如何让蒙特卡洛求π的并行随机化结果不随线程数变化？

现有代码的核心问题在于：每个线程都用同一个seed初始化mt19937_64随机数生成器，再加上OpenMP会根据线程数动态拆分循环迭代范围。比如线程数为2时，线程0处理i=0到n/2-1，线程1处理i=n/2到n-1，但两个线程的随机数序列完全一致，导致i=0和i=n/2对应的x、y值完全相同；如果线程数改为4，迭代范围拆分逻辑变化，对应随机数也会改变，最终统计的pts和π的结果自然不同。

要实现固定n和seed下，线程数不影响计算结果，核心是让每个迭代i对应的随机数唯一且固定，与线程数无关。以下是两种可靠方案：

方法1：为每个迭代生成独立专属种子 #

利用初始seed和迭代索引i组合生成唯一种子，确保每个i对应的随机序列固定，无论哪个线程处理该迭代，生成的x、y都一致。代码修改如下：

double montecarlo(int n, int seed)
{
    int pts = 0;
    std::uniform_real_distribution<double> dist(0.0, 1.0);

    #pragma omp parallel for reduction(+:pts)
    for (int i = 0; i < n; ++i)
    {
        // 通过seed与i结合生成唯一种子，避免不同i出现重复序列
        std::mt19937_64 rng(seed ^ (i * 0x9e3779b97f4a7c15));
        double x = dist(rng), y = dist(rng);
        pts += (x * x + y * y <= 1);
    }

    double pi = 4.0 * pts / n;
    return pi;
}

这里用异或大质数的方式组合种子，能有效避免不同i生成相同种子的情况，保证每个迭代的随机数固定。

方法2：预先生成全量随机序列（适合中小规模n） #

如果n不是特别大，可以先在主线程用初始seed生成所有需要的x、y对，再用OpenMP并行统计。这种方式下所有随机数提前固定，线程数只影响统计效率，不改变结果：

double montecarlo(int n, int seed)
{
    int pts = 0;
    std::mt19937_64 rng(seed);
    std::uniform_real_distribution<double> dist(0.0, 1.0);

    // 预先生成所有采样点的x、y值
    std::vector<std::pair<double, double>> points(n);
    for (int i = 0; i < n; ++i)
    {
        points[i] = {dist(rng), dist(rng)};
    }

    // 并行统计落在圆内的点数
    #pragma omp parallel for reduction(+:pts)
    for (int i = 0; i < n; ++i)
    {
        auto [x, y] = points[i];
        pts += (x * x + y * y <= 1);
    }

    double pi = 4.0 * pts / n;
    return pi;
}

注意：当n极大时，存储所有点会占用较多内存，这种方法更适合中小规模的采样数。

• 禁止在多线程环境下为每个线程重复初始化相同seed的随机数生成器，这会导致不同线程生成完全重复的随机序列，破坏结果一致性。
• 若使用方法1，种子组合逻辑要保证唯一性，除了异或大质数，也可以用哈希函数（如std::hash）处理seed+i的组合，避免碰撞。

内容的提问来源于stack exchange，提问作者Get_good32