来自微软的Stephan T.Lavavej(stl)在Going Native上做了一次关于如何使用新的C++11随机函数以及为什么不使用rand()的演讲。 在里面，他包括了一张幻灯片，基本上解决了你的问题。 我从下面的幻灯片中复制了代码。

你可以在这里看到他的演讲全文:http://channel9.msdn.com/events/goingnative/2013/rand-consexted-ballight

#include <random>
#include <iostream>

int main() {
    std::random_device rd;
    std::mt19937 mt(rd());
    std::uniform_real_distribution<double> dist(1.0, 10.0);

    for (int i=0; i<16; ++i)
        std::cout << dist(mt) << "\n";
}

我们使用random_device一次来为名为mt的随机数生成器植入种子。 random_device()比MT19937慢，但它不需要被植入种子，因为它从操作系统请求随机数据（这些数据将来自不同的位置，例如RDROND）。

查看此问题/答案，Uniform_Real_Distribution似乎返回了一个[a，b)范围内的数字，您需要[a，b]的位置。为此，我们的Uniform_Real_Distribution实际上应该如下所示:

std::uniform_real_distribution<double> dist(1, std::nextafter(10, DBL_MAX));

我的“random”库提供了一个非常方便的C++11随机类的包装器。 你可以用一个简单的'get'方法做几乎所有的事情。

示例:

>

auto val = Random::get(-10, 10); // Integer
auto val = Random::get(10.f, -10.f); // Float point

auto val = Random::get<bool>( ) // 50% to generate true
auto val = Random::get<bool>( 0.7 ) // 70% to generate true

auto val = Random::get( { 1, 3, 5, 7, 9 } ); // val = 1 or 3 or...

auto it = Random::get( vec.begin(), vec.end() ); // it = random iterator
auto it = Random::get( vec ); // return random iterator

我把上面所有的东西都翻红了，还有大约40页用C++写的，然后看了Stephan T.Lavavej的视频“STL”，我仍然不知道随机数在实践中是如何工作的，所以我花了整整一个星期天来弄清楚它的全部内容，它的工作原理和使用方法。

在我看来，STL关于“不再使用srand”的说法是对的，他在视频2中解释得很好。 他还建议使用:

a）void random_device_uniform()--用于加密生成，但速度较慢（来自我的示例）

b）MT19937示例--速度更快，能够创建种子，不加密

我拿出了所有我能接触到的C++11书，找到了F.E。 像Breymann(2015)这样的德国作者仍然使用

srand( time( 0 ) );
srand( static_cast<unsigned int>(time(nullptr))); or
srand( static_cast<unsigned int>(time(NULL))); or

只使用而不是； 和#includings-所以请注意只从一本书中学习:）。

意思-从C++11开始就不应该使用了，因为:

程序通常需要一个随机数源。 在新标准之前，C和C++都依赖于一个名为rand的简单C库函数。 该函数产生伪随机整数，这些伪随机整数均匀分布在从0到至少为32767的依赖于系统的最大值的范围内。 rand函数有几个问题:许多程序（如果不是大多数的话）需要的随机数范围与rand产生的范围不同。 有些应用程序需要随机浮点数。 有些程序需要反映非均匀分布的数字。 当程序员试图转换由RAND生成的数字的范围，类型或分布时，他们经常引入非随机性。 （引用自Lippmans C++入门版，2012年第五版）

我终于在Bjarne Stroustrups的20本书中找到了最好的解释--他应该知道他的东西--在《2019年C++之旅》，《2016年C++编程原则和实践》和《2014年C++编程语言第四版》中，还有《2012年Lippmans C++入门第五版》中的一些例子:

而且它真的很简单，因为随机数发生器由两部分组成:（1）产生随机或伪随机值序列的引擎。 （2）将这些值映射成一个范围内的数学分布的分布。

尽管Microsofts STL guy有这样的看法，Bjarne Stroustrups写道:

在中，标准库提供随机数引擎和分布(§24.7)。 默认情况下，使用default_random_engine，选择它是为了广泛的适用性和低成本。

void die_roll()示例来自Bjarne Strousstrups--使用生成引擎和发行版的好主意（此处更详细）。

为了能够在中实际使用标准库提供的随机数生成器，这里有一些带有不同示例的可执行代码，这些代码减少到最小的必要程度，希望能为你们节省时间和金钱:

    #include <random>     //random engine, random distribution
    #include <iostream>   //cout
    #include <functional> //to use bind

    using namespace std;


    void space() //for visibility reasons if you execute the stuff
    {
       cout << "\n" << endl;
       for (int i = 0; i < 20; ++i)
       cout << "###";
       cout << "\n" << endl;
    }

    void uniform_default()
    {
    // uniformly distributed from 0 to 6 inclusive
        uniform_int_distribution<size_t> u (0, 6);
        default_random_engine e;  // generates unsigned random integers

    for (size_t i = 0; i < 10; ++i)
        // u uses e as a source of numbers
        // each call returns a uniformly distributed value in the specified range
        cout << u(e) << " ";
    }

    void random_device_uniform()
    {
         space();
         cout << "random device & uniform_int_distribution" << endl;

         random_device engn;
         uniform_int_distribution<size_t> dist(1, 6);

         for (int i=0; i<10; ++i)
         cout << dist(engn) << ' ';
    }

    void die_roll()
    {
        space();
        cout << "default_random_engine and Uniform_int_distribution" << endl;

    using my_engine = default_random_engine;
    using my_distribution = uniform_int_distribution<size_t>;

        my_engine rd {};
        my_distribution one_to_six {1, 6};

        auto die = bind(one_to_six,rd); // the default engine    for (int i = 0; i<10; ++i)

        for (int i = 0; i <10; ++i)
        cout << die() << ' ';

    }


    void uniform_default_int()
    {
       space();
       cout << "uniform default int" << endl;

       default_random_engine engn;
       uniform_int_distribution<size_t> dist(1, 6);

        for (int i = 0; i<10; ++i)
        cout << dist(engn) << ' ';
    }

    void mersenne_twister_engine_seed()
    {
        space();
        cout << "mersenne twister engine with seed 1234" << endl;

        //mt19937 dist (1234);  //for 32 bit systems
        mt19937_64 dist (1234); //for 64 bit systems

        for (int i = 0; i<10; ++i)
        cout << dist() << ' ';
    }


    void random_seed_mt19937_2()
    {
        space();
        cout << "mersenne twister split up in two with seed 1234" << endl;

        mt19937 dist(1234);
        mt19937 engn(dist);

        for (int i = 0; i < 10; ++i)
        cout << dist() << ' ';

        cout << endl;

        for (int j = 0; j < 10; ++j)
        cout << engn() << ' ';
    }



    int main()
    {
            uniform_default(); 
            random_device_uniform();
            die_roll();
            random_device_uniform();
            mersenne_twister_engine_seed();
            random_seed_mt19937_2();
        return 0;
    }

我认为这一切都加起来了，就像我说的，它花了我大量的阅读和时间来提炼它的例子-如果你有更多关于数字生成的东西，我很高兴听到通过pm或在评论部分，并将添加它，如果有必要或编辑这篇文章。 布尔