C++随机数生成方法

一、随机数测试C++中常用rand（）函数生成随机数，但严格意义上来讲生成的只是伪随机数（pseudo-random integral number）。生成随机数时需要我们指定一个种子，如果在程序内循环，那么下一次生成随机数时调用上一次的结果作为种子。但如果分两次执行程序，那么由于种子相同，生成的“随机数”也是相同的。《C++ 设计新思维》下载见 http://www.linuxidc.com/Linux/2014-07/104850.htmC++ Primer Plus 第6版中文版清晰有书签PDF+源代码 http://www.linuxidc.com/Linux/2014-05/101227.htm读C++ Primer 之构造函数陷阱 http://www.linuxidc.com/Linux/2011-08/40176.htm读C++ Primer 之智能指针 http://www.linuxidc.com/Linux/2011-08/40177.htm读C++ Primer 之句柄类 http://www.linuxidc.com/Linux/2011-08/40175.htm将C语言梳理一下，分布在以下10个章节中：

Linux-C成长之路（一）：Linux下C编程概要 http://www.linuxidc.com/Linux/2014-05/101242.htm
Linux-C成长之路（二）：基本数据类型 http://www.linuxidc.com/Linux/2014-05/101242p2.htm
Linux-C成长之路（三）：基本IO函数操作 http://www.linuxidc.com/Linux/2014-05/101242p3.htm
Linux-C成长之路（四）：运算符 http://www.linuxidc.com/Linux/2014-05/101242p4.htm
Linux-C成长之路（五）：控制流 http://www.linuxidc.com/Linux/2014-05/101242p5.htm
Linux-C成长之路（六）：函数要义 http://www.linuxidc.com/Linux/2014-05/101242p6.htm
Linux-C成长之路（七）：数组与指针 http://www.linuxidc.com/Linux/2014-05/101242p7.htm
Linux-C成长之路（八）：存储类，动态内存 http://www.linuxidc.com/Linux/2014-05/101242p8.htm
Linux-C成长之路（九）：复合数据类型 http://www.linuxidc.com/Linux/2014-05/101242p9.htm
Linux-C成长之路（十）：其他高级议题

在工程应用时，我们一般将系统当前时间（Unix时间）作为种子，这样生成的随机数更接近于实际意义上的随机数。给一下例程如下：#include <iostream>
#include <ctime>
#include <cstdlib>
using namespace std;
int main（）
{
double random（double,double）;
srand（unsigned（time（0）））;
for（int icnt = 0; icnt ！= 10; ++icnt）
cout << "No." << icnt+1 << ": " << int（random（0,10））<< endl;
return 0;
}
double random（double start, double end）
{
return start+（end-start）*rand（）/（RAND_MAX + 1.0）;
}/* 运行结果
* No.1: 3
* No.2: 9
* No.3: 0
* No.4: 9
* No.5: 5
* No.6: 6
* No.7: 9
* No.8: 2
* No.9: 9
* No.10: 6
*/利用这种方法能不能得到完全意义上的随机数呢？似乎9有点多哦？却没有1,4,7？！我们来做一个概率实验，生成1000万个随机数，看0-9这10个数出现的频率是不是大致相同的。程序如下：#include <iostream>
#include <ctime>
#include <cstdlib>
#include <iomanip>
using namespace std;
int main（）
{
double random（double,double）;
int a[10] = {0};
const int Gen_max = 10000000;
srand（unsigned（time（0）））;

for（int icnt = 0; icnt ！= Gen_max; ++icnt）
switch（int（random（0,10）））
{
case 0: a[0]++; break;
case 1: a[1]++; break;
case 2: a[2]++; break;
case 3: a[3]++; break;
case 4: a[4]++; break;
case 5: a[5]++; break;
case 6: a[6]++; break;
case 7: a[7]++; break;
case 8: a[8]++; break;
case 9: a[9]++; break;
default: cerr << "Error！" << endl; exit（-1）;
}

for（int icnt = 0; icnt ！= 10; ++icnt）
cout << icnt << ": " << setw（6） << setiosflags（ios::fixed） << setprecision（2） << double（a[icnt]）/Gen_max*100 << "%" << endl;

return 0;
}
double random（double start, double end）
{
return start+（end-start）*rand（）/（RAND_MAX + 1.0）;
}/* 运行结果
* 0: 10.01%
* 1: 9.99%
* 2: 9.99%
* 3: 9.99%
* 4: 9.98%
* 5: 10.01%
* 6: 10.02%
* 7: 10.01%
* 8: 10.01%
* 9: 9.99%
*/
可知用这种方法得到的随机数是满足统计规律的。
另：在Linux下利用GCC编译程序，即使我执行了1000000次运算，是否将random函数定义了inline函数似乎对程序没有任何影响，有理由相信，GCC已经为我们做了优化。但是冥冥之中我又记得要做inline优化得加O3才行...
不行，于是我们把循环次数改为10亿次，用time命令查看执行时间：
linuxidc@gentoo ~/workspace/test/Debug $ time ./test
0: 10.00%
1: 10.00%
2: 10.00%
3: 10.00%
4: 10.00%
5: 10.00%
6: 10.00%
7: 10.00%
8: 10.00%
9: 10.00%
real 2m7.768s
user 2m4.405s
sys 0m0.038s
linuxidc@gentoo ~/workspace/test/Debug $ time ./test
0: 10.00%
1: 10.00%
2: 10.00%
3: 10.00%
4: 10.00%
5: 10.00%
6: 10.00%
7: 10.00%
8: 10.00%
9: 10.00%
real 2m7.269s
user 2m4.077s
sys 0m0.025s
前一次为进行inline优化的情形，后一次为没有作inline优化的情形，两次结果相差不大，甚至各项指标后者还要好一些，不知是何缘由...更多详情见请继续阅读下一页的精彩内容： http://www.linuxidc.com/Linux/2014-11/109906p2.htm