3.6　随机数

随机地生成数值，在许多场景中会用到，比如模拟中奖这种随机事件，或者蒙特卡罗（Monte Carlo）仿真等。但通过计算机生成随机数是一件很有挑战性的事，因为计算机的特点是一切都需要是明确的。科学家们发明了多种方法，制作出了各种伪随机数发生器（Random Number Generator，RNG），其中的马特赛特旋转演算法^[1]是Julia默认采用的方法。

提示　如果开发者不愿意使用该RNG，可以借助AbstractRNG类加入新的RNG，以便使用。

另外，因为随机数模拟的实际是某个随机事件，所以也与统计分布相关，即大量的随机数序列会呈现某种数学分布特性，比如均匀分布、正态分布或指数分布等。Julia能够按照要求生成特定分布特性的随机数序列，并且还可以支持不同的数值类型，下面以浮点型为例，分别介绍三种常见分布的随机数生成方法。

1.均匀分布随机数

函数rand（）用于生成均匀分布的随机数。对于浮点类型来说，该函数生成的随机数所处的区间是[0，1），即小于1大于等于0的浮点数。例如：

---

julia> rand()
0.003594517966796884

julia> rand()
0.05602819264146208

julia> rand()
0.8497003282422178

---

如上所示，按照相同的方式反复地调用同一个函数，每次都会获得不同的数值，即获得了需要的随机序列。

2.正态分布随机数

函数randn（）则是用于生成均值为0，方差为1的正态分布中的随机数，例如：

---

julia> randn()
1.2632927170077926

julia> randn()
-1.2236714132749305

julia> randn()
0.4294006067651739

---

3.指数分布随机数

函数randexp（）用于生成符合指数分布的随机数，例如：

---

julia> randexp()
1.6622581377218693

julia> randexp()
0.768276340842417

julia> randexp()
0.3918476058681037

---

关于随机生成函数的更多用法，可参见相关文档，这里不再赘述。

[1] 马特赛特旋转演算法（Mersenne Twister Library），由Makoto Matsumoto（松本）和Takuji Nishimura（西村）于1997年开发。该方法基于有限二进制字段上的矩阵线性再生，快速产生高质量的伪随机数。