一、为什么4个不同的随机数生成器会生成相同的数值序列？ #

这事儿其实挺常见的，核心原因绕不开“伪随机”的本质——咱们平时用的随机数生成器大多是伪随机，不是真的随机，而是靠确定性算法算出来的序列，起始的“种子”直接决定了整个序列的走向。常见的诱因有这几个：

• 所有生成器用了同一个种子：不管你创建多少个生成器对象，如果初始化时给的种子一模一样，那它们输出的序列肯定完全相同。比如你循环创建生成器时，用当前时间当种子，但时间精度不够（比如只到秒），短时间内多次调用就会导致种子重复。
• 共享全局随机状态：有些语言或库的随机生成器默认会共享全局的状态池。比如你创建了多个生成器实例，但没给它们单独初始化种子，它们就会共用同一个全局状态，自然输出一样的序列。
• 初始化逻辑重复：比如你写的生成器初始化代码里，不小心把种子固定死了，或者用了同一个变量来生成种子，那每个生成器的起始点都一样，序列也就重复了。

二、神经进化程序种群个体完全相同，无法收敛的问题 #

这和上面的随机数问题直接挂钩！种群前100个个体完全相同，说明每个Network对象初始化时，连接权重和神经元偏置都是一样的——本质就是随机数生成出了问题，导致所有个体的“随机”参数完全一致，种群没有多样性，进化自然无从谈起。

给你几个具体的解决方向：

• 给每个个体分配独立的随机生成器和唯一种子：别让所有Network共用同一个随机生成器或者种子。比如初始化种群时，用一个全局计数器（从0到99）当每个个体的种子，或者用一个全局的随机生成器来给每个个体生成唯一的种子。这样每个Network的随机数序列都是独立的，参数自然不一样。
• 避免依赖全局随机状态：如果你的语言支持，尽量给每个Network实例单独创建一个随机生成器对象，而不是调用全局的随机函数。比如在Python里，别每次都用random.random()，而是每个Network初始化一个random.Random(unique_seed)对象，用这个实例来生成权重和偏置。
• 检查你的初始化函数：看看权重和偏置的生成逻辑是不是有问题——比如是不是不小心把生成的随机值存在了类的静态变量里？这样所有实例都会复用同一个值，自然个体都一样。

举个简单的Python示例（修正后的写法）：

import random

class Network:
    def __init__(self, seed=None):
        # 每个实例有自己的随机生成器
        self.rng = random.Random(seed)
        # 用实例自己的生成器生成权重和偏置
        self.weights = [self.rng.uniform(-1, 1) for _ in range(20)]
        self.biases = [self.rng.uniform(-0.5, 0.5) for _ in range(10)]

# 初始化种群时，给每个个体分配唯一种子
population = [Network(seed=i) for i in range(100)]

这样一来，每个Network的权重和偏置都是独立随机生成的，种群就有多样性了，进化才有收敛的可能。

内容的提问来源于stack exchange，提问作者user8176811