C++中推荐使用C++11的库替代传统rand()函数。1. rand()范围小、分布不均、线程不安全；2. 库通过引擎、种子生成器和分布三者分离，提供高质量、可控制的随机数；3. 示例显示避免取模偏差，支持多种分布；4. 可复用引擎提升性能；5. 新项目应优先选用，旧代码建议逐步替换。
在C++中生成随机数，有两种主流方式：传统的 rand() 函数和C++11引入的
传统 rand() 函数的基本用法与局限
rand() 来自C语言的 stdlib.h，使用简单但问题较多：
- 生成的是0到RAND_MAX之间的整数（通常为32767），范围有限
- 默认种子固定，不调用 srand() 会导致每次运行程序产生相同序列
- 数值分布可能不均匀，尤其用取模操作获取指定范围时容易产生偏移
- 线程安全性差，多个线程同时调用可能导致状态冲突
示例代码：
#include#include
int main() {
srand(time(0)); // 设置种子
int random_num = rand() % 100; // 0~99
return 0;
}
C++11 库的优势与基本结构
C++11的
立即学习“C++免费学习笔记（深入）”；
- 引擎（Engine）：如 std::mt19937，基于梅森旋转算法，周期长、分布均匀
- 种子生成器（Seed generator）：如 std::random_device，提供真随机种子
- 分布（Distribution）：控制输出格式，如整数、浮点、正态分布等
这种分离设计让开发者能精确控制随机行为。
实际使用示例：生成高质量随机数
以下是如何用
#include iostream>
int main() {
std::random_device rd; // 真随机种子源
std::mt19937 gen(rd()); // 梅森旋转引擎
std::uniform_int_distribution
int random_num = dis(gen);
std::cout return 0;
}
这段代码避免了取模偏差，且每次运行结果不同，适合对随机性要求高的场景。
高级用法：多种分布与性能优化
- std::uniform_real_distribution：生成浮点数
- std::normal_distribution：正态分布，适合模拟自然现象
- std::bernoulli_distribution：伯努利试验，返回true/false
对于性能敏感场景，可复用引擎实例，避免频繁构造：
static std::mt19937& get_generator() {static std::mt19937 gen(std::random_device{}());
return gen;
}
这样可以在多个函数间共享同一个高质量随机引擎。
基本上就这些。相比老旧的 rand()，C++11的
