伪随机数C++ 中的伪随机数，例如rand()，是怎么生成的？

什么是伪随机数列

如果一个序列，一方面它是可以预先确定的，并且是可以重复地生产和复制的；一方面它又具有某种随机序列的随机特性（即统计特性），我们便称这种序列为伪随机序列。

伪随机序列是具有某种随机特性的确定的序列。

它们是由移位寄存器产生确定序列，然而他们却具有某种随机序列的随机特性。

因为同样具有随机特性，无法从一个已经产生的序列的特性中判断是真随机序列还是伪随机序列，只能根据序列的产生办法来判断。

伪随机序列系列具有良好的随机性和接近于白噪声的相关函数，并且有预先的可确定性和可重复性。

这些特性使得伪随机序列得到了广泛的应用，特别是在CDMA系统中作为扩频码已成为CDMA技术中的关键问题。

特性为序列中两种元素出现的个数大致相等。

能用通俗易懂的话告诉我，为什么计算机产生的随机数都是伪随机数？ 请大家指教，谢谢！

真正意义上的随机数（或者随机事件）在某次产生过程中是按照实验过程中表现的分布概率随机产生的，其结果是不可预测的，是不可见的。

而计算机中的随机函数是按照一定算法模拟产生的，其结果是确定的，是可见的。

我们可以这样认为这个可预见的结果其出现的概率是100%。

所以用计算机随机函数所产生的“随机数”并不随机，是伪随机数。

为什么说Java中的随机数都是伪随机数

什么是伪随机数？ 1.伪随机数是看似随机实质是固定的周期性序列,也就是有规则的随机。

2.只要这个随机数是由确定算法生成的,那就是伪随机,只能通过不断算法优化,使你的随机数更接近随机。

(随机这个属性和算法本身就是矛盾的) 3.通过真实随机事件取得的随机数才是真随机数。

Java随机数产生原理： Java的随机数产生是通过线性同余公式产生的,也就是说通过一个复杂的算法生成的。

伪随机数的不安全性： Java自带的随机数函数是很容易被黑客破解的,因为黑客可以通过获取一定长度的随机数序列来推出你的seed,然后就可以预测下一个随机数。

不用种子的不随机性会增大的原因： java.Math.Random()实际是在内部调用java.util.Random()的,使用一个和当前系统时间有关的数字作为种子数。

两个随机数就很可能相同。

double a = Math.random()； double b = Math.random(); Random r1 = new Random(); r1.nextInt(10); Random r2 = new Random(); r2.nextInt(10); Java中产生随机数的方法有两种： 第一种：Math.random() 第二种：new Random() 一、java.lang.Math.Random： 调用这个Math.Random()函数能够返回带正号的double值,取值范围是[0.0,1.0),在该范围内（近似）均匀分布。

因为返回值是double类型的,小数点后面可以保留15位小数，所以产生相同的可能性非常小,在这一定程度上是随机数。

二、java.util.Random： Random r1 = new Random(); Random r2 = new Random(); Random r3 = new Random(10); Random r4 = new Random(10); 下面Random()的两种构造方法： Random():使用一个和当前系统时间对应的相对时间有关的数字作为种子数。

Random(long seed):直接传入一个种子数。

种子的作用是什么？ 种子就是产生随机数的第一次使用值,机制是通过一个函数,将这个种子的值转化为随机数空间中的某一个点上,并且产生的随机数均匀的散布在空间中。

以后产生的随机数都与前一个随机数有关。

举例： Random r =new Random(100); System.out.println(r.nextInt(20)); 种子数只是随机算法的起源数字,和生成的随机数字的区间没有任何关系。

初始化时100并没有起直接作用（注意：不是没有起作用）,r.nextInt(20)中的20是随机数的上限,产生的随机数为0-20的整数,不包括20。

2.为什么说java中的随机数都是伪随机数

1.伪随机数是看似随机实质是固定的周期性序列,也就是有规则的随机。

2.只要这个随机数是由确定算法生成的,那就是伪随机,只能通过不断算法优化,使你的随机数更接近随机。

(随机这个属性和算法本身就是矛盾的) 3.通过真实随机事件取得的随机数才是真随机数。

Java中产生随机数的方法有两种： 第一种：Math.random() 第二种：new Random()

C++ 中的伪随机数，例如rand()，是怎么生成的？

class mtrandom { public mtrandom() : left(1) { init(); } explicit mtrandom(size_t seed) : left(1) { init(seed); } mtrandom(size_t* init_key, int key_length) : left(1) { int i = 1, j = 0; int k = N > key_length ? N : key_length; init(); for(; k; --k){ state[i] = (state[i] ^ ((state[i - 1] ^ (state[i - 1] >> 30)) * 1664525UL))+ init_key[j] + j; // non linear state[i] &= 4294967295UL; // for WORDSIZE > 32 machines ++i; ++j; if(i >= N){ state[0] = state[N - 1]; i = 1; } if(j >= key_length) j = 0; } for(k = N - 1; k; --k){ state[i] = (state[i] ^ ((state[i - 1] ^ (state[i - 1] >> 30)) * 1566083941UL)) - i; // non linear state[i] &= 4294967295UL; // for WORDSIZE > 32 machines ++i; if(i >= N){ state[0] = state[N - 1]; i = 1; } } state[0] = 2147483648UL; // MSB is 1; assuring non-zero initial array100 } }