std::random库通过随机数引擎和分布类结合生成高质量伪随机数；2. 推荐使用std::mt19937或std::mt19937_64引擎配合std::random_device初始化种子；3. 分布类如uniform、normal等将引擎输出转为指定分布；4. 多线程中应为每线程配置独立引擎实例以保证性能与正确性。
在C++中，std::random 库提供了生成高质量伪随机数的完整工具集。它通过组合“随机数引擎”和“随机数分布”来实现灵活、可控且统计性能良好的随机数生成。与传统的 rand() 相比，std::random 更现代、更可靠，适用于科学计算、游戏开发和密码学（部分场景）等对随机性要求较高的场合。
伪随机数引擎：生成均匀整数序列
随机数引擎是随机数生成的基础，负责产生均匀分布的整数序列。常见的引擎包括：
-
std::mt19937：基于梅森旋转算法，周期极长（2¹⁹⁹³⁷−1），适合大多数需要高质量随机性的应用。生成32位整数。
-
std::mt19937_64：64位版本的梅森旋转，适合需要更大范围随机数的场景。
-
std::minstd_rand：线性同余引擎，轻量但随机性较弱，适合资源受限环境。
-
std::default_random_engine：系统默认引擎，具体实现依赖编译器，不建议用于对质量敏感的场景。
引擎本身只生成整数，必须配合分布类才能得到所需类型的随机值。正确使用时应避免频繁重置种子。
随机数分布：将引擎输出转换为指定分布
分布类接收引擎生成的整数，并将其映射到特定的概率分布中。常见分布类型有：
-
均匀分布：
-
std::uniform_int_distribution：生成指定范围内的整数。
-
std::uniform_real_distribution：生成指定区间的浮点数。
-
正态分布：std::normal_distribution：用于模拟自然现象中的偏差，如误差或身高分布。
-
泊松分布：std::poisson_distribution：模拟单位时间内事件发生次数，如网络请求到达。
分布与引擎分离的设计使得同一引擎可复用多种分布，提高了灵活性和效率。
高质量随机数实践建议
要生成真正高质量的随机数，需注意以下几点：
- 优
先选用 std::mt19937 或 std::mt19937_64 作为引擎。
- 使用 std::random_device 初始化种子，确保每次运行结果不同：
std::mt19937 gen(std::random_device{}());
- 避免每次生成随机数都重新播种，这会破坏统计特性。
- 对于多线程应用，每个线程应使用独立的引擎实例，防止竞争。
- 若需加密级随机性，std::random_device 应确认其是否为真随机源（依赖平台），否则应使用专用加密库。
基本上就这些。合理搭配引擎与分布，就能在C++中稳定生成满足需求的高质量伪随机数。
先选用 std::mt19937 或 std::mt19937_64 作为引擎。