model6 - F.Ramezani
Download
Report
Transcript model6 - F.Ramezani
Computer Modeling
And
Simulation
F.Ramezani
Department of Computer Engineering
Islamic Azad University SARI Branch
Introduction to
Computer Modeling And Simulation
فهرست مطالب
2
تولید اعداد تصادفی
اعداد تصادفی با توزیع یکنواخت
آزمون های مولد اعداد تصادفی
تولید اعداد تصادفی با توزیع غیر یکنواخت
آشوب و تولید اعداد تصادفی آشوب گونه
F.Ramezani
Introduction to Computer Modeling And Simulation
مقدمه
مولد های اعداد تصادفی کاربردهای متنوعی در شبیه سازی کامپیوتری ،حل
مسائل بهینه سازی ،همچنین رمز نگاری اطالعات ،و الگوریتم های اکتشافی
دارند
در این فصل به چند نمونه از مولد های اعداد تصادفی به همراه روشهای
آزمون کیفیت مولدها پرداخته میگردد.
F.Ramezani
Introduction to Computer Modeling And Simulation
3
مقدمه
معموال در ساخت این مولد ها از روشهای ریاضی و یا روشهای تکاملی
استفاده میگردد که باعث شده است مولدهای مختلفی با کیفیتهای متفاوت
عرضه گردند.
کیفیت مولدهای اعداد تصادفی دارای اهمیت بسیار زیادی است بطوری که در
بسیاری از الگوریتمهای رمز نگاری که از اعداد تصادفی استفاده میکنند ،اگر
کیفیت مولدها پایین باشد ،با استفاده از حمالت آماری ،متن رمز شده شکسته
شده یا پیش بینی میگردد.
یا در حل مسائل بهینه سازی ،آنچه که اهمیت دارد رفتار تصادفی بودن
الگورتمهاست در نتیجه کیفیت مولدها در کارایی و سرعت الگوریتم ها نقش
مهمی دارد.
بنابراین آزمونهای مختلفی نیز برای ارزیابی کیفیت این مولدها نیز ایجاد شده
اند.
F.Ramezani
Introduction to Computer Modeling And Simulation
4
اعداد تصادفی
به طور کلی یک عدد تصادفی یکی از اعضای مجموعه حاالت یک متغیر می
باشد.
به عنوان مثال اگر مجموعه حاالت شامل اعداد { 1و2و3و4و5و }6باشد،
متغیر تصادفی یک حالت 1تا 6خواهد بود.
اگر اعداد تصادفی بصورت پشت سر هم تولید گردند ،دنباله ای از اعداد
تصادفی خواهیم داشت
هر دنباله از اعداد تصادفی دارای دو ویژگی مهم خواهد بود
توزیع احتمال یکنواخت
مستقل بودن هر عدد از عدد دیگر.
در کنار مفهوم اعداد تصادفی اعداد شبه تصادفی وجود دارد
F.Ramezani
Introduction to Computer Modeling And Simulation
5
اعداد شبه تصادفی
دلیل استفاده از کلمه اعداد شبه تصادفی این است که مولدها قادر نیستند اعداد صد در صد
تصادفی تولید کنند.
ممکن است بعضی از دنباله های تولید شده تکراری گردند و یا بعضی اعداد هرگز تولید
نگردند.
مشکالتی که مولدها با انها روبه رو هستند :
اعداد ممکن است دارای توزیع یکنواخت نداشته باشند
میانگین اعداد تولید شده ممکن است بیش از حد بزرگ یا کوچک باشد
واریانس اعداد تصادفی تولید شده ممکن است تفاوت قابل توجهی با مقدار متعارف داشته باشد
ممکن است اعداد تولید شده دارای همبستگی باشند( بصورت نزولی یا صعودی شده باشند)
این مشکالت باعث میشوددنباله اعداد تولید شده کامال تصادفی نباشندو به عبارتهای شبه
تصادفی تبدیل گردند.
F.Ramezani
Introduction to Computer Modeling And Simulation
6
تولید اعداد تصادفی با توزیع یکنواخت
روش میان مربعی:
این روش در سال 1940توسط وان نیومن ارائه شد
در این روش ابتدا یک عدد تصادفی به عنوان هسته انتخاب شده ،این هسته را مربع
میکنند و ارقام میانی آن را انتخاب کرده و قبل از آنها ممیز قرار میدهند.
اگر هسته nرقم داشته باشد ،مربع آن 2n-1تا 2nرقم خواهد داشت.
X0=5497
X0^2=30217009 => X1=2170 , R1 =0.2170
X1^2=04708900 => X2=7089 , R2 =0.7089
….
F.Ramezani
Introduction to Computer Modeling And Simulation
7
تولید اعداد تصادفی با توزیع یکنواخت
دو نکته در روش میان مربعی:
اگر اعداد تولید شده کمتر از 8رقم بودند خودمان آنها را به اعداد 8رقمی
تبدیل میکنیم
با ظهور رقم صفر در سمت چپ ارقام دنباله اعداد تصادفی به صفر میل کرده و سریعا
پایان می یابند.
فرض یکی از Xها در یک مرحله 6500بدست آید با ادامه تولید اعداد تصادفی دور
گردش 0.25تولید میگردد .با ثابت ماندن اعداد تصادفی الگوریتم کارایی خود را از
دست میدهد.
6500^2 = 42250000 => X=2500
2500^2 = 06250000 => X=2500
F.Ramezani
Introduction to Computer Modeling And Simulation
8
تولید اعداد تصادفی با توزیع یکنواخت
روش میان ضربی:
این روش همان روش میان مربعی است ولی با 2هسته
در این روش ابتدا دو عدد تصادفی به عنوان هسته انتخاب شده ،این دو هسته را در
هم ضرب میکنند و ارقام میانی آن را انتخاب کرده و قبل از آنها ممیز قرار میدهند.
X0=2938 X0’=7229
X0*X0’= 21238802 => X1=2388 , R1 =0.2388
X0*X1 = 17262852 => X2=2628, R2 =0.2628
….
F.Ramezani
Introduction to Computer Modeling And Simulation
9
تولید اعداد تصادفی با توزیع یکنواخت
روش مضرب ثابت:
این روش همان روش میان ضربی است ولی یکی از هته ها ثابت در نظر گرفته
میشود
X0= 7223K= 3988
K*X0 = 28798101 => X1 = 7981, R1 = 0.7981
K*X1 = 31820248 => X2 = 8202 R2 = 0.8202
….
F.Ramezani
Introduction to Computer Modeling And Simulation
10
تولید اعداد تصادفی با توزیع یکنواخت
روش همنهشتی خطی:
این باقیمانده عدد تصادفی فعلی بر عدد ثابت ،mعدد تصادفی جدید را نتیجه میدهد.
Xn=(a Xn-1 + b) mod m
X0= 65 a=2 b=1
X1 = (2*65 +1 ) mod 100 => X1 = 31, R1 = 0.31
X2 = (2*31 +1 ) mod 100 => X2 = 63 R2 = 0.63
….
F.Ramezani
Introduction to Computer Modeling And Simulation
11
تولید اعداد تصادفی با توزیع یکنواخت
روش همنهشتی جمعی:
این باقیمانده مجموع عدد تصادفی فعلی و iامین قبلی بر عدد ثابت ،mعدد تصادفی
جدید را نتیجه میدهد.
این روش با استفاده از iهسته تولید میگردد
Xn=(Xn-1 + Xn-i) mod m
X1= 57 , X2=34 , X3=89 , X4 = 92 , X5 =16
X6 = (57+16 ) mod 100 => X6 = 73, R1 = 0.73
X7 = (73+34 ) mod 100 => X2 = 7 R2 = 0.07
X8 = (7+89 ) mod 100 => X2 = 96 R2 = 0.96
….
F.Ramezani
Introduction to Computer Modeling And Simulation
12
تولید اعداد تصادفی با توزیع یکنواخت
روش فیبوناچی:
این روش همانند روش قبلی است با این تفاوت که i=2در نظر گرفته میشود.
Xn=(Xn-1 + Xn-2) mod m
X1= 57 , X2=34
X3 = (57+34 ) mod 100 => X3 = 91, R1 = 0.91
X4 = (34+91 ) mod 100 => X4 = 125 R2 = 0.25
X5 = (91+25 ) mod 100 => X5 = 116 R3 = 0.16
….
F.Ramezani
Introduction to Computer Modeling And Simulation
13
تولید اعداد تصادفی با توزیع یکنواخت
روش همنهشتی درجه دو:
این باقیمانده عدد تصادفی فعلی بر عدد ثابت mبا استفاده از یک رابطه درجه دو عدد
تصادفی جدید را نتیجه میدهد.
Xn=(a Xn-12 + b Xn-1 +c) mod mکه c ,mنسبت به هم اول هستند
X0= 7 a=1 b=1 c=3 m=10
X1 = (1*49 + 1*7 +3 ) mod 10 => X1 = 59, R1 = 0.9
X2 = (1*81+1*9+3 ) mod 10 => X2 = 93 R2 = 0.3
….
F.Ramezani
Introduction to Computer Modeling And Simulation
14
آزمونهای مولد اعداد تصادفی
آزمون همبستگی
شرط اول دنباله اعداد تصادفی تولید شده استقالل داده ها از یکدیگر میباشد
برای بررسی استقالل داده ها از یکدیگر میتوان ضریب همبستگی داده ها را محاسبه
نمود
اگر اعداد تصادفی تولید شده را با یک فاصله در دسته x , yقرار دهیم میتوان ضریب
همبستگی آنها را محاسبه نمود
) R=cov(x,y)/var(x).var(y
در این صورت اگر R=0باشد دو دسته مستقل بوده ،پس اعداد تصادفی تولید شده
مستقلند
در غیر این صورت هرچه این مقدار به یک یا -1نزدیکتر باشه اعداد تصادفی تولید
شده وابسته ترند و شرط اول خاصیت اعداد تصادفی نقض خواهد شد.
F.Ramezani
Introduction to Computer Modeling And Simulation
15
آزمونهای مولد اعداد تصادفی
آزمون آنتروپی
آزمون آنتروپی یا مقدار عددی تنوع دنباله اعداد تصادفی ،برای میزان تنوع دنباله
اعداد تصادفی مورد استفاده قرار میگیرد.
هرچه عدد تولید شده بزرگتر باشد ،نشان دهنده تنوع بیشتر در تولید اعداد تصادفی
خواهد بود .و هرچه تنوع بیشتر باشد ،مولد بهتری خوایم داشت.
) H=-∑pi .log(pi
اگر مولدی بتواند همه اعداد تصادفی را تولید کند مقدار Hماکزیمم خواهد بود.
F.Ramezani
Introduction to Computer Modeling And Simulation
16
تولید اعداد تصادفی با توزیع غیریکنواخت
اعداد تصادفی با توزیع نمایی
توزیع نمایی به منظور مدلسازی مدتهای بین ورود در حالتی که ورودی ها کامال
تصادفی باشند مورد استفاده قرار میگیرد
متغیر xدارای توزیع نمایی با پارامتر الندا است در صورتی که دارای معادله زیر
باشد.
F.Ramezani
Introduction to Computer Modeling And Simulation
17
18
یعنی اگر Rیکمتغیر تصادفی با توزیع یکنواخت باشد X،یک
متغیر تصادفی با توزیع نمایی خواهد بود
F.Ramezani
Introduction to Computer Modeling And Simulation
INTRODUCTION TO CHAOS
تعريف
20
دانش بررس ي رفتار سيستمهايي كه وروديهاي
معين ،اما خروجيهاي ظاهرا تصادفي دارند.
F.Ramezani
Introduction to Computer Modeling And Simulation
مراحل پيدايش
21
ابتدا يك نظريه بود
در ادامه و مطالعه بيشتر تبديل به يك تئوري شد
در حال حاضر يك علم است.
F.Ramezani
Introduction to Computer Modeling And Simulation
22
اگر ما به دنبال اين باشيم که در اين
شکل يک نظم و يک معادله پيدا کنيم
شايد هيچ گاه نتوان به فرمولي رسيد .با
استفاده از هندسه غير اقليدس ي به
چندين فرمول مي رسيم که بخش
اعظمي از اين شکل را توضيح مي دهد،
اما براي بقيه اين شکل توضيحي
نداريم .بنا براين دست به ايجاد شاخه
اي جديد در رياضيات و هندسه مي
زنيم تا بتوانيم آن را توضيح دهيم.
F.Ramezani
Introduction to Computer Modeling And Simulation
همان شکل را بطور کامل ببينيم
23
Introduction to Computer Modeling And Simulation
F.Ramezani
24
مشاهده مي کنيم که تمامي بي نظمي موجود در آن شکل منجر به نظمي
بزرگ شد .يعني ايجاد يک خط راست .اما به دليل اين که ما درون شکل
قرار داشتيم نتوانستيم به نظم کلي آن پي ببريم و به اشتباه کشيده شديم.
دنياي اطراف ما پر از روابطي است که ما قادر به فهم آنان نيستيم.
F.Ramezani
Introduction to Computer Modeling And Simulation
25
بدين ترتيب طي چند سال گذشته ،در حوزه رياضيات و فيزيک مدرن ،روش
علمي و تئوري جديد و بسيار جالبي به نام "آشوب" پا به عرصه ظهور
گذاشته است.
تئوري آشوب ،سيستمهاي ديناميکي بسيار پيچيده اي مانند اتمسفر زمين،
جمعيت حيوانات ،جريان مايعات ،تپش قلب انسان ،فرآيندهاي زمين
شناس ي و ...را مورد بررس ي قرار مي دهد .انگاره اصلي و کليدي تئوري آشوب
اين است که در هر بي نظمي ،نظمي نهفته است .به اين معنا که نبايد نظم
را تنها در يک مقياس جستجو کرد؛ پديده اي که در مقياس محلي ،کامل
تصادفي و غيرقابل پيش بيني به نظر مي رسد چه بسا در مقياس بزرگتر ،کامل
پايا ) (Stationaryو قابل پيش بيني باشد.
F.Ramezani
Introduction to Computer Modeling And Simulation
بسياري از وقايع تاريخي که در مقياس 20ساله ممکن است کامل تصادفي و بي نظم به نظر
برسند ،ممکن است که در مقياس 200ساله 2000 ،ساله يا 20000ساله داراي دوره
تناوب مشخص و يا نوعي نظم در علتها باشند.
موضوع جالب دیگري که در تئوري آشوب وجود دارد ،تاکید آن بر وابستگي (یا
حساسیت) به شرایط اولیه است .بدین معني که تغییرات بسیار جزیي در مقادیر
اولیه یک فرآیند مي تواند منجر به اختالفات چشمگیري در سرنوشت فرآیند شود.
مثال ساده زیر شاید جالب باشد:
اگر مسافري 10ثانیه دیر به ایستگاه اتوبوس برسد نمي تواند سوار اتوبوسي
شود که هر 10دقیقه یک بار از این ایستگاه مي گذرد و به سمت مترویي مي
رود که از آن هر ساعت یک بار قطاري به سوي فرودگاه حرکت مي کند .براي
مقصد مورد نظر این مسافر ،فقط روزي یک پرواز انجام مي شود و لذا تاخیر
10ثانیه اي این مسافر باعث از دست دادن یک روز کامل مي شود .بسیاري از
پدیده هاي طبیعي داراي چنین حساسیتي به شرایط اولیه هستند .قلوه سنگي که در
خط الراس یک کوه قرار دارد ممکن است تنها بر اساس اندکي تمایل به سمت
چپ یا راست ،به دره شمالي یا جنوبي بلغزد ،در حالي که چند میلیون سال بعد،
که توسط فرآیندهاي زمین شناسي و تحت نیروهاي باد و آب و ...چند هزار
کیلومتر انتقال مي یابد ،مي توان فهمید که آن تمایل اندک به راست و چپ به چه
Modelingبوده
تاثیرگذار
این قلوه
میزان در سرنوشت
استIntroduction to
Computer
سنگ And
Simulation
F.Ramezani
26
FUNDAMENTALS OF CHAOS
28
These two sets of data have
the same
mean
variance
power spectrum
Introduction to Computer Modeling And Simulation
F.Ramezani
29
Introduction to Computer Modeling And Simulation
F.Ramezani
30
Data 1
RANDOM
random
x(n) = RND
Introduction to Computer Modeling And Simulation
F.Ramezani
31
CHAOS
Deterministic
x(n+1) = 3.95 x(n) [1-x(n)]
Data 2
Introduction to Computer Modeling And Simulation
F.Ramezani
32
etc.
Introduction to Computer Modeling And Simulation
F.Ramezani
33
Introduction to Computer Modeling And Simulation
F.Ramezani
34
Data 1
RANDOM
random
x(n) = RND
Introduction to Computer Modeling And Simulation
F.Ramezani
35
CHAOS
deterministic
x(n+1) = 3.95 x(n) [1-x(n)]
Data 2
x(n+1)
x(n)
Introduction to Computer Modeling And Simulation
F.Ramezani
36
CHAOS
Definition
Deterministic
predict that value
these values
Introduction to Computer Modeling And Simulation
F.Ramezani
37
CHAOS
Definition
Small Number of Variables
x(n+1) = f(x(n), x(n-1), x(n-2))
Introduction to Computer Modeling And Simulation
F.Ramezani
38
CHAOS
Definition
Complex Output
Introduction to Computer Modeling And Simulation
F.Ramezani
39
Properties
CHAOS
Phase Space is Low Dimensional
d
, random
d = 1, chaos
phase space
Introduction to Computer Modeling And Simulation
F.Ramezani
40
Properties
CHAOS
Sensitivity to Initial Conditions
nearly identical
initial values
very different
final values
Introduction to Computer Modeling And Simulation
F.Ramezani
41
Properties
CHAOS
Bifurcations
small change
in a parameter
one pattern
another pattern
Introduction to Computer Modeling And Simulation
F.Ramezani
Time Series
42
X(t)
Y(t)
Z(t)
embedding
Introduction to Computer Modeling And Simulation
F.Ramezani
Phase Space
43
Z(t)
phase
space set
X(t)
Introduction to Computer Modeling And Simulation
Y(t)
F.Ramezani
44
Attractors in Phase Space
Logistic Equation
X(n+1) = 3.95 X(n) [1-X(n)]
X(n+1)
X(n)
Introduction to Computer Modeling And Simulation
F.Ramezani
Attractors in Phase Space
45
Lorenz Equations
Z(t)
Y(t)
X(t)
Introduction to Computer Modeling And Simulation
F.Ramezani
46
The number of independent variables =
smallest integer >
the fractal dimension of the attractor
Logistic Equation
time series
phase space
d<1
X(n+1)
X(n)
d < 1, therefore, the equation of the time series that produced this
attractor depends on 1 independent variable.
Introduction to Computer Modeling And Simulation
F.Ramezani
47
The number of independent variables =
smallest integer >
the fractal dimension of the attractor
Lorenz Equations
time series
phase space
d =2.03
Z(t)
X(n+1)
n
X(t)
Y(t)
d = 2.03, therefore, the equation of the time series that produced
this attractor depends on 3 independent variables.
Introduction to Computer Modeling And Simulation
F.Ramezani
48
Data 1
time series
phase space
d
Since d
,
the time series
was produced
by a random
mechanism.
Introduction to Computer Modeling And Simulation
F.Ramezani
49
Data 2
time series
phase space
d=1
Since d = 1,
the time series
was produced by
a deterministic
mechanism.
Introduction to Computer Modeling And Simulation
F.Ramezani
Phase Space
50
Constructed by direct measurement:
Measure X(t), Y(t), Z(t) Z(t)
Each point in the
phase space set
has coordinates
X(t), Y(t), Z(t)
X(t)
Introduction to Computer Modeling And Simulation
Y(t)
F.Ramezani
Phase Space
51
Constructed from one variable
Takens’ Theorem
X(t+2 t)
Takens 1981 In Dynamical Systems
and Turbulence Ed. Rand & Young,
Springer-Verlag, pp. 366 - 381
Each point in the
phase space set
has coordinates
X(t), X(t + t),
X(t+2 t)
X(t)
Introduction to Computer Modeling And Simulation
X(t+
F.Ramezani
t)
Data 1
x(n) = RND
fractal dimension
of phase space set
52
RANDOM
fractal demension
of the phase space
set
embedding dimension = number of
values of the data taken at a time to
produce the phase space set
Introduction to Computer Modeling And Simulation
F.Ramezani
Data 2
fractal dimension
of phase space set
53
CHAOS
deterministic
x(n+1) = 3.95 x(n) [1 - x(n)]
fractal demension
of the phase space
set = 1
embedding dimension = number of
values of the data taken at a time to
produce the phase space set
Introduction to Computer Modeling And Simulation
F.Ramezani
54
Procedure
Time series
e.g. voltage as a function of time
Turn the Time Series into a
Geometric Object
This is called embedding.
Introduction to Computer Modeling And Simulation
F.Ramezani
55
Procedure
Determine the Topological Properties
of this Object
Especially, the fractal dimension.
High Fractal Dimension
= Random = chance
Low Fractal Dimension
= Chaos = deterministic
Introduction to Computer Modeling And Simulation
F.Ramezani
56
The Fractal Dimension
is NOT equal to
The Fractal Dimension
Introduction to Computer Modeling And Simulation
F.Ramezani
Fractal Dimension:
How many new pieces of the Time
Series are found when viewed at
finer time resolution.
57
d
X
time
Introduction to Computer Modeling And Simulation
F.Ramezani
Fractal Dimension:
The Dimension of the Attractor in
Phase Space is related to the
Number of Independent Variables.
x(t+2 t)
58
d
X
time
x(t)
Introduction to Computer Modeling And Simulation
x(t+ t)
F.Ramezani
Mechanism that Generated the Data
59
Chance
d(phase space set)
Determinism
d(phase space set)
= low
Data
?
x(t)
Introduction to Computer Modeling And Simulation
t
F.Ramezani
Lorenz
60
1963
J. Atmos. Sci. 20:13-141
(Rayleigh, Saltzman)
Model
C O L D
HOT
Introduction to Computer Modeling And Simulation
F.Ramezani
Lorenz
61
1963
J. Atmos. Sci. 20:13-141
Equations
Introduction to Computer Modeling And Simulation
F.Ramezani
Lorenz
62
1963
J. Atmos. Sci. 20:13-141
Equations
X = speed of the convective
circulation
X>0
clockwise,
X<0
counterclockwise
Y = temperature difference between
rising and falling fluid
Introduction to Computer Modeling And Simulation
F.Ramezani
Lorenz
63
1963
J. Atmos. Sci. 20:13-141
Equations
Z = bottom to top temperature
minus the linear gradient
Introduction to Computer Modeling And Simulation
F.Ramezani
Lorenz
64
1963
J. Atmos. Sci. 20:13-141
Phase Space
Z
X
Y
Introduction to Computer Modeling And Simulation
F.Ramezani
Lorenz Attractor
65
cylinder of
air rotating
counterX
<
0
X
>
0
clockwise
Introduction to Computer Modeling And Simulation
cylinder of
air rotating
clockwise
F.Ramezani
Sensitivity to Initial Conditions
66
Lorenz Equations
Initial Condition:
X= 1.
X(t) 0
X= 1.00001
same
different
X(t) 0
IXtop(t) - Xbottom(t)I e t
= Liapunov Exponent
Introduction to Computer Modeling And Simulation
F.Ramezani
67
Deterministic, Non-Chaotic
X(n+1) = f {X(n)}
Accuracy of values
computed for X(n):
1.736
5.455
3.212
2.345
4.876
3.254
4.234
Introduction to Computer Modeling And Simulation
F.Ramezani
68
Deterministic, Chaotic
X(n+1) = f {X(n)}
Accuracy of values
computed for X(n):
3.455 3.45? 3.4??
3.??? ? ? ?
Introduction to Computer Modeling And Simulation
F.Ramezani
Clockwork Universe
69
determimistic non-chaotic
Initial Conditions
X(t0), Y(t0), Z(t0)...
Equations
Can
compute
all future
X(t), Y(t), Z(t)...
Introduction to Computer Modeling And Simulation
F.Ramezani
Chaotic Universe
70
determimistic chaotic
Initial Conditions
X(t0), Y(t0), Z(t0)...
sensitivity
to initial
conditions
Equations
Can not
compute
all future
X(t), Y(t), Z(t)...
Introduction to Computer Modeling And Simulation
F.Ramezani
Lorenz Strange Attractor
71
starting away:
Trajectories
from outside:
pulled
TOWARDS it
why its called an
attractor
Introduction to Computer Modeling And Simulation
F.Ramezani
Lorenz Strange Attractor
72
starting on:
Trajectories on
the attractor:
pushed APART
from each other
sensitivity to initial
conditions
Introduction to Computer Modeling And Simulation
F.Ramezani
73
“Strange”
attractor is fractal
phase space set
not strange
strange
Introduction to Computer Modeling And Simulation
F.Ramezani
74
“Chaotic”
sensitivity to initial conditions
time series
X(t)
X(t)
t
not chaotic
t
chaotic
Introduction to Computer Modeling And Simulation
F.Ramezani