SciPy 的 Sobol 类默认按低差异顺序连续生成点，重复调用 random_base2() 会延续同一序列而非产生新序列；要获得统计上独立的 Sobol 样本，需为每次调用创建带不同随机种子的新引擎实例。
scipy 的 `sobol` 类默认按低差异顺序连续生成点，重复调用 `random_base2()` 会延续同一序列而非产生新序列；要获得统计上独立的 sobol 样本，需为每次调用创建带不同随机种子的新引擎实例。
Sobol 序列是一种确定性低差异序列（low-discrepancy sequence），其核心设计目标是均匀填充单位超立方体，而非模拟统计独立性。因此，scipy.stats.qmc.Sobol 的行为本质上是“状态保持型”的：调用 random_base2(m=14) 会生成 $2^{14} = 16384$ 个点，并将内部计数器推进至该总数；再次调用时，它从第 16385 个点继续生成——这正是你观察到“数值几乎相同”的原因：后续批次的点被强制填入前一批已高度覆盖的空间缝隙中，导致欧氏距离极小（量级约 $2^{-14}$），视觉与数值上均呈现强相关性。
⚠️ 注意：这不是 bug，而是 Sobol 算法的固有特性。random_base2() 的文档中“To continue an existing design”明确强调其延续性（continuation），而非重初始化（reinitialization）。
✅ 正确做法：使用多个独立引擎实例
从 SciPy ≥ 1.15 开始，推荐通过 rng 参数传入不同的随机数生成器（如 np.random.default_rng(seed)）来实现真正独立的 Sobol 序列；SciPy seed 参数：
import numpy as np
from scipy.stats import qmc
# 方法1：SciPy ≥ 1.15（推荐）
rng1 = np.random.default_rng(42)
rng2 = np.random.default_rng(123)
engine1 = qmc.Sobol(d=1, scramble=True, rng=rng1)
engine2 = qmc.Sobol(d=1, scramble=True, rng=rng2)
seq1 = engine1.random_base2(m=14) # 16384 点
seq2 = engine2.random_base2(m=14) # 完全独立的另一组 16384 点
print(f"seq1[0] = {seq1[0][0]:.6f}, seq2[0] = {seq2[0][0]:.6f}") # 显著不同# 方法2：SciPy < 1.15（兼容写法） engine1 = qmc.Sobol(d=1, scramble=True, seed=42) engine2 = qmc.Sobol(d=1, scramble=True, seed=123) seq1 = engine1.random_base2(m=14) seq2 = engine2.random_base2(m=14)
? 关键点：每个
Sobol实例必须拥有独立的、显式指定的随机源（rng或seed）。仅靠scramble=True不足以保证跨实例独立性——它只影响单个引擎内部的点序扰动。
❌ 常见误区澄清
-
engine.reset()不会重置随机种子，仅重置点计数器（即回到第 0 点），但后续生成仍基于原rng/seed，结果不变； -
random()方法虽允许非 2 的幂次采样，但仍受同一引擎状态约束，无法解决跨批次独立性问题； - 对单个序列做
np.random.permutation()可改善“外观随机性”，但不改变底层低差异结构的相关性本质，且破坏了 Sobol 的最优分层性质，一般不推荐用于积分或优化等敏感场景。
? 总结
| 目标 | 推荐方案 |
|---|---|
| 同一实验中扩展点集（如自适应采样） | 复用同一 Sobol 引擎，调用 random_base2() 或 random(n)
|
| 多次独立实验（如蒙特卡洛误差估计、并行化） | 每次新建 Sobol(..., rng=...) 实例，确保 rng 互异 |
| 需要 1D 均匀+简单随机性（非低差异） | 改用 qmc.LatinHypercube 或 np.random.uniform
|
最终，理解 Sobol 的“确定性+可重现+低差异”本质，比追求表观随机性更重要——选择正确的工具（独立引擎）才能兼顾数学严谨性与实际需求。
