逆变换采样法通过cdf反函数将均匀随机数映射为目标分布，适用于解析反函数存在的连续分布；拒绝采样法用包围分布与接受率处理无解析反函数的复杂分布；查表法通过前缀和与二分查找加速离散化分布采样；ziggurat算法以矩形覆盖与尾部精确计算实现正态/指数分布高性能采样；simd向量化支持批量生成随机数提升吞吐率。
一、使用逆变换采样法生成非均匀分布随机数
逆变换采样法适用于累积分布函数（CDF）存在解析反函数的连续分布。该方法将均匀分布的随机数通过CDF的反函数映射到目标分布，保证输出严格符合指定概率密度函数（PDF）。
1、定义目标分布的PDF，例如指数分布：f(x) = λ·e^(−λx)，x ≥ 0。
2、推导其CDF：F(x) = 1 − e^(−λx)。
3、求解反函数：F⁻¹(u) = −ln(1 − u)/λ，其中u ∈ [0,1)为标准均匀随机数。
4、在C++中调用std::uniform_real_distribution
5、对每个输出值做边界检查，确保不出现数值溢出或NaN。
二、采用拒绝采样法处理无解析反函数的复杂分布
拒绝采样法不依赖CDF反函数，而是通过一个易于采样的包围分布（proposal distribution）和接受/拒绝机制来逼近目标分布，适用于任意可计算PDF的场景。
1、选择一个包围分布q(x)，满足存在常数M使得M·q(x) ≥ f(x)对所有x成立。
2、预计算M值，例如对双峰高斯混合分布，可取M = max(f(x)/q(x))的数值估计。
3、循环执行：生成x ∼ q(x)，生成u ∼ Uniform(0,1)，若u ≤ f(x)/(M·q(x))则接受x，否则丢弃。
4、使用std::mt19937_64作为底层引擎，提升单次采样吞吐量。
5、设置最大重试次数（如1000次），防止因M过大导致死循环。
三、基于分段线性近似与查表法加速离散化分布采样
当目标分布以离散概率质量函数（PMF）形式给出，或需高频调用时，查表法可将时间复杂度从O(log n)降至O(1)，显著提升吞吐率。
1、将连续PDF离散化为N个等宽区间，计算各区间积分近似概率pᵢ。
2、构造前缀和数组cumsum[i] = Σⱼ₌₀ⁱ pⱼ，并归一化至[0,1)区间。
3、生成均匀随机数u，使用std::lower_bound在cumsum中二分查找首个≥u的位置索引i。
4、返回对应区间的中心点或线性插值得到的浮点值。
5、启用编译器向量化提示（如#pragma GCC unroll 4）优化循环内插逻辑。
四、利用Ziggurat算法实现正态与指数分布的极致性能
Ziggurat算法通过预计算矩形覆盖区域与尾部精确采样结合，在保持统计正确性的同时消除大部分浮点运算与分支判断，是已知最快的通用非均匀采样方案之一。
1、预先生成固定层数（如128层）的矩形堆叠结构，每层存储xᵢ边界与yᵢ高度。
2、使用uint64_t种子驱动快速整数随机数生成，避免double转换开销。
3、主路径仅需一次整数比较与一次乘法：判断随机索引对应矩形是否被完全覆盖。
4、对落入顶层矩形的样本直接返回x = xᵢ + u·(xᵢ₋₁ − xᵢ)；否则进入尾部精确计算分支。
5、尾部使用快速log/exp近似（如logf_fast）替代标准库函数，降低延迟。
五、融合SIMD指令批量生成向量化随机数序列
现代CPU支持AVX-512等指令集，可一次性处理8个双精度浮点数。将标量采样逻辑改造为向量流水线，能成倍提升单位周期产出量，适用于蒙特卡洛仿真等吞吐敏感场景。
1、使用__m512d加载8个均匀随机数，全部来自同一std::uniform_real_distribution实例的批量填充。
2、对指数分布，执行_avx512_log_pd指令并广播λ倒数，完成8路−ln(u)/λ并行计算。
3、对正态分布，调用AVX优化的Box-Muller变体：同时计算sin/cos与sqrt(−2·ln(u))。
4、结果写入对齐的double[8]数组，确保后续访存不触发跨缓存行分裂。
5、在循环体内插入_mm512_zeroupper()防止AVX-SSE状态切换开销。
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！
