如何实现多线程场景下确定性PRNG的使用？TBB实践相关疑问

结论 #

你方案的前半部分是业内通用的标准实践，但是每次循环迭代重置种子的操作存在问题，不属于常规写法。

具体分析 #

• 原始代码的非确定性行为根源很明确：std::mt19937实例不是线程安全的，多线程并发调用operator()会触发数据竞争，不仅结果不可控，还会因为缓存行颠簸导致性能大幅下降。
• 使用tbb::enumerable_thread_specific为每个线程分配独立的PRNG实例，是解决这类问题的标准做法，业内绝大多数多线程随机数生成场景都会这么实现，这部分的设计完全没问题。
• 有问题的是你在循环内每次迭代都用循环索引i给当前线程的PRNG重置种子的逻辑：
  1. 完全违背了PRNG的设计逻辑：mt19937这类伪随机数生成器的设计是初始化一次种子后，持续调用生成无关联的随机序列。你每次重置种子相当于x[i]等于种子为i的mt19937输出的第一个值，很容易出现不同i对应的输出存在统计相关性，破坏随机数质量。
  2. 浪费性能：同一个线程如果处理多个迭代，反复重置种子会完全丢弃之前的PRNG状态，做无意义的重复初始化。

常规正确实现 #

根据你的场景需求选对应方案即可：

场景1：不需要固定随机序列，只要高质量随机数

给enumerable_thread_specific配置初始化函数，每个线程第一次获取本地PRNG实例时自动完成一次种子初始化，后续迭代直接使用即可：

// 每个线程的PRNG仅初始化一次
tbb::enumerable_thread_specific<std::mt19937> engine([](){
    std::random_device rd;
    return std::mt19937(rd());
});
std::uniform_real_distribution<double> distribution(-1., 1.);

double x[N];
tbb::parallel_for(0, N, [&](int i)
{
    // ... 原有复杂逻辑
    x[i] = distribution(engine.local());
});

场景2：需要固定全局种子，保证随机序列可复现

先用一个主线程的主PRNG生成一批独立的种子，每个线程的PRNG初始化时使用专属的独立种子即可，这样只要主种子固定，不管TBB的线程调度逻辑怎么变，最终生成的整体随机序列都是可复现的，这个是科学计算、仿真模拟类场景的常用实现。

内容的提问来源于stack exchange，提问作者Michael M.