C++怎么生成随机数_C++产生指定范围随机数方法【干货】

应使用 std::random_device + std::mt19937 + std::uniform_int_distribution 生成均匀整数随机数，避免 rand() % N；整数分布为闭区间 [a, b]，浮点分布为左闭右开 [a, b)，需用 uniform_real_distribution 而非缩放整数结果。

用 std::uniform_int_distribution 生成指定范围整数随机数

别再用 rand() % N 了，它分布不均、低比特位周期短，且无法控制上下界精度。c++11 起标准推荐用 std::random_device + std::mt19937 + std::uniform_int_distribution 三件套。

关键点：

• std::random_device 用于生成真随机种子（实际可能退化为伪随机，但比 time(0) 强）
• std::mt19937 是 Mersenne Twister 算法，速度快、周期长（2¹⁹⁹³⁷−1），比 rand() 可靠得多
• std::uniform_int_distribution(a, b) 生成闭区间 [a, b] 内的均匀整数（注意：是闭区间，不是左闭右开）

示例：

#include  #include  
int main() { std::random_device rd; std::mt19937 gen(rd()); std::uniform_int_distribution dis(1, 6); // 生成 1~6 的整数
for (int i = 0; i < 5; ++i) {     std::cout << dis(gen) << ' '; }
}
立即学习“C++免费学习笔记（深入）”；
生成浮点随机数用 std::uniform_real_distribution 
要生成 [0.0, 1.0) 或 [a, b) 区间的浮点数，必须用 std::uniform_real_distribution，不能对整数分布结果做除法转换——那会破坏均匀性。
常见误区：

 Static_cast(rand()) / RAND_MAX：依赖 rand() 的质量，且分布仍不理想
手动缩放整数分布结果：比如 dis(gen) * 0.1，若 dis 是整型分布，会丢失小数精度和均匀性

正确做法：
std::uniform_real_distribution real_dis(0.0, 10.0); // [0.0, 10.0) std::cout << real_dis(gen) << 'n';
注意：std::uniform_real_distribution 默认是左闭右开区间 [a, b)，若需闭区间 [a, b]，得手动处理边界（通常没必要，除非业务强要求）。
 为什么不能全局复用同一个 std::mt19937 实例？
可以复用，但要注意线程安全和生命周期。常见错误写法：

在函数内定义 static std::mt19937 gen(std::random_device{}());：看似方便，但 std::random_device 构造可能抛异常，且多线程下非线程安全
把 gen 声明为全局变量：若多个模块并发调用，operator() 非原子，会导致状态错乱或未定义行为

稳妥做法：

每个线程持有一个 std::mt19937 实例（可封装进线程局部存储）
或每次需要时传入已初始化好的引擎引用（如函数参数）
若确定单线程，且生命周期可控，用局部静态引擎 + 一次初始化即可

兼容旧代码时怎么安全替换 rand()？
直接全局替换 rand() 宏或重定义不可取。更现实的做法是封装一个轻量适配器：
namespace myrand {     thread_local static std::mt19937 gen{std::random_device{}()}; 
int randint(int a, int b) {     std::uniform_int_distribution d(a, b);     return d(gen); }  double randdouble(double a, double b) {     std::uniform_real_distribution d(a, b);     return d(gen); }
}
立即学习“C++免费学习笔记（深入）”；
这样既避免宏污染，又保留语义清晰性；thread_local 保证线程安全，且不依赖全局状态初始化顺序。
真正容易被忽略的是：不同平台下 std::random_device 的实现差异很大——windows 上可能只是包装了 CryptGenRandom，linux 上读 /dev/urandom，而某些嵌入式或旧编译器环境可能完全回退到 deterministic seed。生产环境若需密码学强度，得额外判断 rd.entropy() 是否 > 0。