Boost隨機庫的簡單使用：Boost.Random(STL通用)

文章目錄

文章內容介紹

Boost.Random是Boost裏面的一個隨機庫，它的第一正式版是在Boost 1.15中提供。它裏面提供了大量的隨機算法，比如mt19937算法，加權概率，隨機密碼等。可以很方便的提高編碼效率。

本文主要介紹了Boost.Random的一些簡單使用本文主要分為四個部分，第一部分為此簡單介紹，第二部分為Boost.Random的使用，第四部分為總結。

本文參考的Boost版本為1.74。

Boost隨機庫的簡單使用

生成一個隨機的整數

boost::random::mt19937 gen(time((time_t *)NULL));
std::cout << gen() << std::endl;

首先構造一個隨機數生成器，這裡我們使用mt19937算法的隨機數生成器。然後直接將隨機數生成器作為一個函數對象使用，便可以得到一個區間為\([0, 2^{32}-1]\)的隨機數。

如果要生成64位的隨機數，可以使用boost::random:mt19937_64。相應的，它可以產生區間為\([0, 2^{64}] – 1\)的隨機數。

除了mt19937算法以外，Boost.Random還提供了非常多種的平均隨機數算法，譬如minstd_rand0、minstd_rand、rand48、ecuyer1988、knuth_b等。

除了使用算法生成一個偽隨機數外，Boost還提供了一個接口random_device，可以產生真·隨機數。它依賴於系統提供的硬件隨機，比如在Linux下會使用/dev/urandom。理論上來說，提供的硬件隨機應該是不會產生錯誤，或者讀取到結尾的。如果發生了，便會拋出std::io_base::failure異常。使用entropy方法可以獲得隨機數生成器的熵值。

生成一個區間的平均概率隨機數

一般情況下，我們都是需要生成一個區間內的隨機數，這才有一定的使用價值。在C語言中，我們通過以下方法獲得

rand()%(upper_bound - lower_bound) + lower_bound

而在Boost中，它為我們提供了一個方法，可以通過定義分佈的方法，來生成一個區間的隨機整數。

boost::random::uniform_int_distribution<> dis(1, 6);
std::cout << dis(gen) << std::endl;

首先我們定義了一個分佈，從這個類的名稱我們就可以知道，這是一個平均的整數分佈。分佈和生成器一樣，是一個函數對象，通過輸入一個隨機數生成器，就可以得到隨機區域內的整數。生成的範圍為\([min, max]\)

生成隨機實數也是類似，生成的範圍為\([min, max)\)

boost::random::uniform_real_distribution<> fdis(0, 2);
std::cout << fdis(gen) << std::endl;

除了這些比較常用的平均分佈外，Boost還提供了兩種使用次數比較多的平均分佈：

  1. uniform_smallint，它和uniform_int_distribution類似，不過這個分佈要求生成的範圍要遠小於隨機數生成器的範圍；
  2. uniform_01 產生\([0, 1)\)之間的隨機數。

按概率生成一個區間的隨機整數

這種情況如果使用C語言實現，一般會是這樣操作。

// 選擇的概率，選擇的數據為[0,3]
double prob = {0.1, 0.2, 0.3, 0.4};

double choose_prob = (random() % 100000)/100000.0;

choosed_number = 0;
for (choosed_number = 0; choosed_number < 4; ++choosed_number) {
    choose_prob -= prob[choosed_number];
    if (choose_prob < 0) break;
}

此時，choosed_number為選擇的數據。在Boost.Random中，提供了更為優雅的方法，來實現這一操作。

boost::random::discrete_distribution<> prob_dis({0.1, 0.2, 0.3, 0.4});
std::vector<int> count(4, 0);
for (int loop_i = 0; loop_i < 100000; ++loop_i) {
  count[prob_dis(gen)]++;
}

for (int loop_i = 0; loop_i < 4; ++loop_i) {
  std::cout << count[loop_i] << ",";
}
std::cout << std::endl;

為了更好的表現數據的分佈，我使用了一個計數器，來對10萬次實驗的結果進行統計。得到結果如下：

可以看到結果的分佈和我們設置的概率相近。

當然，部分的時候，我們設置的並不是概率（和為一），而是權重（和可能不為一），這個在discrete_distribution中也是可行的，也就是：

boost::random::discrete_distribution<> prob_dis({1, 2, 3, 4});

是可行的，而且它們的結果是一致的。

除此之外，還可以通過Boost.range和函數來設置不同的概率。

一些經典的分佈

除了自定義分佈外，Boost還提供了許多的經典分佈，只需要通過簡單的參數設置就可以獲得一些經典的分佈器。

  1. 伯努利分佈

伯努利分佈又稱為0-1分佈，結果只有0或者1。

  1. 泊松分佈

泊松分佈適合於描述單位時間內隨機事件發生的次數的概率分佈。如某一服務設施在一定時間內受到的服務請求的次數，電話交換機接到呼叫的次數、汽車站台的候客人數、機器出現的故障數、自然災害發生的次數、DNA序列的變異數、放射性原子核的衰變數、激光的光子數分佈等等。

  1. 正態分佈

正態分佈又名高斯分佈，是一個非常常見的連續概率分佈。正態分佈在統計學上十分重要，經常用在自然和社會科學來代表一個不明的隨機變量。

與STL的對比

STL作為C++的標準庫，裏面也包含有Random庫。根據我的查閱的資料，他們之間的借口大部分是相同的，不過也有一小部分的差異。譬如：

  1. default_random_engine

STL提供了一個default_random_engine。但是這個隨機數生成器並不好用，也需要輸入一個種子，而且當種子相近的時候，其值也非常相近。個人認為隨機性並不是特別好。

  1. random_drive

STL和Boost.Random中的硬件隨機數生成器描述相近，但是在我個人實際的使用中，Boost.Random給出的熵值為10（部分使用隨機？），STL給出的熵值為0（完全使用隨機算法）。

Ref

博客原文地址：//www.cnblogs.com/ink19/p/Boost_Random.html

Tags:

VirMach 便宜 VPS

QNews

QNews