std::mt19937 配 std::uniform_int_distribution 是 c++ 中唯一推荐的高性能、无偏差整数随机生成方式；rand() % n 存在数学偏差，rand() 周期短且低位相关性强，(rand() * n) / rand_max 因截断和 rand_max 非 2 的幂仍不均等，跨平台行为不一致；std::mt19937 应用 std::random_device 初始化，避免循环中重复构造，固定种子仅用于可复现场景；std::uniform_int_distribution 使用拒绝采样保证闭区间均匀性，轻量可复用；多线程下必须隔离引擎实例，因 operator() 非原子，共享引擎会导致重复序列、越界或未定义行为。
用 std::mt19937 配 std::uniform_int_distribution 是当前 C++ 中唯一推荐的高性能、无偏差整数随机生成方式；其他写法（如 rand()、手写取模、除法缩放）在分布质量或性能上都有硬伤。
为什么不能用 rand() % N 生成 [0, N) 整数
这不是精度问题，是数学层面的偏差：假设 RAND_MAX == 32767，而你要生成 [0, 6)，那么 32768 个输出值无法被 6 均分，余下 2 个值会“溢出”到前两个桶里——导致 0 和 1 的概率比 2~5 高约 0.003%。百万次抽样就能明显暴露差异。
更糟的是：rand() 周期短、低位比特相关性强，rand() & 1 这类操作甚至可能只交替输出 0/1。
- 别信“加个 time(0) 就行”——种子只影响起点，不修复分布缺陷
- 别用
(rand() * N) / RAND_MAX——整数除法截断 +RAND_MAX不一定是 2 的幂，边界仍不均等 - Windows 上
RAND_MAX可能只有 32767，Linux 可能是 2147483647，跨平台行为不一致
std::mt19937 引擎初始化的三个关键点
引擎本身不产生“可用随机数”，它只是高质量比特流的源头；它的构造和使用方式直接影响性能与可复现性。
- 种子用
std::random_device：它在 Linux/macOS 读/dev/urandom，Windows 调用 BCryptGenRandom，是目前最便携的真实熵源；写成std::mt19937 gen{std::random_device{}()}即可 - 避免在循环里反复构造引擎：
std::mt19937构造含状态数组初始化，开销约数百纳秒；高频调用场景下必须复用同一实例 - 需要可复现序列时才用固定种子：比如单元测试或仿真回放，写成
std::mt19937 gen(12345)；生产环境别这么干
std::uniform_int_distribution<int></int> 的行为细节
这个分布对象负责把引擎输出的 32 位整数，无偏映射到你指定的闭区间 [a, b]。它内部用 rejection sampling（拒绝采样），不是简单缩放，所以能保证数学上的均匀性。
- 参数是闭区间：
std::uniform_int_distribution<int> dist(10, 99)</int>生成的是 10~99（含两端）的整数，不是 10~98 - 分布对象轻量，可按需定义一次后反复调用：
dist(gen)；不必每次生成都 new 一个 - 不要手动调用
dist.reset()：除非你明确要丢弃缓存的备用随机数（极少数场景） - 若需多个不同范围，定义多个分布对象即可，它们共享同一个引擎
gen
多线程下必须隔离引擎实例
std::mt19937 的 operator() 非原子，内部修改状态变量。多个线程并发调用同一引擎，会导致：
- 生成重复序列（状态被覆盖）
- 返回全零或极大值（内部数组索引越界）
- 极小概率触发未定义行为（取决于标准库实现）
正确做法是每个线程持有一个独立引擎实例，例如用 thread_local std::mt19937 gen{std::random_device{}()}；或者由线程池统一初始化后传入，但绝不可全局共享单例。
真正容易被忽略的是：即使你只读 dist(gen)，只要 gen 是共享的，就已踩中线程安全红线——分布对象本身无状态，但引擎有。
C++免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 C++ 的入门与实战技巧！
