Python代码未声明random种子有什么影响？蒙特卡洛模拟如何选择种子？

你提供的代码如下：

import random 
import matplotlib.pyplot as plt 
 
nums = [] 

mu = 0
sigma = 2
    
for i in range(100): 
    temp = random.gauss(mu, sigma)
    nums.append(temp) 
         
plt.plot(nums)
plt.show()

1. for循环每次迭代是否会使用不同的种子值？ #

不会。Python的random模块基于伪随机数生成器（PRNG）工作，它的运行逻辑是：

• 首次导入random模块时，如果你没有手动调用random.seed()设置种子，模块会自动从操作系统的随机熵源（比如Linux的/dev/urandom、Windows的系统加密接口）获取一次随机值作为初始种子，初始化PRNG的内部状态。
• 后续所有随机数生成调用（包括你代码里的random.gauss），都是基于PRNG当前的内部状态迭代计算得到下一个随机数，同时更新内部状态，全程不会重新生成新的种子。

所以你这段代码只会在导入random模块的时候初始化一次种子，循环的每一次迭代都不会更换种子。

2. 数值仿真/蒙特卡洛模拟场景推荐用固定种子还是不同种子？ #

需要根据使用场景选择：

• 需要结果可复现的场景：比如调试仿真逻辑、撰写论文公开实验、做单元测试验证逻辑正确性的场景，推荐使用固定的单一种子。固定种子可以保证每次运行程序得到的结果完全一致，既方便你自己排查程序问题，也能让其他研究者复现你的实验结论。
• 需要输出可靠统计结论的大规模蒙特卡洛模拟场景：推荐用不同的种子运行多组独立实验。单一种子对应的只是伪随机数生成器输出的一条随机序列，结果可能存在该序列特有的偶然偏差。用不同种子跑多组重复实验后再做统计聚合，能有效降低单条序列的偏差，得到更严谨的统计结果。如果是单次长时间运行的蒙特卡洛模拟，只要初始种子的熵足够，不需要中途更换种子，Python内置random模块的伪随机数生成器周期足够长，不会在常规仿真时长内出现序列重复的问题。

内容的提问来源于stack exchange，提问作者Subhadip Saha