OI Wiki
简介比赛相关工具软件语言基础算法基础搜索动态规划字符串数学数据结构图论计算几何杂项专题关于 Hulu

随机函数

概述

要想使用随机化技巧，前提条件是能够快速生成随机数。本文将介绍生成随机数的常见方法。

随机数与伪随机数

说一个单独的数是「随机数」是无意义的，所以以下我们都默认讨论「随机数列」，即使提到「随机数」，指的也是「随机数列中的一个元素」。

现有的计算机的运算过程都是确定性的，因此，仅凭借算法来生成真正 不可预测、不可重复 的随机数列是不可能的。

然而在绝大部分情况下，我们都不需要如此强的随机性，而只需要所生成的数列在统计学上具有随机数列的种种特征（比如均匀分布、互相独立等等）。这样的数列即称为 伪随机数 序列。

随机数与伪随机数在实际生活和算法中的应用举例：

  • 抽样调查时往往只需使用伪随机数。这是因为我们本就只关心统计特征。
  • 网络安全中往往要用到（比刚刚提到的伪随机数）更强的随机数。这是因为攻击者可能会利用可预测性做文章。
  • OI/ICPC 中用到的随机算法，基本都只需要伪随机数。这是因为，这些算法往往是 通过引入随机数 来把概率引入复杂度分析，从而降低复杂度。这本质上依然只利用了随机数的统计特征。
  • 某些随机算法（例如 Moser 算法）用到了随机数的熵相关的性质，因此必须使用真正的随机数。

实现

rand

用于生成伪随机数，缺点是比较慢，使用时需要 #include<cstdlib>。

调用 rand() 函数会返回一个 [0,RAND_MAX] 中的随机非负整数，其中 RAND_MAX 是标准库中的一个宏，在 Linux 系统下 RAND_MAX 等于 。可以用取模来限制所生成的数的大小。

使用 rand() 需要一个随机数种子，可以使用 srand(seed) 函数来将随机种子更改为 seed，当然不初始化也是可以的。

同一程序使用相同的 seed 两次运行，在同一机器、同一编译器下，随机出的结果将会是相同的。

有一个选择是使用当前系统时间来作为随机种子：srand(time(0))。

在 Windows 系统下 rand() 返回值的取值范围为 （即 RAND_MAX 等于 ），当需要生成的数不小于 时建议使用 (rand() << 15 | rand()) 来生成更大的随机数。

关于 rand() 和 rand()%n 的随机性：

  • C/C++ 标准并未关于 rand() 所生成随机数的任何方面的质量做任何规定。
  • GCC 编译器对 rand() 所采用的实现方式，保证了分布的均匀性等基本性质，但具有 低位周期长度短 等明显缺陷。（例如在笔者的机器上，rand()%2 所生成的序列的周期长约 ）
  • 即使假设 rand() 是均匀随机的，rand()%n 也不能保证均匀性，因为 [0,n) 中的每个数在 0%n,1%n,...,RAND_MAX%n 中的出现次数可能不相同。

预定义随机数生成器

定义了数个特别的流行算法。如没有特别说明，均定义于头文件 <random>。

预定义随机数生成器仅在于 C++11 标准1中开始使用。

mt19937

是一个随机数生成器类，效用同 rand()，随机数的范围同 unsigned int 类型的取值范围。

其优点是随机数质量高（一个表现为，出现循环的周期更长；其他方面也都至少不逊于 rand()），且速度比 rand() 快很多。使用时需要 #include<random>。

mt19937 基于 32 位梅森缠绕器，由松本与西村设计于 1998 年2，使用时用其定义一个随机数生成器即可：std::mt19937 myrand(seed)，seed 可不填，不填 seed 则会使用默认随机种子。

mt19937 重载了 operator ()，需要生成随机数时调用 myrand() 即可返回一个随机数。

另一个类似的生成器是 mt19937_64，基于 64 位梅森缠绕器，由松本与西村设计于 2000 年，使用方式同 mt19937，但随机数范围扩大到了 unsigned long long 类型的取值范围。

#include <ctime>
#include <iostream>
#include <random>

using namespace std;

int main() {
  mt19937 myrand(time(0));
  cout << myrand() << endl;
  return 0;
}

minstd_rand0

线性同余算法由 Lewis、Goodman 及 Miller 发现于 1969，由 Park 与 Miller 于 1988 采纳为「最小标准」。

计算公式如下，其中 为预定义常数。

minstd_rand() 是较新的“最小标准”，为 Park、Miller 和 Stockmeyer 于 1993 推荐。

对于 minstd_rand0()， 的类型取 32 位无符号整数， 取 16807， 取 0， 取 2147483647。

对于 minstd_rand()， 的类型取 32 位无符号整数， 取 48271， 取 0， 取 2147483647。

random_shuffle

用于随机打乱指定序列。使用时需要 #include<algorithm>。

使用时传入指定区间的首尾指针或迭代器（左闭右开）即可：std::random_shuffle(first, last) 或 std::random_shuffle(first, last, myrand)

内部使用的随机数生成器默认为 rand()。当然也可以传入自定义的随机数生成器。

关于 random_shuffle 的随机性：

  • C++ 标准中要求 random_shuffle 在所有可能的排列中 等概率 随机选取，但 GCC3编译器 并未 严格执行。
  • GCC 中 random_shuffle 随机性上的缺陷的原因之一，是因为它使用了 rand()%n 这样的写法。如先前所述，这样生成的不是均匀随机的整数。
  • 原因之二，是因为 rand() 的值域有限。如果所传入的区间长度超过 RAND_MAX，将存在某些排列 不可能 被产生4。

random_shuffle 已于 C++14 标准中被弃用，于 C++17 标准中被移除。

shuffle

效用同 random_shuffle。使用时需要 #include<algorithm>。

区别在于必须使用自定义的随机数生成器：std::shuffle(first, last, myrand)。

GCC3实现的 shuffle 符合 C++ 标准的要求，即在所有可能的排列中等概率随机选取。

下面是用 rand() 及 random_shuffle() 编写的一个数据生成器。生成数据为 「ZJOI2012」灾难 的随机小数据。

#include <algorithm>
#include <cstdlib>
#include <ctime>
#include <iostream>

int a[100];

int main() {
  srand(time(0));
  int n = rand() % 99 + 1;
  for (int i = 1; i <= n; i++) a[i] = i;
  std::cout << n << '\n';
  for (int i = 1; i <= n; i++) {
    std::random_shuffle(a + 1, a + i);
    int cnt = rand() % i;
    for (int j = 1; j <= cnt; j++) std::cout << a[j] << ' ';
    std::cout << 0 << '\n';
  }
}

下面是用 mt19937 及 shuffle() 编写的同一个数据生成器。

#include <algorithm>
#include <ctime>
#include <iostream>
#include <random>

int a[100];

int main() {
  std::mt19937 rng(time(0));
  int n = rng() % 99 + 1;
  for (int i = 1; i <= n; i++) a[i] = i;
  std::cout << n << '\n';
  for (int i = 1; i <= n; i++) {
    std::shuffle(a + 1, a + i, rng);
    int cnt = rng() % i;
    for (int j = 1; j <= cnt; j++) std::cout << a[j] << ' ';
    std::cout << 0 << '\n';
  }
}

下面是随机排列前十个正整数的一个实现。

#include <algorithm>
#include <iostream>
#include <iterator>
#include <random>

int main() {
  std::vector<int> v = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10};

  std::random_device rd;
  std::mt19937 g(rd());

  std::shuffle(v.begin(), v.end(), g);

  std::copy(v.begin(), v.end(), std::ostream_iterator<int>(std::cout, " "));
  std::cout << "\n";
}

非确定随机数的均匀分布整数随机数生成器

random_device 是一个基于硬件的均匀分布随机数生成器，在熵池耗尽 前可以高速生成随机数。该类在 C++11 定义，需要 random 头文件。由于熵池耗尽后性能急剧下降，所以建议用此方法生成 mt19937 等伪随机数的种子，而不是直接生成。

random_device 是非确定的均匀随机位生成器，尽管若不支持非确定随机数生成，则允许实现用伪随机数引擎实现。目前笔者尚未接到报告称 NOIP 评测机不支持基于硬件的均匀分布随机数生成。但出于保守考虑，建议使用该算法生成随机数种子。

参考代码如下。

#include <iostream>
#include <map>
#include <random>
#include <string>

int main() {
  std::random_device rd;
  std::map<int, int> hist;
  std::uniform_int_distribution<int> dist(0, 9);
  for (int n = 0; n < 20000; ++n) {
    ++hist[dist(rd)];  // 注意：仅用于演示：一旦熵池耗尽，
                       // 许多 random_device 实现的性能就急剧下滑
                       // 对于实践使用， random_device 通常仅用于
                       // 播种类似 mt19937 的伪随机数生成器
  }
  for (auto p : hist) {
    std::cout << p.first << " : " << std::string(p.second / 100, '*') << '\n';
  }
}

可能的输出如下。

0 : ********************
1 : *******************
2 : ********************
3 : ********************
4 : ********************
5 : *******************
6 : ********************
7 : ********************
8 : *******************
9 : ********************

随机数分布

这里介绍的是要求生成的随机数按照一定的概率出现，如等概率，伯努利分布，二项分布，几何分布，标准正态（高斯）分布。

类名请参照下表，本文仅以等概率整数作为示例，其余实现请替换类名。

类名注释
uniform_int_distribution产生在一个范围上均匀分布的整数值
uniform_real_distribution产生在一个范围上均匀分布的实数值
bernoulli_distribution产生伯努利分布上的布尔值。
binomial_distribution产生二项分布上的整数值。
negative_binomial_distribution产生负二项分布上的整数值。
geometric_distribution产生几何分布上的整数值。
poisson_distribution产生泊松分布上的整数值。
exponential_distribution产生指数分布上的实数值。
gamma_distribution产生 分布上的实数值
weibull_distribution产生威布尔分布上的实数值。
extreme_value_distribution产生极值分布上的实数值。
normal_distribution产生标准正态（高斯）分布上的实数值。
lognormal_distribution产生对数正态分布上的实数值。
chi_squared_distribution产生 分布上的实数值。
cauchy_distribution产生柯西分布上的实数值。
fisher_f_distribution产生费舍尔 F 分布上的实数值。
student_t_distribution产生学生 t 分布上的实数值。
discrete_distribution产生离散分布上的随机整数。
piecewise_constant_distribution产生分布在常子区间上的实数值。
piecewise_linear_distribution产生分布在定义的子区间上的实数值。

实现

下面的程序模拟了一个六面体骰子。

#include <iostream>
#include <random>

int main() {
  std::random_device rd;   // 将用于为随机数引擎获得种子
  std::mt19937 gen(rd());  // 以播种标准 mersenne_twister_engine
  std::uniform_int_distribution<> dis(1, 6);

  for (int n = 0; n < 10; ++n)
    // 用 dis 变换 gen 所生成的随机 unsigned int 到 [1, 6] 中的 int
    std::cout << dis(gen) << ' ';
  std::cout << '\n';
}

其他实现方法

有的时候我们需要实现自己的随机数生成器。下面是一些常用的随机数生成方法。

线性同余随机数生成器

利用下式来生成随机数序列 ：

其中 均为常数。

该方法实现难度低，但生成的随机序列周期长度较短（周期最大为 ，但大多数情况下都会比 短）。

#include <iostream>
using namespace std;

struct myrand {
  int A, B, P, x;

  myrand(int A, int B, int P) {
    this->A = A;
    this->B = B;
    this->P = P;
  }

  int next() { return x = (A * x + B) % P; }  // 生成随机序列的下一个随机数
};

myrand rnd(3, 5, 97);  // 初始化一个随机数生成器

int main() {
  int x = rnd.next();
  cout << x << endl;
  return 0;
}

时滞斐波那契随机数生成器

利用下式来生成随机数序列 （其中 ）：

这里的 通常取 的幂（常用 或 ）， 表示二元运算符，可以使用加法，减法，乘法，异或。

该方法较传统的线性同余随机数生成器而言，拥有更长的周期，但随机性受初始条件影响较大。

#include <iostream>
#include <vector>
using namespace std;

struct myrand {
  vector<unsigned> vec;
  int l, j, k, cur;

  myrand(int l, int j, int k) {
    this->l = l;
    this->j = j;
    this->k = k;
    cur = 0;
    for (int i = 0; i < l; i++) {
      vec.push_back(rand());  // 先用其他方法生成随机序列中的前几个元素
    }
  }

  unsigned next() {
    vec[cur] = vec[(cur - j + l) % l] * vec[(cur - k + l) % l];
    // 这里用 unsigned 类型是为了实现自动对 2^32 取模
    return vec[cur++];
  }
};

myrand rnd(11, 4, 7);

int main() {
  unsigned x = rnd.next();
  cout << x << endl;
  return 0;
}

参考资料与注释

Footnotes

  1. 伪随机数生成 - cppreference.com ↩

  2. Mersenne Twister algorithm ↩

  3. 版本号为 GCC 9.2.0 ↩ ↩2

  4. Don't use rand(): a guide to random number generators in C++ ↩

贡献者：@Ir1d@Jiahui@mgt@Shuhao@Tianyi@Xeonacid@Vivian@Henry-ZHR@abc1763613206@ouuan@R-G-Mocoratioen@partychicken@orzcyand1317

本页面最近更新：2/3/2023, 12:00:00 AM，更新历史

发现错误？想一起完善？ 在 GitHub 上编辑此页！

本页面的全部内容在 CC BY-SA 4.0 和 SATA 协议之条款下提供，附加条款亦可能应用

评论

0 条评论
未登录用户

Copyright © 2016 - 2023 OI Wiki Team

最近更新：fd2ec2c, 2023-02-03

联系方式：Telegram 群组 / QQ 群组