c++oding="utf-8" ?>
必须用 std::mt19937 配合 std::random_device 初始化，λ 应控制在 1–100 以保证精度和性能；多线程需 thread_local 引擎，分布对象可复用；验证须检查方差与卡方检验，而非仅均值或前几项输出。
用 std::poisson_distribution 最直接，但得配对合适的随机引擎
标准库提供了现成的泊松分布生成器，但很多人卡在引擎选择上——std::default_random_engine 看似省事，实际可能因实现差异导致分布偏差或重复序列。推荐固定用 std::mt19937（Mersenne Twister），它在各平台行为稳定，且周期足够长。
- 必须用
std::mt19937配合std::random_device初始化种子：std::random_device rd; std::mt19937 gen(rd());
-
std::poisson_distribution<int></int>构造时传入期望值 λ（必须 ≥ 0）：std::poisson_distribution<int> dist(3.5);</int> - 每次调用
dist(gen)返回一个符合泊松分布的整数，不是浮点数，也不是概率密度值
λ 很小（比如 1000）时，性能和精度会出问题
标准库实现对中等 λ（约 1–100）最友好。λ 过小时，多数采样结果为 0，但引擎仍做完整计算；λ 过大时，某些 libstdc++ 版本（如 GCC 9 及更早）会因内部算法溢出或退化为正态近似，导致尾部概率失真。
- λ exp(-λ) 个均匀随机数直到累积和超 1）
- λ > 1000：显式切换到正态近似：
static_cast<int>(std::round(std::normal_distribution<double>(lambda, std::sqrt(lambda))(gen)))</double></int>，并加边界修正（避免负值） - 别依赖
std::poisson_distribution的min()/max()成员函数判断范围——它们返回理论极值，不反映实际采样稳定性
多线程环境下不能共用同一个 std::mt19937 实例
引擎状态是可变的，operator() 调用会修改内部状态。若多个线程并发调用同一引擎实例，结果未定义，还可能引发数据竞争。
- 每个线程应持有独立的
std::mt19937实例（可用线程局部存储：thread_local std::mt19937 gen(rd());） - 分布对象（
std::poisson_distribution）本身是无状态的，可全局或静态复用，但别把它和引擎绑在一起传参 - 如果用
std::seed_seq初始化多个引擎，确保种子源足够熵——std::random_device在某些嵌入式环境可能退化为常量，需 fallback 检测
验证生成结果是否真符合泊松分布？别只看均值
均值接近 λ 只是必要条件，不是充分条件。泊松分布的关键特征是方差也等于 λ，且 k=0,1,2… 的概率严格满足 P(k) = e^{-λ} λ^k / k!。实测时容易忽略离散性带来的直方图 binning 问题。
- 至少采集 10000 个样本，统计频次后计算样本方差——应落在
λ ± 3*sqrt(2*λ/N)区间内（N 是样本数） - 用卡方检验（chi-square test）比肉眼观察直方图可靠；注意合并低频 bin（如 k > λ+5*sqrt(λ) 的所有值归为一档）
- 别用
std::cout直接打印前 10 个数来“验货”——泊松分布天然有长尾，开头几个数全是 0 或 1 完全正常
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！
