Julia：从均值可变的非标准正态分布生成单随机数的最快方法？

不需要每次循环创建Normal分布实例，有两种更高效的实现方式：

1. 向量化操作（最优选择） #

直接利用正态分布的性质：若X ~ N(0,1)，则μ + σX ~ N(μ, σ)，用向量化运算一次性生成所有样本，这在Julia里性能最优：

using Random

samples = means .+ s .* randn(length(means))

这种写法避免了循环中重复创建分布对象的额外开销，同时Julia的向量化运算会自动做底层优化，速度远快于原循环写法。

2. 优化后的循环写法（适合复杂逻辑场景） #

如果因为模拟逻辑限制必须用循环，也不需要每次重新定义Normal分布，可以直接在rand里传入均值参数，减少对象创建开销：

using Random, Distributions

samples = Vector{Float64}(undef, n)
for i in 1:n
    samples[i] = rand(Normal(means[i], s))
end

这里每次调用rand时直接构造临时分布对象，比原写法里先赋值给变量再采样更简洁，性能也略有提升，但还是不如向量化操作高效。

内容的提问来源于stack exchange，提问作者The Hagen