蒙特卡洛估算π不能只靠rand()，因其返回整数，除以RAND_MAX后低位比特存在周期性缺陷，导致[0,1)分布不均匀，进而使圆内点比例偏差、收敛慢；现代C++应使用std::mt19937配合std::uniform_real_distribution，并以std::random_device初始化种子。
为什么蒙特卡洛估算 π 不能只靠 rand()？
直接用 rand() 生成 [0,1) 区间浮点数再平方判断是否在单位圆内，结果往往偏高或收敛慢——因为 rand() 返回的是整数，强制除以 RAND_MAX 后分布并不均匀，尤其在低位比特上存在周期性缺陷。现代 C++ 应该用 std::uniform_real_distribution<double></double> 配合 std::mt19937，否则 100 万次采样误差可能还在 ±0.01 量级。
实操建议：
- 用
std::random_device初始化std::mt19937，避免种子固定 - 分布对象必须复用，不要每次循环都构造新
std::uniform_real_distribution（它内部有状态缓存） - 采样点坐标范围设为 [-1,1] 更直观：判断
x*x + y*y 即可，不用平移
怎么写一个不依赖第三方库的完整估算函数？
核心逻辑就三步：生成随机点、统计落入单位圆内的数量、套公式 π ≈ 4 × (圆内点数 / 总点数)。下面是一个可直接编译运行的最小实现：
#include <random>
#include <iostream>
#include <iomanip><p>double estimate_pi(size_t n_samples) {
std::random_device rd;
std::mt19937 gen(rd());
std::uniform_real_distribution<double> dis(-1.0, 1.0);</double></p>
<pre class="brush:php;toolbar:false;">size_t inside = 0;
for (size_t i = 0; i <p>}</p><div class="aritcle_card flexRow artxards">
<div class="artcardd flexRow">
<a class="aritcle_card_img" rel="nofollow" href="/xiazai/skill5502" title="C++ Code Review Master"><img
src="https://img.php.cn/upload/skill/000/000/081/179051228971575.jpg" alt="C++ Code Review Master" onerror="this.onerror='';this.src='/static/lhimages/moren/morentu.png'" ></a>
<div class="aritcle_card_info flexColumn">
<a rel="nofollow" href="/xiazai/skill5502" title="C++ Code Review Master" class="overflowclass">C++ Code Review Master</a>
<p class="overflowclass">组合式C++代码评审方案，融合静态分析、AI推理、多轮迭代评审和C++专项检查，适用于PR审查、增量代码审查、全项目评审和代码质量评分，触发词包括review cpp、cpp代码评审、C++review、代码审查。</p>
</div>
<a rel="nofollow" href="/xiazai/skill5502" title="C++ Code Review Master" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span>
</a>
</div>
</div><p>int main() {
std::cout </p>
误差大、收敛慢？检查这几个关键点
蒙特卡洛估算 π 的标准误差理论值是 ~0.5/√n，100 万次采样理论误差约 0.0005。如果实际误差远大于此，大概率是以下问题：
-
std::uniform_real_distribution的上下界写反了，比如dis(0.0, 1.0)但没把正方形区域同步改成 [0,1]×[0,1]，导致只用了四分之一象限却仍乘 4 - 用
int存inside计数，当n_samples超过 2³¹ 时溢出（应改用size_t或unsigned long long） - 重复调用
std::random_device()构造多个gen，导致所有采样器共享同一底层熵源，实际随机性退化 - 编译时未开优化（
-O2），dis(gen)的内联被抑制，性能差还易触发浮点异常
想更快？别硬堆采样数，试试向量化或分块
单线程下 1000 万次采样在现代 CPU 上约 20–30ms，继续加到 1 亿只会线性增长耗时，但误差只改善 10 倍。更实际的做法是：
- 用
std::vector<:pair>></:pair>预生成一批点（如 10 万），再用std::for_each并行处理（需<execution></execution>和std::execution::par） - 避免分支预测失败：把
if (x*x+y*y 改成 <code>inside += (x*x+y*y，让编译器生成条件移动指令 - 若允许 SSE/AVX，可用
__m128d一次算 2 个点（双精度），但要注意std::uniform_real_distribution不支持批量生成，得自己实现 Box-Muller 或 RANLUX 变体
真正影响精度上限的不是采样总数，而是随机数生成器的周期和分布质量——std::mt19937 周期 2¹⁹⁹³⁷−1，对 10⁹ 级采样已足够；但若用 std::minstd_rand，周期仅 2³¹−1，采样超 2000 万后就开始重复模式。
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！
