蒙特卡罗模拟的核心是高质量随机采样，必须使用std::mt19937配合std::random_device种子和标准分布类，而非rand()；需确保采样分布匹配问题需求、避免低质量随机数导致统计失效，并通过方差监控与收敛控制保障结果可信。
蒙特卡罗模拟的核心是随机采样，不是“写个循环+rand()”就完事
直接用 rand() 做 C++ 蒙特卡罗模拟，大概率结果偏差大、不可复现、甚至统计失效。关键不在“随机”，而在“采样分布是否匹配问题需求”和“随机数质量是否足够支撑统计收敛”。C++11 起标准库提供了 std::random_device、std::mt19937 和各类分布类，这才是可靠起点。
常见错误现象：rand() % 100 生成 [0,99] 整数看似简单，但低比特周期短、分布不均；用 time(nullptr) 初始化 srand() 导致多进程/多次运行结果雷同；没设种子导致每次调试都一样——这些都会让模拟失去统计意义。
- 始终用
std::mt19937替代rand()，它周期长（2¹⁹⁹³⁷−1）、通过了多项统计测试 - 种子用
std::random_device获取真随机熵（Linux 下读/dev/urandom），避免时间戳硬编码 - 需要连续型采样时，别手写
(double)rand()/RAND_MAX，改用std::uniform_real_distribution<double></double> - 若需正态、指数等非均匀分布，直接用对应分布类（如
std::normal_distribution<double></double>），不要自己变换
计算 π 的蒙特卡罗示例：验证采样逻辑是否正确
这是最常用来调试蒙特卡罗流程的玩具问题——在单位正方形内随机撒点，统计落入内切四分之一圆的比例。重点不是算出 π，而是确认你的随机引擎、分布、条件判断没引入系统偏差。
#include <random>
#include <iostream>
#include <cmath>
<p>int main() {
std::random_device rd;
std::mt19937 gen(rd()); // 种子来自硬件熵
std::uniform_real_distribution<double> dis(0.0, 1.0);</p><pre class="brush:php;toolbar:false;">const long N = 1000000;
long in_circle = 0;
for (long i = 0; i < N; ++i) {
double x = dis(gen);
double y = dis(gen);
if (x*x + y*y <= 1.0) ++in_circle;
}
double pi_est = 4.0 * in_circle / N;
std::cout << "π ≈ " << pi_est << "\n";}
立即学习“C++免费学习笔记（深入）”；
注意：这里 dis(gen) 每次调用都生成独立、均匀、双精度浮点数；x*x + y*y 是几何条件，无浮点陷阱（因范围严格在 [0,1]）；<code>4.0 * in_circle / N 用 double 避免整数除法截断。
实际应用中必须考虑方差与收敛性
蒙特卡罗不是“跑得越久越准”，而是误差随 √N 衰减。你扔一千万次，误差仍可能有 ±0.01 级别——这对金融定价或物理仿真可能是不可接受的。C++ 实现时不能只堆样本量，得主动控制统计质量。
- 记录每次迭代的局部估计值，用在线算法实时计算当前均值和标准差（例如用
Welford’s method算方差，避免大数相减） - 设定相对误差阈值（如
std_dev / mean ）或绝对误差上限，而非固定迭代次数 - 对高方差问题（比如尾部事件），必须用重要性采样——这时要自定义分布并加权修正，不能只依赖
uniform_real_distribution - 多线程并行时，每个线程用独立
std::mt19937实例（不同种子），最后合并统计量；绝不要多个线程共用一个生成器实例
性能陷阱：别让随机数拖慢整个模拟
高频调用 std::mt19937::operator()() 本身很快，但分布对象（尤其 std::normal_distribution）内部可能含复杂计算或缓存状态。实测中，生成 1e8 个正态分布数比均匀分布慢 3–5 倍。
- 如果只需要大量同分布样本，提前生成一批（如用
std::vector缓存），而不是循环里反复调用dis(gen) - 对简单均匀分布，可考虑用
std::uniform_int_distribution或std::uniform_real_distribution配合批量填充（C++20 的std::ranges::generate更方便） - 避免在 tight loop 里构造分布对象（如把
std::normal_distribution<double> norm(0,1)</double>放在循环内）——它构造开销远大于采样开销 - 若用 OpenMP 并行，确保每个线程的
gen和dis都是栈上独立对象，否则数据竞争会导致未定义行为
真正难的从来不是写出第一次模拟，而是让结果可信、可复现、可扩展。从种子管理到方差监控，每一步都藏着统计假设——而 C++ 给你工具，不替你做判断。
