如何在OMP多线程中生成相同随机数序列以保证结果可复现？

问题根源 #

你代码中的static std::minstd_rand0 rng(y);是导致结果不一致的核心原因：

• 块作用域内的static变量属于全局静态存储区，整个程序生命周期内只会初始化一次。在OMP并行循环中，多个线程会同时进入循环体，第一个到达该语句的线程会完成RNG的初始化（使用它处理的第一个y值作为种子），后续所有线程都会直接复用这个已经初始化的RNG实例，完全违背了你“按行初始化种子”的设计逻辑。
• 静态变量的初始化过程本身是线程不安全的，可能导致RNG的初始状态被破坏，进一步加剧随机序列的混乱。

修复方案 #

去掉static修饰符，让每个行迭代（每个y）都创建独立的RNG实例，用当前行号y作为种子初始化：

cv::Mat prediction_map(aiPanoHeight, aiPanoWidth, CV_8UC1);
#pragma omp parallel for schedule(dynamic, aiPanoHeight/32)
for (int y=0; y<aiPanoHeight; ++y){
    std::minstd_rand0 rng(y); // 去掉static，每个y对应独立的RNG
    std::uniform_real_distribution<float> dist(0, 1);
    for (int x=0; x<aiPanoWidth; ++x){
        float values[NUM_CLASSES];
        // 填充values为归一化后的各类别得分，总和为1
        float r = dist(rng);
        for (int c = 0; c < NUM_CLASSES; ++c)
        {
            r -= values[c];
            if(r<=0) {
                prediction_map.at<uchar>(y, correctedX) = static_cast<uchar>(aiClassesLUT[c]);
                break;
            }
        }
    }
}

优化方案（减少对象创建开销） #

如果每一行创建RNG和分布对象的开销较大，可以改为每个线程创建一次实例，再通过seed(y)重置状态来保证每一行的随机序列一致：

cv::Mat prediction_map(aiPanoHeight, aiPanoWidth, CV_8UC1);
#pragma omp parallel
{
    std::minstd_rand0 rng; // 每个线程独立的RNG
    std::uniform_real_distribution<float> dist(0, 1);
    
    #pragma omp for schedule(dynamic, aiPanoHeight/32)
    for (int y=0; y<aiPanoHeight; ++y){
        rng.seed(y); // 用当前行号重置RNG状态
        for (int x=0; x<aiPanoWidth; ++x){
            float values[NUM_CLASSES];
            // 填充values为归一化后的各类别得分，总和为1
            float r = dist(rng);
            for (int c = 0; c < NUM_CLASSES; ++c)
            {
                r -= values[c];
                if(r<=0) {
                    prediction_map.at<uchar>(y, correctedX) = static_cast<uchar>(aiClassesLUT[c]);
                    break;
                }
            }
        }
    }
}

效果说明 #

两种方案都能保证：无论线程调度顺序如何，每一行对应的RNG初始状态由y唯一确定，生成的随机数序列完全固定，最终输出的prediction_map每次运行结果一致，满足测试需求。

内容的提问来源于stack exchange，提问作者Adriel Jr