介绍
在新的标准之前，C和C++产生随机数都依赖与简单的C库函数rand()，这个函数产生一个伪随机数均匀分布在[0-system dependent maximum value(at least 32767)]。
但是rand()函数存在问题：有的程序需要不同的随机数范围，有的程序需要浮点随机数，有的程序可能需要的不是均匀分布的随机数。所以在程序员处理、转换这些问题的时候往往可能引入不随机的特性。
为了解决这个为题，新的c++库引入随机数库，定义在 <random> 头文件中，主要两个类:
| Engine | Distribution |
|---|---|
| 生成无符号整型的随机序列 | 利用Engine，根据特定的分布，返回随机数 |
random-number generator：指的是distribution 的对象关联一个Engine
知识点
库中的Distribution 和 Engine
详见: c++ prime p883-p885
| distribution | 说明 |
|---|---|
| 均匀分布 | ************************** |
| uniform_int_distribution<types> u(m,n) | 产生[m,n]均匀分布的整数 |
| uniform_real_distribution<types> u(m,n) | 产生[m,n]默认[0-1]均匀分布的实数 |
| 伯努利分布 | ************************** |
| bernoulli_distribution b( p ) | |
| binomial_distribution<types>b(t, p) | |
| geometric_distribution<types> g( p ) | |
| negative_binomial_distribution<types> nb(k, p) | |
| 泊松分布 | ************************* |
| poisson_distribution<types> p(x) | |
| exponential_distribution<types> e (lam) | |
| gamma_distribution <types> g(a, b) | |
| weibull_distribution<types> w (a, b) | |
| 正态分布 | ************************* |
| normal_distribution<types> n (m, s) | |
| lognomal_distribution<types> ln (m, s) | |
| chi_squared_distribution<types> c ( x ) | |
| cauchy_distribution<types> c (a, b) | |
| fisher_f__distribution<types> f (m, n) | |
| student_t__distribution<types> s( n) | |
| 抽样分布 | ************************* |
| discrete_distribution<types> d( i, j ) | |
| discrete__distribution<types> d { il } | |
| piecewise_constant_distribution<types> pc(b, e, w) | |
| piecewise_linear_distribution<types> pl(b, e, w) |
| Engine | 说明 |
|---|---|
| default_random_engine | |
| shuffle_order_engine | |
| linear_congruential_engine | |
| mersenne_twister_engine | |
| subtract_with_carry_engine | |
| discard_block_engine | |
| independent_bits_engine |
生成随机序列
- 我们需要注意的是：一个给定的random-number generator每次生成的序列都是一样的(这种情况有时候便于调试)，如下代码：
vector<unsigned int > bad_randVec()
{
default_random_engine e;
uniform_int_distribution<unsigned int> u(0, 9);
vector<unsigned int> ret;
for(int i=0; i<10; i++)
ret.push_back(u(e));
return ret;
}
如果想每个调用这个函数每次生成的序列不一样，有两种方案：
- (利用static)：
vector<unsigned int > bad_randVec()
{
static default_random_engine e;
static uniform_int_distribution<unsigned int> u(0, 9);
vector<unsigned int> ret;
for(int i=0; i<10; i++)
ret.push_back(u(e));
return ret;
}
- 利用seed
- 手动提供种子
defalut_random_engine e(32767); //第一种：初始化的时候
e.seed(32767) // 第二种: 初始化之后，调用成员函数
- 利用time()函数，头文件 <ctime>
defalut_random_engine e(time(0));
- 利用random_device，random_device提供()操作符,用来返回一个min()到max()之间的一个数字.可以理解真随机数
std::random_device rd;
defalut_random_engine e(rd(0));
其他类型分布
浮点数分布
以前通常是使用 rand()/RADN_MAX来产生[0 1]的实数均匀分布。但这是不准确的，因为int型相比于浮点数通常是精确度低，所以有的浮点数永远不会生成。
default_random_engine e;
uniform_real_distribution<double> u(0,1);
for(size_t i=0; i<10; i++)
cout << u(e) << " ";
注意：如果想使用默认的数据类型的分布(通常浮点数：double, 整数：int)， 我们传递模板参数为空，如：uniform_real_distribution<> u(0,1)
Normal Distribution
default_random_engine e;
normal_distribution<> n(4, 1.5);
vector<unsigned> vals(9); //记录0-9的每个数字的个数
for(size_t i=0; i<200; i++)
{
unsigned v = lround(n(e));
if(v< vals.size())
++vals[v];
}
for(size_t j=0; j!= vals.size(); ++j)
cout << j << ": " << string(vals[j], '*') << endl;
Bernoulli distribution
这不是一个模板类，是一个普通类，返回总是bool value
举例：假如你和电脑玩游戏，总有一个人先开始，who is first，我们可以通过 uniform_int_distribution<unsigned> (0, 1); 或者可以通过Bernoulli distribution来make a choice。
string resp;
default_random_engine e;
bernoulli_distribution b; // 默认 返回 true : false = 0.5 : 0.5
//bernoulli_distribution b(0.55); // 返回 true:false = 0.55:0.45
do
{
bool first = b(e);
cout << (first ? "computer first" : "you first") << endl;
cout << (play_game(first) ? "sorry, you lost" : "congratulations, you won" ) << endl;
cout << "pay again? enter yes or no" << endl;
}while(cin >> resp && resp[0] == 'y')
值得注意的是，我们 declare engine outside of loops，所以每次产生结果不一样，如果在loop内声明的话，每次的结果都是一样的