什么是伪随机数与真随机数？

随机数 计算机使用的随机数是伪随机数的一种，生成伪随机数的算法多种多样，甚至还有硬件随机数生成器，但它们也是伪随机数。

真随机数符合正态分布，它们的生成是不可重复的，真随机数在本质上几乎不存在。 但是，如果随机数可以被复制的可能性很小，则将其视为随机数，称为伪随机数。

以下算法描述了一种非常简单的伪随机数生成算法，该算法生成 0 到 1 之间的随机数。

因为它是一个伪随机数，知道随机数算法和种子，所以它总是可以达到随机数序列中任意随机数的值，所以一般来说，种子被设置为使用当前时间的毫秒，以保证随机数序列的不可重复性。

随机数的应用非常广泛，使用常见的加密和解密，以及随机筛选、概率计算等。 另一个常见的例子是哈希表的计算，它利用了相同的种子可以得到相同的随机序列这一事实，并使用随机函数作为哈希函数。

一般来说，伪随机数就足够了，但需要一个真正的随机数生成器才能通过程序获得严格而严肃的统计结果。 例如，如果你正在设计一个大规模的**程序，伪随机数的使用肯定会受到质疑。

这个**提供了一个真实的随机数序列，它是由大气噪声产生的，这是一种自然界的随机现象。

您可以通过 http、soap、corba 等在程序中请求特定的随机数字序列，并且有详细的接口文档。

一般来说，生成伪随机数的方法主要有三种：

1）直接方法，基于分布式DAO函数的物理原理。

版本含义生成。 权重的缺点是它们仅适用于某些具有特殊分布的随机数，例如二项分布和泊松分布。

2）反演法，假设u服从[0,1]区间的均匀分布，使x=f-1（u），则x的累积分布函数（cdf）为f。 该方法原理简单，编程方便，适用性广。

3）验收-拒绝法：假设要生成的随机数的概率密度函数（pdf）为f，则先找到一个带有pdf g和常数c的随机数生成器，使f（x） cg（x），然后根据验收拒绝算法求解。由于算法平均 c 次才能获得它想要生成的随机数，因此 c 的值必须尽可能小。

显然，这种算法的缺点是难以确定 g 和 c。

因此，伪随机数生成器（PRNGs）一般采用基于均匀分布的反转方法，均匀分布PRNG的优缺点决定了整个随机数系统的优缺点[7]。 下面将研究均匀分布的PRNG。

所谓真假随机性，其实分别是指概率和概率。 所谓概率，用Dota的话来说，就是不规则地发生，但大致就是这么多次。 例如，如果 17 是 2000 次的循环，那么 17 表示虽然你不确定这 340 次的确切时间，但 2000 次中一定有 340 次，不超过 1 次，也不少于 1 次。

这似乎是伪随机的。 概率事件相互影响，一旦这一次没有被触发，那么下一次触发的概率就会更大。 在形象上，概率事件就像，一个班级有50个学生抽签，总共有50个音符，其中10个有奖，40个没有奖。

按理说，每个人平均有 20 次获胜的机会。 一旦第一个学生没有抽奖，那么剩下的学生中奖的平均概率将从20增加到20，依此类推，如果前10个学生没有中奖，那么剩下的学生中奖的概率将增加到平均25。 但无论谁中奖或不中奖，只有 20 人中了彩票。

这是在 20 岁时中奖的概率。 另一方面，真正的随机性是指概率。 例如，一些分散的冰雹率为 17 意味着您这次有 17 的几率触发特殊事件，下一次，每次。

如果这次失败了，下次留在17的机会仍然存在。 同样以上面**为例，这次将 20 的概率替换为 20 的概率，然后变成这样：50 名学生，每人将获得一个装有 50 张纸币的盒子，其中 10 个有奖品，40 个没有中奖，每人可以抽取 10 张纸币。

这个时候，大家都是一个泵，互不影响。 如果你赢了，你不会赢或错过别人，这就是机会，这意味着事件之间没有联系，也许 50 个人可以一共抽到 1,000 个奖品，或者所有 50 个人都会空手而归。 虽然 20 的概率是所有事件相互影响并且总体概率保持在 20，而概率是所有事件彼此独立并且单个事件的概率保持在 20，但总体获胜分布在 0 到 100 之间波动。

计算机不能产生绝对随机数，计算机只能产生“伪随机数”。 事实上，绝对随机的随机数只是一个理想的随机数，无论计算机如何发展，它都不会产生一串带轮子的绝对随机数。 计算机只能生成相对随机数，即伪随机数。

1.随机性：完全乱序;

3.非重复性：随机数之间没有重复。

真随机数伴随着抛硬币、掷骰子、电子元件噪声、核裂变等物理实验，其结果符合三大特征。 谈谈这封信。

伪随机数是通过某种算法得到的，得到一个随机值，这个值并不是真正的随机值。 伪随机又分为强伪随机数和弱伪随机数。 强伪随机数：

它更接近真随机数并满足特殊一致性。 随机性和不可保证性，困难**。 弱伪随机数：

随机性得到满足，而且可以。

真正意义上的随机数（或随机事件）是根据实验过程中在一定生成过程中表达的分布概率随机生成的，结果是不可见的。 计算机中的随机函数根据一定的算法进行模拟，结果是确定的和可见的。 我们可以认为这个可预测的结果有 100% 的概率发生。

因此，计算机的随机函数生成的“随机数”不是随机的，它是一个伪随机数。