【C++11】随机数函数库random

c++11 随机数函数库 使用


1. 随机数由生成器和分布器结合产生

生成器generator:能够产生离散的等可能分布数值

分布器distributions: 能够把generator产生的均匀分布值映射到其他常见分布,如均匀分布uniform,正态分布normal,二项分布binomial,泊松分布poisson

2. 分布器利用运算符()产生随机数,要传入一个generator对象作为参数

1
2
3
4
5
6
std::default_random_engine generator;
std::uniform_int_distribution<int> dis(0,100);
for(int i=0;i<5;i++)
{
std::cout<<dis(generator)<<std::endl;
}

如果嫌每次调用都要传入generator对象麻烦,可以使用std::bind,要包含头文件functional

auto dice = std::bind(distribution,generator)以后就可以直接调用dice()产生复合均匀分布的随机数。但是多次运行上例会发现每次产生的随机数序列都一样,因为没有设定种子(同cstdlib库中的rand和srand关系)

1
2
3
4
5
6
7
std::default_random_engine generator;
std::uniform_int_distribution<int> dis(0,100);
auto dice= std::bind(dis,generator);
for(int i=0;i<5;i++)
{
std::cout<<dice()<<std::endl;
}

3. 种子

​ 除了random_device生成器(真随机数生成器或叫f非确定性随机数生成器)以外(linux中有效,windows下其实也是伪随机),所有在库中定义的随机数引擎都是伪随机数生成器,他们都利用了特定的算法实现,这些生成器都需要一个种子。种子可以是一个数值,或者是一个带有generate成员函数的对象。简单的应用中,用time作种子即可。

说明:如果不设定种子,那么产生的随机数序列每次都一样,如上代码,产生5个1到6之间的随机数,但是每次都是82 13 91 84 12

改为如下代码,可以使每次产生的随机数序列不同:

1
2
3
4
5
6
7
std::default_random_engine generator(time(NULL));
std::uniform_int_distribution<int> dis(0,100);
auto dice= std::bind(dis,generator);
for(int i=0;i<5;i++)
{
std::cout<<dice()<<std::endl;
}

4. 关于生成器

C++11标准提供了三个生成器模版类可以实例化为生成器,但需要有一定的数学功底才懂得每个模版参数的意义,可参照算法出处的论文。

这三个生成器类模版为:

linear_congruential_engine 线性同余法

mersenne_twister_engine 梅森旋转法

substract_with_carry_engine滞后Fibonacci

线性同余法举例

1
template <class UIntType, UIntType a, UIntType c, UIntType m>
1
class linear_congruential_engine;
1
2
3
第一个参数:生成器类型unsigned int,unsigned long等
第二到第四个参数:是线性同余法公递推公式Nj+i =(AxNj+C) (mod M)里的三个常数值A,C,M
要求:如果m不为0,a,c的值要小于m

如一会介绍的常用生成器:

1
2
typedef linear_congruential<unsigned long, 16807, 0, 2147483647> minstd_rand0;
typedef linear_congruential<unsigned long, 48271, 0, 2147483647> minstd_rand;

可见如果自己实例化模版类很麻烦,需要很强的数序知识,所以有几个常用的几个模版实例化生成器,他们都是需要一个种子参数就可以:

4.1. 线性同余法:

minstd_rand()

minstd_rand0

利用适配器变种后的线性同余法

knuth_b minstd_rand0 with shuffle_order_engine

4.2. 梅森旋转法:

default_random_engine()

mt19937

mt19937_64

4.3. 滞后Fibonacci法

ranlux24_base

ranlux48_base

利用适配器变种后的滞后Fibonacci法:

ranlux24 ranlux24_base with discard_block_engine

ranlux48 ranlux48_base with discard_block_engine

三个适配器:discard_block_engine shuffle_order_engine independent_bits_engine

5. 关于分布器

易知,如果只用generator配上seed只能产生离散的等可能分布,产生的数值在generator的min和max之间,并且结果都是UIntType的值。无法很好的控制产生数值的分布区间和分布概率。如果要实现这种功能就要用到分布器。

作用1:改变生成类型,利用模版参数

作用2:改变值区间,利用实例构造函数参数。或其响应的成员函数设置参数。

作用3:改变概率分布,选用不同的分布器类型

5.1. 均匀分布:

uniform_int_distribution 整数均匀分布

uniform_real_distribution 浮点数均匀分布

5.2. 伯努利类型分布:(仅有yes/no两种结果,概率一个p,一个1-p)

bernoulli_distribution 伯努利分布

binomial_distribution 二项分布

geometry_distribution 几何分布

negative_biomial_distribution 负二项分布

5.3. Rate-based distributions:

poisson_distribution 泊松分布

exponential_distribution 指数分布

gamma_distribution 伽马分布

weibull_distribution 威布尔分布

extreme_value_distribution 极值分布

5.4. 正态分布相关:

normal_distribution 正态分布

chi_squared_distribution 卡方分布

cauchy_distribution 柯西分布

fisher_f_distribution 费歇尔F分布

student_t_distribution t分布

5.5. 分段分布相关:

discrete_distribution 离散分布

piecewise_constant_distribution 分段常数分布

piecewise_linear_distribution 分段线性分布