正确使用c++的<random>库生成高质量随机数需选用std::mt19937等优质引擎，以std::random_device初始化种子，并通过std::uniform_int_distribution等分布类获取指定范围值，避免rand()或取模等错误方式。
在C++中，使用std::random生成高质量的随机数关键在于正确选择随机数引擎和分布方式。很多人误用rand()，但其质量差、周期短、分布不均。现代C++推荐使用<random>头文件中的工具来实现更可靠、可重复性可控的随机行为。
选择合适的随机数引擎
高质量随机数的第一步是选用一个强大的随机数生成引擎。常用的有：
- std::mt19937：基于梅森旋转算法，周期长达2^19937−1，适合大多数应用
- std::mt19937_64：64位版本的梅森旋转，适用于需要更大范围整数的场景
- std::ranlux48：高精度、低相关性的引擎，适合科学计算
避免使用std::default_random_engine，因为它具体实现依赖编译器，可能不是高质量引擎。
正确初始化种子以提高随机性
即使使用了好的引擎，若种子固定或可预测，结果仍会重复。建议使用std::random_device作为种子源：
立即学习“C++免费学习笔记（深入）”；
std::random_device rd; // 真实随机设备（如果可用） std::mt19937 gen(rd()); // 用随机设备初始化梅森旋转引擎
注意：std::random_device在某些平台可能是伪随机的（如windows MinGW），但在主流系统（linux/Clang/GCC）上通常能提供熵源。若需更高安全性，可结合时间或其他熵值混合种子。
使用分布对象获得指定范围的随机数
直接对生成器取模会破坏均匀性。应使用分布类来映射输出：
- std::uniform_int_distribution<int>：生成均匀分布的整数
- std::uniform_real_distribution<double>：生成[0.0, 1.0)之间的浮点数
- std::normal_distribution<double>：正态分布等高级分布
示例：生成1到100之间的随机整数
std::random_device rd; std::mt19937 gen(rd()); std::uniform_int_distribution<int> dis(1, 100); int random_num = dis(gen);
避免常见错误
以下做法会降低随机质量：
- 每次生成都创建新引擎和种子 —— 影响性能且可能导致熵耗尽
- 用time(nullptr)作为唯一种子 —— 时间分辨率低，易重复
- 对随机数取模（%）限制范围 —— 导致偏态分布
最佳实践是将引擎和分布封装起来重用，尤其是高性能或频繁调用场景。
基本上就这些。只要选对引擎、合理设种、用分布控制范围，就能在C++中稳定生成高质量随机数。不复杂但容易忽略细节。