C語言隨機數生成完全指南：從 rand/srand 到 C++11 標準庫

C語言隨機數生成完全指南：從 rand/srand 到 C++11 標準庫

隨機數是模擬、遊戲、加密、統計採樣的基石。本文系統梳理 C 語言傳統 rand/srand 機制的核心原理、常見誤區、正確用法，並對比 C++11 <random> 現代標準庫的優勢，助你根據場景選擇最佳方案。

傳統 C 風格隨機數核心 API

標準種子初始化模式

#include <stdlib.h>
#include <time.h>

int main() {
    srand((unsigned)time(NULL));  // 以當前時間作種子
    for (int i = 0; i < 10; i++) {
        printf("%6d\n", rand());
    }
    return 0;
}

設計哲學解析： C 標準庫刻意不將時間種子內建於 rand()，原因包括：

1. 效率：避免每次調用重複初始化
2. 靈活性：允許高質量熵源（硬件 RNG、用戶輸入等）
3. 可重現性：固定種子便於測試回放、科學實驗復現
4. 確定性：偽隨機序列本質是確定性算法，可控性是特性非缺陷

常見誤區與正確範圍映射

❌ 錯誤：取模偏倚

// 錯誤！導致分佈不均
int x = rand() % 100;  // 0-99，但低數值概率略高

原因： RAND_MAX+1 通常不能被 100 整除，導致前 (RAND_MAX+1) % 100 個數值多出一次機會。

✅ 正確：浮點縮放法

// 生成 [0, n) 均勻分佈整數
int uniform_int(int n) {
    return (int)(n * rand() / (RAND_MAX + 1.0));
}

// 生成 [a, b] 閉區間整數
int uniform_range(int a, int b) {
    return a + (int)((b - a + 1) * rand() / (RAND_MAX + 1.0));
}

原理： 將 [0, RAND_MAX] 映射到 [0, 1) 實數區間，再線性縮放，數學期望均勻。

浮點隨機數生成

// [0.0, 1.0)
double rand_double() {
    return rand() / (RAND_MAX + 1.0);
}

// [a, b)
double rand_double_range(double a, double b) {
    return a + (b - a) * rand_double();
}

C++11 <random> 現代標準庫（強烈推薦）

C 風格 rand 存在周期短、低位隨機性差、線程不安全、分佈控制弱等缺陷。C++11 提供專業級設施：

#include <random>
#include <iostream>

int main() {
    // 1. 隨機引擎（梅森旋轉 MT19937，周期 2^19937-1）
    std::mt19937 eng(std::random_device{}());  // 硬件熵源播種
    
    // 2. 分佈器
    std::uniform_int_distribution dist_int(0, 99);     // [0,99] 整數
    std::uniform_real_distribution dist_real(0, 1); // [0,1) 實數
    std::normal_distribution dist_norm(0, 1);       // 正態分佈 μ=0,σ=1
    
    // 3. 使用
    for (int i = 0; i < 5; i++) {
        std::cout << dist_int(eng) << ' ' 
                  << dist_real(eng) << ' ' 
                  << dist_norm(eng) << '\n';
    }
    
    // 線程安全：每線程一引擎實例
    // 可序列化：保存/恢復引擎狀態
    return 0;
}

引擎選擇指南

工程最佳實踐清單

1. 優先用 C++11 <random>，除非嚴格受限於 C89/C99 環境
2. 種子來源：std::random_device（硬件熵）> time(nullptr) > 固定常量
3. 引擎複用：全局/線程局部靜態實例，避免重構開銷
4. 分佈器分離：引擎與分佈解耦，便於單元測試替換
5. 加密場景：必須用 OS 提供的 CSPRNG（/dev/urandom、CryptGenRandom、BCryptGenRandom），不可用偽隨機

隨機數質量直接關繫系統安全性、模擬準確性與測試可靠性。拋棄 rand()%N 這類「民間偏方」，擁抱標準庫的數學嚴謹性，是專業開發者的基本素養。