最可靠方式是用 std::uniform_real_distribution 配合 64 位引擎（如 std::mt19937_64）生成 [0,1) 区间高精度浮点数，其内部采用拒绝采样+比例缩放，严格保证均匀性与 double 的 53 位精度覆盖，避免手动除法导致的偏差。
用 std::uniform_real_distribution 生成 [0,1) 区间高精度浮点数
直接用 std::uniform_real_distribution<double></double> 是最可靠的方式，它基于底层引擎（如 std::mt19937_64）输出符合数学定义的均匀分布，且对 double 的完整尾数位有良好覆盖。
常见错误是手动除法：比如用 rand() % N / static_cast<double>(N)</double> 或 engine() / engine.max() —— 这两种都因整数除法截断、范围不对称或离散点不均，导致实际分布偏差明显，尤其在接近 1.0 时缺值。
-
std::uniform_real_distribution内部使用“拒绝采样 + 比例缩放”，能保证开区间 [a,b) 的每个子区间被选中概率严格正比于其长度 - 必须搭配 64 位引擎（如
std::mt19937_64）才能充分激发double的 53 位有效位；std::mt19937（32 位）最多只提供约 2³² 个可区分值，远少于double可表示的 ~2⁵³ 个数 - 不要复用同一个分布对象跨线程；若需多线程安全，每个线程应持有独立的引擎 + 分布实例
生成 [0,1] 闭区间时要小心边界处理
std::uniform_real_distribution 默认构造为 uniform_real_distribution<double>(0.0, 1.0)</double>，即左闭右开 [0,1)，1.0 永远不会出现。若业务真需要包含 1.0（例如某些归一化校验逻辑），不能简单改写成 (0.0, 1.0000000000000002) —— 这会引入不可控的上界溢出和重复值。
- 正确做法是生成 [0,1) 后，用
ldexp(1.0, -53)计算最小可表示增量，再按概率微调：以1ULL 分之一的概率返回 1.0，其余返回 [0,1) 值（需配合 64 位引擎的完整输出位） - 更实际的建议是：检查是否真的需要 1.0 —— 多数数值算法（如 rejection sampling、CDF inversion）在 [0,1) 下完全等价且更稳定
- 若必须闭区间且不容许概率扰动，可用
nextafter(1.0, 0.0)作为上界，得到 [0, nextafter(1.0, 0.0)]，这仍是标准库可精确表示的闭区间
性能关键路径下避免重复构造分布对象
每次调用都 new 一个 std::uniform_real_distribution 对象（尤其是带参数的）会触发内部状态预计算，开销不小。实测在 tight loop 中，重复构造比复用慢 3–5 倍。
- 把分布对象声明为
static或类成员变量，只要引擎不变、参数不变，就可安全复用 - 不要把分布对象传入 lambda 并捕获值 —— 移动后原对象处于未指定状态，再次调用
operator()行为未定义 - 若需动态范围（如每次调用上界不同），优先考虑预生成 [0,1) 再线性缩放：
dist(gen) * (b - a) + a，比每次构造新分布快得多
验证分布质量：别只看直方图
肉眼观察直方图均匀 ≠ 真均匀。double 在 [0,1) 内并非等距分布，低数值区密度更高（因为指数部分小，尾数分辨率高）。真正要检查的是：是否所有可表示的 double 值在理论概率下被等概率命中？
- 用
std::bit_cast<uint64_t>(x)</uint64_t>提取double的二进制表示，统计高位（指数域）与低位（尾数域）的分布熵，比单纯分桶更敏感 - 运行
dieharder或pracrand测试套件时，输入需为 raw uint64_t 流（而非文本浮点数），否则 I/O 和格式化会污染结果 - 最容易被忽略的是：默认
std::mt19937_64的种子若来自std::random_device，在某些 libc 实现中可能只返回 32 位有效熵（如旧版 glibc），应显式检查rd.entropy()是否接近 64.0
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！
