C風(fēng)格

C為隨機(jī)數(shù)提供的工具是rand、srand和RAND_MAX，定義在<stdlib.h>中。

srand為rand設(shè)置種子，如果不設(shè)置，相當(dāng)于調(diào)用過srand(1)。rand產(chǎn)生偽隨機(jī)數(shù)，其范圍為0到RAND_MAX，RAND_MAX至少是32767，在MSVC和GCC中這個值都是32767。

偽隨機(jī)數(shù)看似隨機(jī)，實(shí)則是有規(guī)律可循的，對于相同的種子值，rand產(chǎn)生的序列完全相同，也就是說無論你給srand一個什么數(shù)字，多次運(yùn)行程序的結(jié)果都將相同——除非你給srand的是不同的數(shù)字，比如時間。<time.h>中的time函數(shù)返回整數(shù)表示的系統(tǒng)時間，可用于設(shè)置種子。

如果我們只需要0到9的隨機(jī)數(shù)，可以把rand的返回值% 10；如果是42到233，可以寫rand() % 192 + 42。下面的random函數(shù)封裝了這項工作。注意只有在b - a + 1遠(yuǎn)小于或整除RAND_MAX時隨機(jī)數(shù)的分布才比較均勻。

#include <stdio.h>
#include <stdlib.h>
#include <time.h>

int random(int a, int b)
{
  return rand() % (b - a + 1) + a;
}

int main()
{
  srand(time(NULL));
  printf("RAND_MAX = %d\n", RAND_MAX);
  for (int i = 0; i < 10; i++)
    printf("%d ", rand());
  printf("\n");
  int count[10] = {0};
  for (int i = 0; i < 10000; i++)
    count[random(0, 9)]++;
  for (int i = 0; i < 10; i++)
  {
    printf("%d: ", i);
    for (int j = 0; j < count[i] / 10; j++)
      printf("*");
    printf("\n");
  }
}

C++風(fēng)格

從C++11開始，C++標(biāo)準(zhǔn)規(guī)定了隨機(jī)數(shù)設(shè)施，包括均勻隨機(jī)位生成器（Uniform random bit generators，URBG）和隨機(jī)數(shù)分布等，定義在<random>中。

URBG分為隨機(jī)數(shù)引擎、引擎適配器、預(yù)置隨機(jī)數(shù)生成器和非確定隨機(jī)數(shù)生成器4類，通常后兩類就夠用了。

標(biāo)準(zhǔn)規(guī)定了3種隨機(jī)數(shù)引擎：

• 線性同余l(xiāng)inear_congruential_engine（LCG），時間空間消耗都少；
• 梅森旋轉(zhuǎn)mersenne_twister_engine（MT），占用較多內(nèi)存（在PC上可以忽略），計算量較大；
• 帶進(jìn)位減法（屬于滯后斐波那契生成器，LFG）subtract_with_carry_engine，性能與效果折中。

隨機(jī)數(shù)引擎都需要一個種子，生成的都是偽隨機(jī)數(shù)。

引擎適配器可以套一個隨機(jī)數(shù)引擎：

• discard_block_engine在連續(xù)若干個偽隨機(jī)數(shù)中選擇若干個；
• independent_bits_engine把位數(shù)多的偽隨機(jī)數(shù)壓縮成位數(shù)少的；
• shuffle_order_engine把連續(xù)若干個偽隨機(jī)數(shù)重排。

套娃的方式是模板，理論上你還可以用適配器套適配器，不過CPU可能會有意見。

隨機(jī)數(shù)引擎的模板參數(shù)怎么??？標(biāo)準(zhǔn)定義了一些數(shù)學(xué)家們發(fā)現(xiàn)的效果良好的隨機(jī)數(shù)引擎：LCG minstd_rand0、minstd_rand、knuth_b；MT mt19937、mt19937_64；LFG ranlux24_base、ranlux48_base、ranlux24、ranlux48。如果你還是無從下手，那就用default_random_engine，編譯器的開發(fā)者們?yōu)槟氵x好了他們認(rèn)為最合適的，在MSVC中是mt19937，在GCC中是minstd_rand0。

以上工具都生成偽隨機(jī)數(shù)，標(biāo)準(zhǔn)還定義了真·隨機(jī)數(shù)引擎random_device，盡管標(biāo)準(zhǔn)也允許它是偽隨機(jī)的。如果它是真隨機(jī)的，那么使用起來它的效果無疑是最好的，但是多次調(diào)用后性能會急劇下降，通常只用于生成偽隨機(jī)數(shù)引擎的種子。

隨機(jī)數(shù)生成器類型都定義了靜態(tài)方法min和max，返回生成的隨機(jī)數(shù)的范圍，以及無參數(shù)的函數(shù)調(diào)用運(yùn)算符operator()，返回隨機(jī)數(shù)。

#include <iostream>
#include <random>

int main()
{
  auto engine = std::default_random_engine(std::random_device()());
  std::cout << "min = " << engine.min() << "; max = " << engine.max() << std::endl;
  std::cout << "random numbers: ";
  for (int i = 0; i != 10; ++i)
    std::cout << engine() << ' ';
  std::cout << std::endl;
}

大多數(shù)情況下我們不需要min到max范圍的整數(shù)，而需要一定分布的整數(shù)或?qū)崝?shù)。標(biāo)準(zhǔn)規(guī)定了許多隨機(jī)數(shù)分布類型，我數(shù)學(xué)不好，不太懂這些。

• 均勻分布uniform_int_distribution、uniform_real_distribution；
• 伯努利分布bernoulli_distribution、binomial_distribution、negative_binomial_distribution、geometric_distribution；
• 泊松分布poisson_distribution、exponential_distribution、gamma_distribution、weibull_distribution、extreme_value_distribution；
• 正態(tài)分布normal_distribution、lognormal_distribution、chi_squared_distribution、cauchy_distribution、fisher_f_distribution、student_t_distribution；

抽樣分布discrete_distribution、piecewise_constant_distribution、piecewise_linear_distribution。

構(gòu)造分布實(shí)例時傳入分布的參數(shù)。調(diào)用operator()獲得結(jié)果，參數(shù)為隨機(jī)數(shù)引擎。

#include <iostream>
#include <random>
#include <string>

int main()
{
  auto engine = std::default_random_engine(std::random_device()());
  std::uniform_int_distribution<int> uniform(0, 9);
  int count[10] = {0};
  for (int i = 0; i != 10000; ++i)
    ++count[uniform(engine)];
  for (int i = 0; i != 10; ++i)
    std::cout << i << ": " << std::string(count[i] / 10, '*') << std::endl;
}

注意，與STL中左閉右開的習(xí)慣不同，uniform_int_distribution構(gòu)造函數(shù)接受的參數(shù)是閉區(qū)間。

到此這篇關(guān)于C++生成隨機(jī)數(shù)的實(shí)現(xiàn)代碼的文章就介紹到這了,更多相關(guān)C++生成隨機(jī)數(shù)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論