rand() 分辨率低且高维分布不均，导致蒙特卡洛收敛慢；应改用 std::mt19937 配合 uniform_real_distribution，并避免 time(0) 初始化种子。
用 rand() 生成均匀随机点时，为什么结果总偏大或收敛极慢？
直接用 rand() 生成整数再除以 RAND_MAX 得到 [0,1) 浮点数，看似合理，但 RAND_MAX 通常只有 32767（旧实现），导致分辨率极低——相当于只用 15 位精度采样。更糟的是，rand() 本身线性同余算法在高维空间分布不均，点会沿某些平面明显成线，严重破坏蒙特卡洛所需的“独立均匀”假设。
实操建议：
- 改用
std::random_device+std::mt19937+std::uniform_real_distribution<double></double>，这是 C++11 起的标准高质方案 - 种子别用
time(0)—— 秒级精度在快速重跑时会导致重复序列；改用rd()（std::random_device实例）直接生成种子 - 避免反复构造分布对象：把
std::uniform_real_distribution<double> dist(0.0, 1.0)</double>定义在循环外
判断点是否落在单位圆内，为什么不能用 x*x + y*y ？
能用，但要注意浮点误差边界。当 x 和 y 接近 1.0 时，x*x + y*y 可能因舍入略大于 1.0，导致本该计入的点被漏掉。虽然单次概率极小，但千万次迭代后偏差可测。
实操建议：
- 保持
x*x + y*y 即可，无需额外容差——现代 IEEE 754 double 在 [0,1] 区间内乘加足够稳定 - 但必须确保
x和y真正落在闭区间 [0,1]：用dist(gen)默认生成 [0,1)，若需包含 1.0，应设为dist(gen)后手动处理边界，或改用std::uniform_real_distribution<double>(0.0, 1.0000000000000002)</double>（不推荐） - 更稳妥做法是直接采样 [-1,1] 区间，判断
x*x + y*y ，这样对称性更好，且边界误差影响更平均
如何控制迭代次数与精度之间的实际关系？
蒙特卡洛误差理论给出标准差 ≈ sqrt(PI*(4-PI)/n) ≈ 1.68/sqrt(n)，即要将误差降到 1e-3，需约 2.8e6 次采样；到 1e-4 需 2.8e8 次——不是线性关系，而是平方反比。
实操建议：
- 别硬设固定次数，改用「运行时间」或「相对误差变化率」做停止条件。例如每 10 万次更新一次估算值，若连续三次 |πₙ₊₁ − πₙ|
- 累积计数用
long long，避免int在千万级溢出 - 输出中间结果时，用
std::setprecision(10)避免默认 6 位小数掩盖收敛过程
并行化加速时，std::mt19937 实例能否共享？
不能。多个线程共用同一个 std::mt19937 实例会引发数据竞争，且破坏随机性——即使加锁，性能也崩坏。每个线程必须持有独立生成器实例。
实操建议：
- 用线程本地存储：声明
thread_local std::mt19937 gen{std::random_device{}()}; - 或为每个线程显式构造不同种子：用主随机设备生成 N 个种子，传给各线程
- 注意
std::uniform_real_distribution是无状态的，可全局复用，不必每线程一份 - 最后合并时，只需累加各线程的命中数和总点数，再统一计算 π = 4.0 * 总命中 / 总采样
实际写的时候最容易被忽略的，是生成器的生命周期管理——尤其在循环内反复创建 std::mt19937 或 std::random_device，既慢又可能耗尽熵源。把它们提到作用域外、复用、并明确分离种子生成与采样逻辑，才能让结果可信且跑得动。
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！
