C++11 随机数分布在不同平台之间不一致——有什么替代方案？

Question

我正在寻找一组用于标准 C++11 引擎的可移植发行版，例如 `std::mt19937'(参见 http://en.cppreference.com/w/cpp/numeric/random)。

引擎实现一致地执行(即在不同平台上生成相同的序列 - 使用 Clang 和 MSVC 测试)，但在不同平台上似乎实现不同。

因此，即使引擎产生相同的序列，似乎分布(例如 std::normal_distribution<double> )在不同平台上使用的样本数量不同(即产生不同的结果)，这是 Not Acceptable 就我而言。

我是否可以使用遵循 C++11 随机模板的第 3 方库，但这将在流行平台上提供一致的值(查看对 GCC、MSVC 和 Clang/llvm 的支持)。

到目前为止我看过的选项是:

• Boost.random(有点重，但很值得，因为它与 c++11 对应物非常匹配)
• 从 libstd++ 克隆(也值得且可能可移植，但提取特定功能可能并不简单)
• 创建我自己的类似 C++11 的随机分布

我需要制服、正常、毒药和瑞利。

Answer 1

我创建了自己的 C++11 发行版:

template <typename T>
class UniformRealDistribution
{
 public:
    typedef T result_type;

 public:
    UniformRealDistribution(T _a = 0.0, T _b = 1.0)
        :m_a(_a),
         m_b(_b)
    {}

    void reset() {}

    template <class Generator>
    T operator()(Generator &_g)
    {
        double dScale = (m_b - m_a) / ((T)(_g.max() - _g.min()) + (T)1); 
        return (_g() - _g.min()) * dScale  + m_a;
    }

    T a() const {return m_a;}
    T b() const {return m_b;}

 protected:
    T       m_a;
    T       m_b;
};

template <typename T>
class NormalDistribution
{
 public:
    typedef T result_type;

 public:
    NormalDistribution(T _mean = 0.0, T _stddev = 1.0)
        :m_mean(_mean),
         m_stddev(_stddev)
    {}

    void reset()
    {
        m_distU1.reset();
    }

    template <class Generator>
    T operator()(Generator &_g)
    {
        // Use Box-Muller algorithm
        const double pi = 3.14159265358979323846264338327950288419716939937511;
        double u1 = m_distU1(_g);
        double u2 = m_distU1(_g);
        double r = sqrt(-2.0 * log(u1));
        return m_mean + m_stddev * r * sin(2.0 * pi * u2);
    }

    T mean() const {return m_mean;}
    T stddev() const {return m_stddev;}

protected:
    T                           m_mean;
    T                           m_stddev;
    UniformRealDistribution<T>  m_distU1;
};

均匀分布似乎提供了很好的结果，而正态分布提供了非常好的结果:

100000 个值 -> 1 sigma 内的 68.159%； 95.437% 2 sigma 以内； 99.747% 在 3 sigma 内

正态分布使用 Box-Muller 方法，根据我目前所阅读的内容，这不是最快的方法，但对于我的应用程序来说它运行得足够快。

均匀分布和正态分布都应该适用于任何 C++11 引擎(使用 std::mt19937 测试)并且在所有平台上提供相同的序列，这正是我想要的。