C++ 比较随机数生成器

随机库供应了一系列随机数天生器，每种天生器都有不同的策略和属性。
在本示例中，我们将通过创建一个输出直方图来比较这些不同的选项。

如何做……

在本示例中，我们将比较C++随机库供应的不同随机数天生器：

我们首先定义一些常量，为随机数天生器供应统一的参数：

constexpr size_t n_samples{ 1000 }; constexpr size_t n_partitions{ 10 }; constexpr size_t n_max{ 50 };

n_samples 是要检讨的样本数，n_partitions 是要在个中显示样本的分区数，n_max 是直方图中条形的最大大小（由于四舍五入，这会有所不同）。

这些数字供应了引擎之间差异的合理显示。
增加样本数与分区数的比率每每会平滑曲线，并粉饰引擎之间的差异。

这是网络随机数样本并显示直方图的函数：

template <typename RNG> void histogram(const string_view& rng_name) { auto p_ratio = (double)RNG::max() / n_partitions; RNG rng{}; // 布局引擎工具 // 网络样本 vector<size_t> v(n_partitions); for(size_t i{}; i < n_samples; ++i) { ++v[rng() / p_ratio]; } // 显示直方图 auto max_el = std::max_element(v.begin(), v.end()); auto v_ratio = max_el / n_max; if(v_ratio < 1) v_ratio = 1; cout << format("engine: {}\n", rng_name); for(size_t i{}; i < n_partitions; ++i) { cout << format("{:02}:{:<{}}\n", i + 1, ' ', v[i] / v_ratio); } cout << '\n'; }

简而言之，这个函数在向量中存储网络的样本的直方图，然后在掌握台上以一系列星号显示直方图。

我们在main()中调用histogram()函数，如下所示：

int main() { histogram<std::random_device>("random_device"); histogram<std::default_random_engine>("default_random_engine"); // ... 其他引擎的调用 ... }

输出：

显示了前两个随机数天生器的直方图输出截图。
您的输出将会有所不同。

如果我们将n_samples的值提高到100,000，您将创造引擎之间的差异变得更加难以区分：

图 8.2 - 显示了具有100,000个样本的输出的截图。

它是如何事情的……

每个随机数引擎都有一个函数工具接口，用于返回序列中的下一个随机数：

result_type operator()();

函数工具返回一个随机值，该值在min()和max()值之间均匀分布。
所有随机数引擎都共享此接口。

histogram()函数通过模板中利用随机数引擎的类来利用这种统一性：

template <typename RNG>

（RNG是随机数天生器的常见缩写。
库文档将这些类称为引擎，这对我们的目的来说与RNG是同义词。
）

我们利用RNG类实例化一个工具，并在向量中创建一个直方图：

RNG rng{}; vector<size_t> v(n_partitions); for(size_t i{}; i < n_samples; ++i) { ++v[rng() / p_ratio]; }

这使得我们能够利用这种技能轻松比较各种随机数天生器的结果。

还有更多……

库中的每个随机数天生器都有不同的方法和特性。
当您多次运行直方图时，您会把稳到大多数引擎每次运行时都具有相同的分布。
这是由于它们是确定性的——也便是说，它们每次都会天生相同的数字序列。
std::random_device 在大多数系统上是非确定性的。
如果您须要更多的变革，可以利用它来初始化其他引擎之一。
利用当前日期和韶光来初始化RNG也是很常见的做法。

std::default_random_engine 对付大多数目的来说都是一个得当的选择。