R中蒙特卡洛模拟批量随机数的可复现性与序列延续问题

我在R中运行蒙特卡洛模拟，受内存和时间限制需要分批次执行，且要求结果可复现。原本计划每批结束时保存RNG（随机数生成器）状态，下一批加载该状态以延续伪随机序列，但遇到问题：当一批内生成多种类型随机数（unif、norm、lognorm等）时，可复现性失效。

以下是示例代码说明问题场景：

# 查看会话初始RNG状态
state_0 <- .Random.seed

# 设置种子后状态改变
set.seed(42)
state_1 <- .Random.seed
all.equal(state_1,state_2)  # 原代码state_2未定义，保留原文内容

# 生成随机数
unif_1 <- runif(10)
state_2 <- .Random.seed

# 随机状态已改变
all.equal(state_1,state_2)
#[1] "Mean relative difference: 1.273813"

# 继续生成新的随机数，延续序列
unif_2 <- runif(10) 
all.equal(unif_1,unif_2)
#[1] "Mean relative difference: 0.4847836"

# 重置随机状态，重新生成相同序列
.Random.seed <- state_1
unif_1_2 <- runif(20)
all.equal(unif_1_2, c(unif_1,unif_2))
#[1] TRUE

# 期望分批次生成随机数，同时延续序列并保证可复现
generate_rn <- function(num, rng_state){
  .Random.seed <- rng_state
  
  unif <- runif(num)
  norm <- rnorm(num)
  
  random_numbers <- cbind(unif,norm)
  rng_state <- .Random.seed
  return(list(random_numbers,rng_state))
}

# 用初始状态生成第一批随机数
batch_1 <- generate_rn(10,state_1)

# 用第一批结束后的状态生成第二批随机数
batch_2 <- generate_rn(10,batch_1[[2]])

# 一次性生成20组（含unif和norm）的结果
batch_1_2 <- generate_rn(20,state_1)

# 两种方式生成的总随机数数量相同，最终RNG状态一致
all.equal(batch_1_2[[2]],batch_2[[2]])
# [1] TRUE

# 但生成的随机数结果不一致
all.equal(batch_1_2[[1]],rbind(batch_1[[1]],batch_2[[1]]))
# [1] "Mean relative difference: 1.639137"

# 且第一批的前10个均匀分布随机数，和之前单独生成的unif_1也不一致
all.equal(unif_1,batch_1[[1]][,1])
# [1] "Mean relative difference: 0.5737766"

补充疑问（针对jblood94回答的回复） #

感谢您的回复，这解决了可复现性问题且实现更简洁。但我仍想知道是否有办法在批次间延续随机序列？例如调整函数仅生成单一类型随机数，调用两次生成5+5个随机数，与一次生成10个的结果后半段不匹配，因为前者用了不同种子而非延续序列。

示例代码：

generate_single_rn<- function(num, seed){
  set.seed(seed)
  (runif(num))
}

nums_3 <- c(5,5)
nums_4 <- c(10)
seeds_3 <- seeds[1:2]  # 假设seeds是预先保存的种子序列
seeds_4 <- seeds[1]
res_3 <- Map(generate_single_rn, nums_3,seeds_3)

#> res_3
#[[1]]
#[1] 0.82047671 0.62451587 0.83677751 0.06815233 0.97957789

#[[2]]
#[1] 0.6394495 0.6867910 0.6124927 0.7527410 0.6202278

res_4 <- Map(generate_single_rn, nums_4,seeds_4)
#> res_4
#[[1]]
#[1] 0.82047671 0.62451587 0.83677751 0.06815233 0.97957789 0.07133851 0.84175755 0.79822464
#[9] 0.84784338 0.41118260

考虑到MT RNG周期极长，即使生成大量随机数，序列重叠概率极低，这或许不是问题。再次感谢。

内容的提问来源于stack exchange，提问作者DataNoob