跨平台C++自定义均匀整数分布实现求点评及轻量替代方案

我正在编写跨平台C++代码，需要一款能在不同平台生成相同结果的非加密强度均匀整数伪随机数生成器。由于std::uniform_int_distribution的实现依赖具体平台，无法保证跨平台一致性，且未找到现成的整数实现参考，仅找到实数实现的思路，于是自行编写了SimpleIntDistribution及Rand_int的实现代码：

template <typename T = int>
class SimpleIntDistribution
{
public:
    typedef T result_type;

public:
    SimpleIntDistribution(T a = {}, T b = {}) :
        _a{ a }, _b{ b } {}

    void reset() {}

    template <class Gen>
    T operator()(Gen& g)
    {
        using gen_res_type = typename Gen::result_type;
        // number of elements in distribution range
        gen_res_type distRange = static_cast<gen_res_type>(
            _b - _a + static_cast<T>(1));
        // normalized generator value
        gen_res_type normGenValue = g() - g.min();
        return _a + normGenValue % distRange;
    }

    T a() const { return _a; }
    T b() const { return _b; }

protected:
    T _a;
    T _b;
};

class Rand_int
{
public:
    Rand_int(int low, int high) : dist{ low, high } {}
    int operator()() { return dist(re); }
    void seed(int s) { re.seed(s); }

private:
    // std::default_random_engine re;
    std::mt19937 re;
    // std::uniform_int_distribution<> dist;
    SimpleIntDistribution<> dist;
};

int main()
{
    Rand_int r{ -10, 10 };
    r.seed(100);
    for (size_t i = 0; i < 20; i++)
    {
        int val = r();
        std::cout << val << ", ";
    }
}

现有代码的潜在问题 #

• 分布不均匀：取模运算normGenValue % distRange会引入偏差。当生成器的取值范围（g.max()-g.min()+1）不是distRange的整数倍时，前(g.max()-g.min()+1) % distRange个数值出现的概率会略高于其他值，破坏均匀性。
• 类型溢出风险：计算distRange时，_b - _a + 1可能超出T或gen_res_type的取值范围，导致溢出后得到错误的范围值。例如当T为int，_a是INT_MIN、_b是INT_MAX时，_b - _a +1会直接溢出int类型。
• 负数取模行为未定义：如果构造时传入_a > _b，distRange会是负数，而C++中负数取模的结果符号依赖编译器，属于未定义行为。
• 生成器范围处理不严谨：g() - g.min()假设g.min()是无符号或不会导致溢出，但如果生成器的min()是负数（部分自定义生成器可能如此），该计算可能溢出gen_res_type。

轻量型替代实现方案 #

以下是基于拒绝采样的无偏均匀分布实现，仅依赖标准C++库，保证跨平台一致性：

#include <cstdint>
#include <type_traits>
#include <algorithm> // 用于std::swap

template <typename T = int>
class PortableUniformIntDistribution
{
public:
    using result_type = T;

    PortableUniformIntDistribution(T a = T(), T b = T()) 
        : _a(a), _b(b) 
    {
        // 确保左边界不大于右边界，避免无效范围
        if (_a > _b)
            std::swap(_a, _b);
    }

    void reset() noexcept {}

    template <class Generator>
    result_type operator()(Generator& g)
    {
        using gen_result = typename Generator::result_type;
        // 要求生成器输出无符号类型，避免负数溢出问题
        static_assert(std::is_unsigned_v<gen_result>, "Generator must produce unsigned results");

        const gen_result gen_min = g.min();
        const gen_result gen_max = g.max();
        const gen_result gen_total = gen_max - gen_min + 1; // 生成器的总取值数

        const result_type dist_total = _b - _a + 1; // 目标分布的总取值数
        // 计算拒绝阈值：只保留能被dist_total整除的前N个数值，保证无偏
        const gen_result reject_threshold = gen_total - (gen_total % static_cast<gen_result>(dist_total));

        gen_result val;
        do {
            val = g() - gen_min; // 归一化到0起始的范围
        } while (val >= reject_threshold); // 拒绝超出阈值的数值

        return _a + static_cast<result_type>(val % static_cast<gen_result>(dist_total));
    }

    result_type a() const noexcept { return _a; }
    result_type b() const noexcept { return _b; }

private:
    result_type _a;
    result_type _b;
};

// 封装生成器与分布的便捷类
class RandInt
{
public:
    RandInt(int low, int high) : dist(low, high) {}
    int operator()() { return dist(re); }
    // 用uint32_t适配mt19937的seed要求
    void seed(uint32_t s) { re.seed(s); }

private:
    // mt19937的算法是C++标准强制规定的，跨平台输出一致
    std::mt19937 re;
    PortableUniformIntDistribution<int> dist;
};

// 测试示例
#include <iostream>
int main()
{
    RandInt r(-10, 10);
    r.seed(100);
    for (size_t i = 0; i < 20; ++i)
    {
        std::cout << r() << ", ";
    }
    return 0;
}

方案优势

• 严格无偏：通过拒绝采样丢弃会导致偏差的数值，确保每个结果的出现概率完全一致。
• 类型安全：校验输入范围，要求生成器输出无符号类型，避免溢出和未定义行为。
• 跨平台一致：依赖std::mt19937的标准算法（C++标准明确其实现细节），自定义分布逻辑不依赖平台特性，不同平台编译后输出完全相同的随机序列。
• 轻量易用：纯标准C++实现，无需额外依赖，代码简洁易集成。

内容的提问来源于stack exchange，提问作者andrebroz