使用 np.random.Generator.spawn() 生成的子流由父生成器种子确定性派生，相同父种子总产生相同子流序列；但各子流间数值统计独立，满足蒙特卡洛模拟对跨队列去相关性的核心要求。
使用 `np.random.generator.spawn()` 生成的子流由父生成器种子**确定性派生**，相同父种子总产生相同子流序列；但各子流间数值统计独立，满足蒙特卡洛模拟对跨队列去相关性的核心要求。
在基于 NumPy 的高性能随机模拟（如多队列蒙特卡洛仿真）中，Generator.spawn() 是实现可复现性与流间独立性兼顾的关键机制。其行为可精确概括为：确定性派生 + 统计独立。
确定性：父种子决定全部子流
spawn() 并非随机采样新种子，而是通过高质量哈希函数（如 siphash）将父生成器的内部状态（含原始 seed）映射为一组唯一、不可逆、均匀分布的子种子。这意味着：
- ✅ 相同父 seed → 每次调用
spawn(n)生成完全相同的n个子生成器； - ✅ 子生成器调用
.exponential()、.normal()等方法时，输出序列严格一致； - ❌ 无法通过“微调父 seed”获得“轻微不同”的子流——变化是离散且全量的。
import numpy as np
def get_first_exp_val(seed, n_streams=2):
parent = np.random.default_rng(seed)
streams = parent.spawn(n_streams)
return [s.exponential(1.0) for s in streams]
# 两次运行结果完全相同
print(get_first_exp_val(42)) # [0.235..., 1.872...]
print(get_first_exp_val(42)) # [0.235..., 1.872...] ← 完全一致独立性：子流间无统计相关性
尽管子种子由父种子确定性生成，NumPy 保证：
- 各子生成器使用正交化算法路径（如不同 LCG 参数或跳步偏移）；
- 任意两个子流的联合分布满足统计独立性假设（经 Dieharder、TestU01 等权威套件验证）；
- 适用于多线程/多进程场景（每个子流可安全分配给独立线程，无需锁）。
⚠️ 注意：独立性指数值序列间无可检测的相关性，而非“数学上绝对独立”。实践中，NumPy 的
spawn已被广泛用于金融风控、物理仿真等高可靠性场景，其独立性强度远超伪随机数生成器（PRNG）理论要求。
多轮仿真：确保全局差异性的实践建议
若需执行多轮完全不同的仿真（如超参调优、敏感性分析），必须变更父种子：
# ✅ 正确：每轮使用不同父 seed → 所有子流整体位移
for round_id in range(3):
parent = np.random.default_rng(seed=1000 + round_id) # 显式递增
streams = parent.spawn(num_queues)
simulate_round(streams)
# ❌ 错误：复用同一父 seed → 所有轮次结果完全重复
parent = np.random.default_rng(42)
for _ in range(3):
streams = parent.spawn(num_queues) # 每次 spawn 返回相同对象！
simulate_round(streams) # 三轮结果一模一样总结
-
spawn()提供强可复现性（相同输入 → 相同输出）与工程级独立性（子流间无实际可利用相关性）； - 跨仿真轮次的差异性，完全取决于父种子的差异化设置；
- 在科学计算与工业仿真中，这是比手动管理多个
default_rng(seed)更安全、更高效、更符合 NumPy 设计哲学的方案。
