是当n变得非常大时？

一般来说，这样的问题（如何有效地实现一个已知的函数）的答案是在数值方法文献中寻找一种经过验证的真实算法。经典的参考是“C中的数字配方”。我相信稍加搜索就会找到一种方法（例如，何时以及如何使用正态分布作为近似值）。

一般来说，这样的问题（如何有效地实现一个众所周知的函数）的答案是在数值方法文献中寻找一种经过验证的真实算法。经典的参考是“C中的数字配方”。我相信只要稍加搜索就会找到一种方法（例如，何时以及如何使用正态分布作为近似值）。

做大量愚蠢的事情总是很昂贵的。在应用程序中使用精确的二项分布是否至关重要？除非你的成功概率非常小，否则大多数人都会在低于1000万的样本量下转换为正态分布。我们在实验室里仔细考虑了这个问题，得出了类似的结论，正态分布或仅使用p作为比例可能是有效解决此问题的唯一方法。我认为这不是NetLogo的问题，但如果您认为NetLogo在大量随机抽取时的效率低于（比如）R，则可以使用R扩展来进行二项抽取。然而，我刚刚做了一次1亿次的50%测试，你的NetLogo代码和R中的sum（rbinom（100000000，1.5））之间的任何差异都很小，所以R扩展的开销可能不值得。做大量愚蠢的事情总是很昂贵的。在应用程序中使用精确的二项分布是否至关重要？除非你的成功概率非常小，否则大多数人都会在低于1000万的样本量下转换为正态分布。我们在实验室里仔细考虑了这个问题，得出了类似的结论，正态分布或仅使用p作为比例可能是有效解决此问题的唯一方法。我认为这不是NetLogo的问题，但如果您认为NetLogo在大量随机抽取时的效率低于（比如）R，则可以使用R扩展来进行二项抽取。然而，我刚刚做了一次1亿次的50%测试，你的NetLogo代码和R中的

sum（rbinom（100000000，1.5））

之间的任何差异都很小，因此R扩展的开销可能不值得