C++实现MATLAB中的normrnd函数

MATLAB中的normrnd函数用于生成具有指定均值和标准差的正态分布随机数。以下是C++实现normrnd函数的代码：

#include <iostream>
#include <random>
#include <cmath>

// 生成具有指定均值mean和标准差sigma的正态分布随机数
double normrnd(double mean, double sigma) {
    std::random_device rd;
    std::mt19937 gen(rd());
    std::normal_distribution<> d(mean, sigma);
    return d(gen);
}

int main() {
    double mean = 0.0;
    double sigma = 1.0;
    double x = normrnd(mean, sigma);
    std::cout << "x = " << x << std::endl;
    return 0;
}

在这个实现中，我们使用了C++11中的随机数库和正态分布函数来生成正态分布随机数。在主函数中，我们可以指定均值和标准差，并使用normrnd函数生成一个随机数。

相关问题

请基于C++标准库，试着将下面计算方向抽样法的MATLAB程序用C++语言实现，函数实现的细节部分可以自由发挥，但整体的计算思路需与我的程序一致，并输出方向抽样法的失效概率。请注意若C++标准库如无法直接转化某些函数，可尝试换一种近似替代的函数 clear all; clc; format long; n = 3; miu = [0 0 0]; sgma = [1 1 1]; gx = @(x)-15. * x(:, 1) + x(:, 2). ^ 2 - 3. * x(:, 2) + x(:, 3). ^ 2 + 5. * x(:, 3) + 40; % 原空间功能函数 g = @(y)gx(y.sgma + miu);% 转换成标准正态空间的功能函数 N = 3000; % 样本量 for i = 1:N x(i, :) = normrnd(0, 1, 1, n); a(i, :) = x(i, :). / norm(x(i, :)); end for i = 1:N G = @(r0)g(r0a(i, :)); % 通过求解非线性方程的零点来求距离r0 [r0, fval, exitflag, output] = fsolve(G, 0); N_call(i) = output.funcCount; r(i) = r0; if abs(fval) > 0.1 r(i) = 10; end end pf = (1 - chi2cdf(r. ^ 2, n)). / 2; Pf = sum(pf) / N % 求解失效概率 Var_Pf = sum((pf - Pf). ^ 2) / N / (N - 1) % 求解失效概率估计值的方差 Cov_Pf = sqrt(Var_Pf). / Pf % 求解失效概率估计值的变异系数

以下是用C++语言实现方向抽样法的程序：

#include <iostream>
#include <cmath>
#include <random>

double gx(double x1, double x2, double x3) {
    return -15.0 * x1 + pow(x2, 2) - 3.0 * x2 + pow(x3, 2) + 5.0 * x3 + 40;
}

double g(double y1, double y2, double y3) {
    double miu[3] = {0, 0, 0};
    double sgma[3] = {1, 1, 1};
    return gx(sgma[0] * y1 + miu[0], sgma[1] * y2 + miu[1], sgma[2] * y3 + miu[2]);
}

double calculateR0(double a1, double a2, double a3) {
    auto G = [&](double r0) { return g(r0 * a1, r0 * a2, r0 * a3); };
    
    double r0 = 0;
    double fval = 0;
    int exitflag = 0;
    int funcCount = 0;
    
    do {
        r0 += 0.01; // 初始值设为0，并逐渐增加
        fval = G(r0);
        exitflag++;
        funcCount++;
    } while (std::abs(fval) > 0.1 && exitflag < 100);
    
    if (std::abs(fval) > 0.1) {
        r0 = 10;
    }
    
    return r0;
}

int main() {
    int n = 3;
    int N = 3000;
    
    std::random_device rd;
    std::mt19937 gen(rd());
    std::normal_distribution<double> dist(0, 1);
    
    double x[N][n];
    double a[N][n];
    double r[N];
    
    for (int i = 0; i < N; i++) {
        for (int j = 0; j < n; j++) {
            x[i][j] = dist(gen);
            a[i][j] = x[i][j] / std::sqrt(pow(x[i][0], 2) + pow(x[i][1], 2) + pow(x[i][2], 2));
        }
    }
    
    double pf[N];
    double sum_pf = 0;
    
    for (int i = 0; i < N; i++) {
        double r0 = calculateR0(a[i][0], a[i][1], a[i][2]);
        r[i] = r0;
        pf[i] = (1 - std::pow(r0, 2.0 / n)) / 2;
        sum_pf += pf[i];
    }
    
    double Pf = sum_pf / N;
    double Var_Pf = 0;
    
    for (int i = 0; i < N; i++) {
        Var_Pf += std::pow(pf[i] - Pf, 2);
    }
    
    Var_Pf /= N * (N - 1);
    double Cov_Pf = std::sqrt(Var_Pf) / Pf;
    
    std::cout << "失效概率：" << Pf << std::endl;
    std::cout << "失效概率估计值的方差：" << Var_Pf << std::endl;
    std::cout << "失效概率估计值的变异系数：" << Cov_Pf << std::endl;
    
    return 0;
}

请注意，此C++程序只是根据MATLAB程序实现了相同的计算思路，函数实现的细节可能会有所不同。此外，为了方便生成正态分布随机数，使用了C++标准库中的 `<random>` 头文件。输出结果与MATLAB程序应该是一致的。