概述
C++ <random> 库将随机数生成器与概率分布解耦——生成器(engine)产生均匀分布的伪随机比特，分布(distribution)将其映射到目标概率分布。这解决了 C 中 rand() % N 的偏差问题和分布单一问题。
推荐工作流：用 random_device 取真随机种子 → 初始化 mt19937 生成器 → 用分布对象产生目标分布的值。
核心组件
生成器
| 组件 | 说明 |
|---|---|
random_device | 硬件熵源，真随机（或接近真随机），仅用于种子 |
mt19937 | 梅森旋转，周期 2^19937-1，标准选择 |
mt19937_64 | 64 位版本 |
minstd_rand | 最小标准线性同余，体积小但周期短 |
default_random_engine | 平台默认生成器 |
分布
| 分布 | 说明 |
|---|---|
uniform_int_distribution | 均匀整数分布 [a, b]（闭区间） |
uniform_real_distribution | 均匀实数分布 [a, b)（左闭右开） |
normal_distribution | 正态(高斯)分布，指定均值与标准差 |
bernoulli_distribution | 伯努利分布（true/false），指定 true 概率 |
discrete_distribution | 离散分布，指定各值的权重 |
exponential_distribution | 指数分布 |
poisson_distribution | 泊松分布 |
典型用法
基本工作流
FUNCTION demo_random:
rd = RANDOM_DEVICE() // 真随机源
gen = MT19937(rd()) // 用真随机数做种子
dice = UNIFORM_INT_DIST(1, 6) // [1, 6] 均匀分布
FOR i = 1 TO 5:
PRINT dice(gen) // 每次调用产生新随机数
END FOR
```cpp
### 各种分布
```cpp
FUNCTION demo_distributions:
gen = MT19937(RANDOM_DEVICE()())
uni_real = UNIFORM_REAL_DIST(0.0, 1.0)
PRINT uni_real(gen) // 0.0 ~ 1.0 均匀浮点
normal = NORMAL_DIST(70.0, 10.0) // 均值70，标准差10
PRINT normal(gen) // 接近正态分布值
coin = BERNOULLI_DIST(0.7) // 70% 概率为 true
PRINT coin(gen)
choices = DISCRETE_DIST({1, 3, 6}) // 权重 1:3:6
PRINT choices(gen) // 索引 2 概率最高
```cpp
### 洗牌
```cpp
FUNCTION demo_shuffle:
v = [1, 2, 3, 4, 5, 6]
gen = MT19937(RANDOM_DEVICE()())
SHUFFLE(v, gen) // 随机打乱
PRINT v // e.g. [3, 1, 5, 2, 6, 4]
```cpp
### 随机项目选择
```cpp
FUNCTION demo_sample:
src = [10, 20, 30, 40, 50]
dst = ARRAY OF SIZE(3)
gen = MT19937(RANDOM_DEVICE()())
SAMPLE(src, dst, 3, gen) // 不重复抽样 3 个
```cpp
---
- **时间与种子**: [[chrono|chrono]] — 用 `steady_clock::now()` 做种子
- **数值类型**: [[numeric|numeric]] — `numeric_limits`、`complex`
- **C 对照**: `rand()`/`srand()`（`<stdlib.h>`），存在偏差
- **返回目录**: