先让系统先迭代一定次Р数之后,再使用生成的值,这样可以更好地掩盖原始的情况,使雪崩Р效应扩大,这样可以具有更好的安全性。Р 最后我们再来看看 Logistic 的随机分布特性,一个好的伪随机Р序列应该有比较平均的分布,也就是说,每个数出现的概率应该是相Р等的。我们对 X0=0.2,μ=3.9999 的 Logistic 混沌映射进行 30000Р次迭代后对其值进行统计,分布情况如下表所示: Р分布区间个数所占百分比Р0 - 0.1 5919 19.73% Р0.1 - 0.2 2685 8.95% Р0.2 - 0.3 2218 7.39% Р0.3 - 0.4 2140 7.13% Р0.4 - 0.5 1890 6.30% Р0.5 - 0.6 1973 6.58% Р0.6 - 0.7 1937 6.46% Р0.7 - 0.8 2310 7.70% Р0.8 - 0.9 2733 9.11% Р0.9 – 1 6195 20.65% Р 从上表中我们可以看出,Logistic 映射的迭代序列的分布并不是Р均匀的,对于其他的X0 取值也有类似的结构。而且从表中我们还可以Р看出,其分布是一种两头大中间小的情形。虽然分布情况并不是很平Р均,但是对于一般情形来说,Logistic 映射序列是可以满足我们的Р需求的。而且我们可以对其想办法加以改进,使之可以获得更好的平Р均性。Р 而分形,作为混沌吸引子的集合,可以从一个比较形象的例子开Р始理解,就从中国海岸线的长度谈起吧!中国海岸线的长度到底是多Р少呢?这看似一个简单的问题,查资料或者搜索一下就能知道:“我Р国大陆海岸线长度为 1.8 万公里,居世界第四位”. 然而,实际上Р这个海岸线长度数据是没有任何意义的,我们来看看实际的海岸线: Р (图片从 Google Earth 截图每幅图都在上副图的基础上放大Р其中的一个小区域)
全文预览
