最可靠方法是使用C++11标准库std::normal_distribution配合可重现的随机引擎（如std::mt19937），显式指定float/double类型，避免手写Box-Muller或使用rand()，确保sigma>0且各线程独占引擎。
用 std::normal_distribution 生成正态分布浮点数最可靠
直接用 C++11 起标准库提供的 std::normal_distribution，它基于 Box-Muller 或类似算法，精度和统计性质都有保障。别自己手写变换公式——容易出错，且浮点舍入、边界值（比如 0.0 或极小值）处理不好会破坏分布形状。
关键点：std::normal_distribution 默认输出 double，但可显式指定 float 类型；它必须配合一个均匀随机引擎（如 std::mt19937）使用，不能单独调用。
-
std::normal_distribution<float></float>比double版本省内存，但标准差较小时可能出现量化误差（尤其在尾部） - 引擎必须是可重复播种的（如
std::mt19937），别用std::random_device直接当引擎——它不保证可重现，也不适合多次调用 - 若需固定种子调试，用
std::mt19937 gen(42)；生产环境可用std::random_device{}()初始化
std::mt19937 gen(42); std::normal_distribution<float> dist(0.0f, 1.0f); // 均值0，标准差1 float x = dist(gen); // 每次调用生成一个新样本
为什么不用 rand() + 手动转换
老式 rand() 返回整数，范围窄（通常只有 15 位有效比特），映射到浮点后分辨率严重不足，生成的“正态”样本在直方图上会出现明显条纹或空隙。更糟的是，rand() 序列周期短、相关性高，Box-Muller 变换会放大这些缺陷。
- 用
rand() % 1000 / 1000.0f这类操作得到的是离散均匀分布，不是连续均匀分布，导致正态变换后尾部概率失真 - Box-Muller 需要两个独立均匀样本，而
rand()连续调用并不独立（尤其在 LCG 实现中） - 某些平台
RAND_MAX小于 32767，连 16 位精度都保不住
控制均值和标准差的常见误操作
很多人以为改 std::normal_distribution 构造参数就能任意缩放，但要注意：构造时传入的参数是**真实均值和标准差**，不是“中心偏移量”或“缩放因子”。如果已有样本想平移缩放，应直接运算，而不是重建分布对象。
立即学习“C++免费学习笔记（深入）”；
- 错误写法：
std::normal_distribution<float>(0, 1)</float>然后手动x * sigma + mu—— 其实没问题，但没必要绕路；直接构造std::normal_distribution<float>(mu, sigma)</float>更清晰 - 陷阱：若
sigma == 0，部分标准库实现会抛std::domain_error，不是返回恒定值；务必确保sigma > 0 - 多线程下，每个线程应持有自己的
gen和dist实例，或至少独占gen；dist对象本身是无状态的，但调用operator()会内部缓存一个临时值（用于双样本生成），共享会导致数据竞争
性能和精度取舍要点
std::normal_distribution 每次调用平均消耗约 2–3 次均匀随机数生成（因 Box-Muller 需两个输入，且有拒绝采样逻辑），比均匀分布慢 2–3 倍。但对绝大多数应用已足够快；真瓶颈通常不在这里。
- 若批量生成（如 10⁴+ 个数），可考虑用
std::vector<float></float>预分配 + 循环填充，避免频繁小内存分配 -
float版本在 |x| > 6σ 区域可能出现下溢为 0，double版本能撑到约 37σ；若需长尾（如金融模拟），优先用double - Clang/GCC 的 libstdc++ 和 libc++ 实现细节不同，但都满足 C++ 标准要求的统计质量；不必为跨平台一致性额外加 wrapper
实际用的时候，最常被忽略的是引擎生命周期管理——把 std::mt19937 定义在函数内，每次调用都重新初始化，等于每次都从相同种子开始，结果全一样。要么提升作用域，要么用 static 局部变量，但得注意线程安全。
