这个问题我之前也踩过坑，其实核心不是Mersenne Twister生成器的差异，而是两者调用随机数的顺序、数组的存储/遍历顺序完全不同，咱们一步步拆解解决：

为什么原代码不匹配？ #

你原Python代码里，是先调用np.random.rand(a,b,c)生成所有实部（消耗a*b*c个随机数），再调用一次生成所有虚部（又消耗a*b*c个），而且Numpy默认是**行优先（C顺序）**遍历数组。

而MATLAB的rand([a,b,c], 'like', 1i)是按**列优先（Fortran顺序）**遍历数组，对每个元素先生成实部、再生成虚部——也就是说，MATLAB是交替生成每个元素的实部和虚部，总共调用2*a*b*c个随机数，但调用顺序和你原Python代码完全错位，自然结果不匹配。

调整后的匹配方案 #

我们只需要让Numpy模拟MATLAB的随机数调用顺序和数组存储逻辑就行，具体步骤：

1. 一次性生成足够的随机数（2*a*b*c个），对应每个复数的实部+虚部
2. 把随机数拆成实部和虚部的扁平化数组
3. 按MATLAB的列优先规则reshape成目标形状
4. 组合成复数数组

修改后的代码 #

Python代码：

import numpy as np

a = 16
b = 4
c = 10
total_elements = a * b * c

# 匹配MATLAB的种子和生成器
np.random.seed(42)

# 生成2倍元素数的随机数：每个复数对应实部+虚部两个随机数
rand_vals = np.random.rand(2 * total_elements)

# 拆分实部和虚部的扁平化数组
real_flat = rand_vals[:total_elements]
imag_flat = rand_vals[total_elements:]

# 按MATLAB的列优先（Fortran order）reshape成目标维度
real_part = real_flat.reshape(a, b, c, order='F')
imag_part = imag_flat.reshape(a, b, c, order='F')

# 组合成复数数组
x_py = real_part + 1j * imag_part

MATLAB代码（保持原代码即可）：

% Set the seed for MATLAB's random generator
rng(42, 'twister')  % Use the Mersenne Twister algorithm

% Generate complex random numbers
a = 16;
b = 4;
c = 10;
x_ml = rand([a, b, c], 'like', 1i);

验证匹配度 #

你可以取对应位置的元素验证：

• Python里取x_py[0, 0, 0]（0索引）
• MATLAB里取x_ml(1, 1, 1)（1索引）
  两者的实部和虚部会完全一致，整个数组的所有元素也会一一对应。

备注：内容来源于stack exchange，提问作者Naveen