4. 随机数生成原理：伪随机数生成器(PRNG)、均匀分布随机数、种子(Seed)的重要性、Python中random与numpy.random模块
Monte Carlo 仿真的核心在于通过大量随机抽样来逼近系统的真实行为。因此，随机数的质量直接决定了仿真结果的准确性与可复现性。本章将深入剖析随机数的生成原理，重点讲解伪随机数生成器（PRNG）、均匀分布随机数、种子（Seed）的关键作用，以及 Python 中 random 与 numpy.random 模块的实践应用。
4.1 伪随机数生成器（PRNG）
计算机无法产生真正的随机数，而是通过确定的数学算法生成看似随机的数列，这类算法称为伪随机数生成器（Pseudo-Random Number Generator, PRNG）。PRNG 从一个初始状态（种子）出发，通过递推公式产生序列，该序列在统计上近似于均匀分布且相互独立。
关键特性：
- 确定性：给定相同的种子，PRNG 总是产生完全相同的随机数序列。
- 周期性：所有 PRNG 都有周期，当序列长度超过周期后，随机数会重复。
- 统计随机性：通过 Diehard、TestU01 等统计测试套件验证其分布均匀性和独立性。
常用的 PRNG 算法包括：
| 算法名称 | 核心原理 | 周期长度 | 典型应用 |
|---|---|---|---|
| 线性同余生成器（LCG） | \(X_{n+1} = (a \cdot X_n + c) \mod m\) | 最多 \(m\) | 早期 C 库、部分嵌入式系统 |
| 梅森旋转算法（Mersenne Twister） | 基于 624 维分布的线性反馈移位寄存器 | \(2^{19937} - 1\) | Python 默认 random 模块、R 语言 |
| PCG（Permuted Congruential Generator） | LCG 输出后加置换函数 | \(2^{64}\) 或 \(2^{128}\) | NumPy 1.17+ 默认生成器 |
可靠性仿真提示：在系统可靠性评估中，仿真规模通常达到 \(10^5 \sim 10^7\) 次抽样。梅森旋转算法的超长周期（\(2^{19937}\)）足以避免周期重复，是 Monte Carlo 仿真的可靠选择。
4.2 均匀分布随机数
均匀分布随机数是所有其他分布（如指数分布、正态分布）的基础。在系统可靠性仿真中，通常首先生成 \(U(0,1)\) 均匀随机数，再通过逆变换法、舍选法或 Box-Muller 变换转换为目标分布。
均匀分布的定义：在区间 \([a, b)\) 上，概率密度函数为 \(f(x) = \frac{1}{b-a}\)，累积分布函数为 \(F(x) = \frac{x-a}{b-a}\)。标准均匀分布 \(U(0,1)\) 是最常用的形式。
从 \(U(0,1)\) 生成其他分布的常见方法：
- 逆变换法：若目标分布的 CDF 为 \(F(x)\)，则 \(X = F^{-1}(U)\) 服从该分布。例如指数分布：\(X = -\lambda \ln(1-U)\)。
- Box-Muller 变换：由两个独立 \(U(0,1)\) 生成两个独立标准正态随机数。
- 舍选法：适用于 CDF 逆函数不易求解的分布，通过接受-拒绝采样实现。
4.3 种子（Seed）的重要性
种子是 PRNG 的初始输入值，决定了整个随机数序列的起点。在系统可靠性评估中，种子的管理直接影响仿真结果的可复现性和统计可靠性。
| 场景 | 种子设置方式 | 目的 |
|---|---|---|
| 调试与验证 | 固定种子（如 seed=42） |
每次运行结果完全一致，便于定位代码错误 |
| 参数敏感性分析 | 不同种子运行多次 | 评估随机性对结果的影响，验证仿真稳定性 |
| 大规模并行仿真 | 为每个进程分配独立种子 | 避免不同进程产生重叠的随机数序列 |
| 生产环境运行 | 使用系统时间或硬件熵源 | 每次运行获得不同的随机序列，模拟真实随机性 |
常见陷阱：在循环中重复设置种子会导致每次迭代生成相同的随机数，破坏统计独立性。正确的做法是在仿真开始前设置一次种子，后续连续调用生成器。
4.4 Python 中 random 与 numpy.random 模块
Python 提供了两个主要的随机数生成模块：标准库 random 和科学计算库 numpy.random。在系统可靠性仿真中，numpy.random 因其高性能和向量化操作而更受青睐。
4.4.1 random 模块（标准库）
基于梅森旋转算法（Mersenne Twister），适用于一般用途的随机数生成。
import random
# 设置种子
random.seed(42)
# 生成 [0.0, 1.0) 均匀随机数
u = random.random()
# 生成 [a, b] 均匀随机整数
n = random.randint(1, 6) # 模拟骰子
# 从列表中随机选择
choice = random.choice(['成功', '失败'])
# 生成指数分布随机数（通过逆变换）
import math
lambda_rate = 0.1
exp_rv = -math.log(1 - random.random()) / lambda_rate4.4.2 numpy.random 模块
NumPy 1.17 之后推荐使用新的 Generator API，默认使用 PCG64 算法，性能优于梅森旋转，且支持更丰富的分布和并行生成。
import numpy as np
# 创建随机数生成器并设置种子
rng = np.random.default_rng(seed=42)
# 生成 10 个 [0.0, 1.0) 均匀随机数
u_array = rng.uniform(size=10)
# 生成 1000 个指数分布随机数（用于模拟故障间隔时间）
lambda_rate = 0.1
exp_samples = rng.exponential(scale=1/lambda_rate, size=1000)
# 生成 1000 个正态分布随机数（用于模拟测量误差）
normal_samples = rng.normal(loc=0.0, scale=1.0, size=1000)
# 从离散分布中抽样（用于模拟系统状态）
states = rng.choice(['正常', '降级', '失效'], size=100, p=[0.85, 0.10, 0.05])4.4.3 模块对比
| 特性 | random 模块 |
numpy.random 模块 |
|---|---|---|
| 底层算法 | 梅森旋转（MT19937） | PCG64（默认）、MT19937、SFC64 等可选 |
| 向量化生成 | 不支持，需循环 | 支持，一次生成大量样本 |
| 性能（生成 \(10^6\) 个随机数） | 约 0.8 秒 | 约 0.02 秒（快 40 倍） |
| 支持分布类型 | 约 10 种 | 约 30 种（含多元分布） |
| 并行种子管理 | 手动管理 | 提供 SeedSequence 自动派生独立种子 |
| 线程安全 | 否（需加锁） | 是（每个 Generator 实例独立） |
可靠性仿真最佳实践：对于大规模 Monte Carlo 仿真，始终使用
numpy.random.default_rng() 创建生成器。在并行仿真中，使用 SeedSequence 为每个进程派生独立种子，避免序列重叠。
# 并行仿真中的种子管理示例
from numpy.random import SeedSequence, default_rng
# 主种子
ss = SeedSequence(12345)
# 为 4 个并行进程派生独立种子
child_seeds = ss.spawn(4)
# 每个进程使用自己的生成器
rng_0 = default_rng(child_seeds[0])
rng_1 = default_rng(child_seeds[1])
# ... 每个进程独立运行仿真4.5 本章小结
- PRNG 是 Monte Carlo 仿真的基石，梅森旋转和 PCG 是当前最常用的算法。
- 均匀分布随机数是生成其他分布的基础，逆变换法是最通用的转换方法。
- 种子管理决定了仿真的可复现性和统计可靠性，需根据场景合理设置。
- 在 Python 中，
numpy.random模块凭借高性能和丰富的分布支持，是系统可靠性仿真的首选工具。