概念

准随机数发生器（QRNG）产生高度均匀的单位超立方体样本。 QRNG最小化生成点的分布与超立方体的统一分区的每个子立方体中具有相等比例点的分布之间的差异。 因此，QRNG系统地填充所产生的准随机序列的任何初始段中的“空穴”。

与普通伪随机数生成方法中描述的伪随机序列不同，准随机序列在许多随机性的统计检验中失败了。 然而，近乎真实的随机性并不是他们的目标。 准随机序列寻求均匀填充空间，并以这样的方式进行，使得初始段近似该行为直到指定的密度。1

QRNG应用

（1）准蒙特卡罗（QMC）整合。

蒙特卡罗技术经常用于评估困难的多维积分，而无需封闭形式的解决方案。 QMC使用准随机序列来改善这些技术的收敛性质。

（2）空间填充实验设计。

在许多实验设置中，在每个因素设置下进行测量是昂贵的或不可行的。 准随机序列为设计空间提供了有效、均匀的采样。

（3）全局优化。

优化算法通常在初始值附近找到局部最优值。 通过使用初始值的准随机序列，搜索全局最优值对所有局部最小值的吸引盆地进行均匀采样。

准随机点集

统计和机器学习Toolbox™中有生成准随机序列的函数：

（1）哈尔顿序列。

由haltonset功能产生。 这些序列使用不同的基数来形成每个维度中单位间隔的相继更好的均匀分区。

（2）Sobol序列。

由sobolset功能产生。 这些序列使用2的基数来形成相继更精细的单位间隔的均匀分区，然后重新排列每个维度中的坐标。

（3）拉丁超立方体序列。

由lhsdesign功能制作。 尽管在最小化差异的意义上不是准随机的，但是这些序列仍然产生在实验设计中有用的稀疏均匀样本。

准随机序列是从正整数到单位超立方体的函数。为了在应用中有用，必须生成序列的初始点集。点集是大小为n-by-d的矩阵，其中n是点的数量，d是被采样的超立方体的维度。函数haltonset和sobolset构造具有指定准随机序列属性的点集。点集的初始段由qrandset类（haltonset类和sobolset类的父类）的net方法生成，但可以使用括号索引更一般地生成和访问点。