如何在圆周上均匀随机投点？

Question

在进行蒙特卡洛模拟或几何采样时，如何在圆周上均匀随机投点是一个常见问题。许多开发者误以为在极坐标下随机选择半径和角度即可实现均匀分布，但实际上这会导致点在圆心附近聚集。正确的方法应确保采样点在圆周上分布均匀，避免密度不均。实现这一目标的关键在于理解概率分布与几何空间的映射关系。那么，如何通过合理的参数化方法，确保在单位圆周上实现真正均匀的随机采样？

Answer 1

一、问题背景与常见误区

在进行蒙特卡洛模拟或几何采样时，一个常见的任务是：如何在单位圆周上均匀随机地投点？许多开发者会误以为在极坐标下随机选择半径 r 和角度 θ 就可以实现均匀分布。然而，这种做法会导致点在圆心附近聚集，无法实现真正意义上的“均匀”。

例如，若我们随机生成 r ∈ [0, 1] 和 θ ∈ [0, 2π]，然后通过以下公式转换为笛卡尔坐标：

x = r * cos(θ)
y = r * sin(θ)
  

那么点的分布将不是均匀的。这是因为在极坐标系统中，面积元素 dA = r dr dθ 与 r 成正比，因此直接对 r 均匀采样会导致靠近圆心的区域点密度更高。

二、数学基础：概率密度函数与变换

为了实现圆周上的均匀分布，我们需要理解概率分布与几何空间的映射关系。在二维平面上，如果我们要在单位圆内均匀采样，正确的做法是使用如下变换：

• 角度 θ 在 [0, 2π] 上均匀分布；
• 半径 r 应该满足 r² 在 [0, 1] 上均匀分布。

即：

θ = 2π * u₁
r = sqrt(u₂)
  

其中 u₁ 和 u₂ 是 [0, 1] 区间上的均匀分布随机数。

这样变换的数学依据是：单位圆的面积是 πr²，如果我们希望在面积上均匀采样，就必须保证每个面积微元被采样的概率相同，即 P(r) dr = 2πr dr / π = 2r dr，因此 r 的分布应为 2r，其累积分布函数为 r²，从而可以使用逆变换采样法。

三、正确实现方法

基于上述数学推导，我们可以写出一个在单位圆内均匀采样的算法，适用于蒙特卡洛模拟和几何采样任务。

以下是一个 Python 示例代码：

import numpy as np

def uniform_circle_sampling(n_samples):
    u1 = np.random.rand(n_samples)
    u2 = np.random.rand(n_samples)
    r = np.sqrt(u2)
    theta = 2 * np.pi * u1
    x = r * np.cos(theta)
    y = r * np.sin(theta)
    return x, y
  

该函数返回 n_samples 个在单位圆内均匀分布的点。

四、可视化与验证

为了验证采样是否均匀，可以使用 matplotlib 进行可视化：

import matplotlib.pyplot as plt

x, y = uniform_circle_sampling(10000)
plt.scatter(x, y, s=1)
plt.axis('equal')
plt.title('Uniform Sampling in Unit Circle')
plt.show()
  

从图中可以看到，点在整个圆内分布均匀，没有在中心区域聚集的现象。

五、扩展与应用场景

该方法不仅适用于单位圆，还可以推广到：

1. 任意半径的圆；
2. 球面或球体内的均匀采样；
3. 高维球体（如三维球体）的均匀分布；
4. 在计算机图形学中用于生成粒子系统、光照采样等。

例如，在球面上均匀采样时，也需要考虑面积元素的分布，使用类似的方法进行参数变换。

六、流程图与总结

以下是实现单位圆内均匀采样的流程图：

graph TD
      A[开始] --> B[生成两个均匀随机数 u1, u2]
      B --> C[θ = 2π * u1]
      B --> D[r = sqrt(u2)]
      C --> E[计算 x = r * cos(θ)]
      D --> E
      E --> F[计算 y = r * sin(θ)]
      F --> G[输出点 (x, y)]

该流程图清晰地展示了从随机数生成到坐标变换的全过程。