计数器&生成随机数字

一、 使用头文件 #include <chrono>

这是C++中精度最高的计时方式

#include <iostream>
#include <chrono>

int main()
{
    // 记录开始时间
    auto start = std::chrono::high_resolution_clock::now();
    
    // 这里是你要测量的代码
    for (int i = 0; i < 1000000; i++)
    {
        // 模拟工作负载
    }
    
    // 记录结束时间
    auto end = std::chrono::high_resolution_clock::now();
    
    // 计算并输出不同单位的时间
    auto duration_ns = std::chrono::duration_cast<std::chrono::nanoseconds>(end - start);  // 纳秒(ns)
    auto duration_ms = std::chrono::duration_cast<std::chrono::milliseconds>(end - start); // 毫秒(ms)
    auto duration_s  = std::chrono::duration_cast<std::chrono::seconds>(end - start);      // 秒(s)
    
    std::cout << "运行时间: " << duration_ns.count() << " 纳秒" << std::endl;
    std::cout << "运行时间: " << duration_ms.count() << " 毫秒" << std::endl;
    std::cout << "运行时间: " << duration_s.count() << " 秒" << std::endl;
    
    return 0;
}

在C++中生成指定范围内的随机数主要有两种方法：传统的 rand() 函数和 C++11 引入的现代 <random> 库。下面的表格能帮你快速了解它们的核心区别。

特性	传统方法 (rand() 和 srand())	现代方法 (C++11 <random> 库)
随机数质量	较低，周期性短，分布可能不均匀	高，使用梅森旋转等优质算法，周期极长
易用性与安全性	需手动计算范围，易出错（如忘记设置种子）	更安全简单，分布对象自动处理范围
灵活性	只能生成均匀分布，其他分布需复杂数学转换	支持多种分布（均匀、正态、伯努利等）
推荐使用场景	简单的脚本、对随机性要求不高的快速原型	正式项目、模拟实验、游戏开发、需要高质量随机数的场景

二、使用现代 <random> 库（推荐）

这是目前最推荐的方法，因为它生成的随机数质量高，使用起来也更直观安全。

基本用法模板：

#include <iostream>
#include <random> // 核心头文件

int main()
{
    // 1. 创建随机数引擎并设置种子
    std::random_device rd;  // 随机设备，用于获取真随机种子
    std::mt19937 gen(rd()); // 使用梅森旋转算法引擎，用rd()的输出来初始化

    // 2. 定义随机数的分布范围
    int lower_bound = 1;
    int upper_bound = 100;
    std::uniform_int_distribution<> dist(lower_bound, upper_bound); // 均匀整数分布

    // 3. 生成随机数
    int random_number = dist(gen); // 每次调用dist(gen)都会产生一个范围内的随机数

    std::cout << "随机数: " << random_number << std::endl;
    return 0;
}

生成不同类型和范围的随机数：

• 浮点数范围（如 5.0 到 10.0）：

  std::uniform_real_distribution<double> dist(5.0, 10.0);
  double random_double = dist(gen);
  

• 其他分布（如正态分布）：

  // 生成均值为0，标准差为1的正态分布随机数
  std::normal_distribution<double> normal_dist(0.0, 1.0);
  double normal_number = normal_dist(gen);
  

三、使用传统的 rand() 方法

这是C语言继承而来的方法，简单但有一些缺点，如随机数质量不高、分布可能不均匀。

基本步骤：

1. 使用 srand() 设置随机数种子，通常用当前时间 time(NULL)。
2. 使用 rand() 生成随机数。
3. 通过模运算 % 将结果映射到目标范围。

生成 [a, b] 范围内的随机整数公式：

#include <iostream>
#include <cstdlib> // 用于 rand() 和 srand()
#include <ctime>   // 用于 time()

int main()
{
    std::srand(std::time(nullptr)); // 用当前时间初始化随机种子

    int a = 1, b = 100;
    int random_num = std::rand() % (b - a + 1) + a; // 核心公式

    std::cout << "随机数: " << random_num << std::endl;
    return 0;
}

不同范围需求的公式：

• [a, b)（含a不含b）：rand() % (b - a) + a
• (a, b]（不含a含b）：rand() % (b - a) + a + 1
• [0, 1) 之间的浮点数：rand() / static_cast<double>(RAND_MAX)

💡 关键要点与建议

1. 种子（Seed）的重要性：无论是传统方法还是现代方法，都需要用种子初始化随机数生成器。使用随时间变化的种子（如 time(nullptr) 或 random_device）才能保证每次程序运行产生不同的随机序列。如果使用固定种子，每次运行程序得到的随机数序列会完全相同，适用于需要可重复结果的调试场景。

2. 关于 rand() % N 的陷阱：直接使用 rand() % N 来产生 [0, N-1] 的随机数时，如果 RAND_MAX % N != 0，那么产生的随机数概率并不是完全均匀的，较小的数值出现的概率会略微更高。对于要求严格的场景，这是一个需要考虑的细节。<random> 库中的分布对象（如 uniform_int_distribution）会自动处理这个问题，保证分布均匀。

3. 何时选择何种方法：

   • 学习和简单练习：可以从 rand() 入手，理解基本原理。
   • 课程作业、个人项目或正式开发：强烈建议使用 <random> 库，它的代码意图更清晰，能避免很多传统方法的坑。
   • 高性能或高安全性需求：必须使用 <random> 库，并可能需要选择更强大的随机数引擎（如 mt19937_64）或用于加密的安全随机数生成器。