NumPy PRNG进阶：非均匀分布下advance()失效问题及解决咨询

我想借助NumPy的随机数生成功能从不同分布中抽取随机数，要求在给定生成器、种子和分布的前提下，直接获取序列中的第i个随机数，无需先生成前i-1个数。PCG64、PCG64DXSM和Philox这三种比特生成器都提供advance()方法，看起来能满足需求。

以PCG64DXSM为例，均匀分布下的测试代码运行正常：

seed = 42
bit_generator = np.random.PCG64DXSM(seed)
generator = np.random.Generator(bit_generator)
# 生成20个0到1之间的均匀分布随机数
n = 20
nums = [generator.uniform(0, 1) for _ in range(n)]

# 直接获取最后一个数
bit_generator = np.random.PCG64DXSM(seed)
generator = np.random.Generator(bit_generator)
bit_generator.advance(n - 1)
num = generator.uniform(0, 1)
assert num == nums[-1]

但在正态分布、瑞利分布等非均匀分布中，advance()方法普遍失效。以下是展示失效情况的测试代码：

import numpy as np
import matplotlib.pyplot as plt

def plot(ax, rand, n=20):
    BitGenerator = [np.random.PCG64DXSM, np.random.PCG64, np.random.Philox][0]
    seed = 42
    bit_generator = BitGenerator(seed)
    generator = np.random.Generator(bit_generator)
    x = [rand(generator) for _ in range(n)]
    ax.plot(x, 'C0-')
    for i in range(n):
        bit_generator = BitGenerator(seed)
        generator = np.random.Generator(bit_generator)
        bit_generator.advance(i)
        x = rand(generator)
        ax.plot(i, x, 'C1.')

fig, axes = plt.subplots(3)
plot(axes[0], lambda generator: generator.uniform(0, 1))
plot(axes[1], lambda generator: generator.normal(0, 1))
plot(axes[2], lambda generator: generator.rayleigh(1))
plt.show()

生成的图表中，三个面板分别对应均匀、正态和瑞利分布：蓝色线条是单个生成器连续生成的随机序列，橙色点是通过全新生成器调用advance()单独获取的随机数。advance()方法在正态和瑞利分布中运行一段时间后失效，失效时机取决于种子和使用的比特生成器。

现提出以下问题：

1. 为何advance()方法在均匀分布中表现完美，但在其他分布中普遍失效？
   • 为何该方法在每个序列的前几个随机数中可以正常工作？
2. 这是否是预期/已知行为？
3. 如何解决该问题？

1. 失效原因分析 #

均匀与非均匀分布的核心差异 #

均匀分布的uniform()方法每次只消耗1个原始随机数（比特生成器输出的无符号整数），所以调用advance(i)后，正好跳到第i+1个原始随机数的位置，生成结果和连续调用i次uniform()完全一致。

而非均匀分布（如正态分布的normal()、瑞利分布的rayleigh()）依赖转换算法生成样本：

• 比如生成正态分布的Box-Muller变换，需要2个均匀随机数来生成2个正态数，第一次调用会消耗2个原始随机数，生成1个样本并缓存另一个；第二次调用直接用缓存的结果，不消耗新的原始随机数。
• 前几次调用时，缓存机制还未启动，或消耗的原始随机数步数刚好和advance(i)的步数匹配，所以结果一致；但缓存形成后，advance(i)的步数和实际消耗的原始随机数步数不再对应，就会出现结果不匹配的情况。

2. 是否为预期行为？ #

这是预期且有文档说明的行为。比特生成器的advance()仅控制原始随机数的生成位置，而高层分布函数会根据算法需求消耗不同数量的原始随机数，甚至缓存中间结果，所以advance()无法直接对应到高层分布的第i个样本。

3. 解决方案 #

方案1：使用Generator.jumped()方法（推荐） #

NumPy的Generator类提供的jumped()方法，是基于高层分布样本计数的跳转，不管该分布消耗多少原始随机数，都能精准定位到第i个样本：

seed = 42
# 连续生成正态分布序列
bit_gen = np.random.PCG64DXSM(seed)
gen = np.random.Generator(bit_gen)
normal_seq = [gen.normal() for _ in range(20)]

# 直接获取第10个样本（索引从0开始）
bit_gen2 = np.random.PCG64DXSM(seed)
gen2 = np.random.Generator(bit_gen2)
gen2 = gen2.jumped(10)
assert gen2.normal() == normal_seq[10]

方案2：预生成缓存样本 #

如果样本规模不大，可以预先生成所有需要的序列并缓存，后续直接通过索引访问，这种方法简单直观，适合小规模场景。

方案3：手动跟踪原始随机数消耗（不推荐） #

若必须使用advance()，需要深入对应分布的底层实现，明确每个样本消耗的原始随机数数量（含缓存逻辑），再计算总步数调用advance()。但这种方法维护成本极高，仅适用于特殊场景。

内容的提问来源于stack exchange，提问作者jmd_dk