真随机数与伪随机数的区别

| | 真随机数 | 伪随机数 |
| --- | --- | --- |
| 定义 | 基于物理过程或自然现象产生的随机数，具有不可预测性和真正的随机性。 | 通过算法和初始种子值（seed）生成的随机数序列，看似随机但实际上是确定的。 |
| 生成方式 | 依赖物理现象，如放射性衰变、热噪声、量子现象等。 | 依赖数学算法，如线性同余生成器（LCG）、梅森旋转算法（Mersenne Twister）等。 |
| 随机性 | 真正的随机，不可预测，无周期性。 | 伪随机，序列由初始种子决定，具有周期性（尽管周期可能非常长）。 |
| 可重复性 | 不可重复，每次生成的随机数序列都不同。 | 可重复，相同的种子值会生成相同的随机数序列。 |
| 应用场景 | 加密、安全通信、随机抽样等需要高随机性的场合。 | 模拟、游戏、统计抽样等对随机性要求不高的场合。 |
| 性能 | 生成速度较慢，受限于物理设备的响应速度。 | 生成速度快，纯软件实现，效率高。 |

真随机数与伪随机数的生成指南

真随机数生成指南

1. 基于物理现象：

   • 放射性衰变：利用放射性物质的衰变过程产生随机数。
   • 热噪声：利用电阻中的热噪声产生随机数。
   • 量子现象：利用量子力学的随机性，如量子比特的测量结果。

2. 硬件设备：

   • 随机数生成器（RNG）芯片：专门设计的硬件芯片，用于生成真随机数。
   • 量子随机数生成器（QRNG）：利用量子现象生成真随机数，具有更高的随机性和安全性。

3. 在线服务：

   • 一些在线服务提供真随机数生成功能，通常基于物理现象或硬件设备。

示例：使用量子随机数生成器芯片，通过测量量子比特的测量结果来生成真随机数。

伪随机数生成指南

1. 选择算法：

   • 线性同余生成器（LCG）：简单且高效，但周期较短，随机性较差。
   • 梅森旋转算法（Mersenne Twister）：周期长，随机性好，广泛应用于模拟和游戏领域。
   • 其他算法：如XORShift、PCG（Permutation Congruential Generator）等，具有不同的特点和优势。

2. 设置种子值：

   • 种子值是伪随机数生成器的初始状态，决定了生成的随机数序列。
   • 种子值可以是任意整数，但通常选择当前时间戳、系统状态等难以预测的值。

3. 编程实现：

   • 使用编程语言提供的随机数库或函数来生成伪随机数。
   • 例如，在Python中可以使用random模块，在C++中可以使用<random>库。

示例（Python）：
```python
import random

设置种子值（可选）

random.seed(42)

生成一个伪随机数

randomnumber = random.random()
print(randomnumber)
```

• 真随机数具有真正的随机性和不可预测性，适用于需要高随机性的场合，但生成速度较慢。
• 伪随机数看似随机但实际上是确定的，适用于对随机性要求不高的场合，生成速度快且可重复。
• 在选择随机数生成方法时，应根据具体应用场景和需求来决定使用真随机数还是伪随机数。

（本文来源：nzw6.com）