MATLAB随机数为什么会重复？

首先，各位不妨在新启动的MATLAB中使用randperm生成随机整数，看看结果是否和笔者一致？

randperm 是一个返回随机整数的函数，例如 randperm(10) 以随机顺序返回从 1 到 10 的所有整数。

>> randperm(10)

ans =

     6     3     7     8     5     1     2     4     9    10

尝试过的朋友们可能会发现在新启动的MATLAB中，上述命令生成的随机数是相同的，而且与MATLAB版本、操作系统等因素无关。

同样的，使用rand、randi、randn等函数同样会在新启动的MATLAB会话中每次生成相同的随机数。

>> rand

ans =

    0.8147

或是

>> randn

ans =

    0.5377

随机数相同的原因

事实上，MATLAB中的随机数并非纯粹意义上的随机数，而是完全确定的。

不止MATLAB，其实现代编程语言和模拟平台中使用的所有“随机数”生成器（pseudorandom number generator）都是完全确定性的，是通过一定的算法使用程序生成的伪随机数， 而通过物理现象产生的随机数才是真随机数。

真伪随机数之间的最大差别在于是否可以预测。

在MATLAB中，所有随机数函数（rand、randn、randi 和 randperm）均可从共享随机数生成器中取值，每次启动 MATLAB 时，生成器都会使用默认算法和种子将自身重置为相同的状态。

因此，在MATLAB 会话中启动后立即执行一个命令（例如randperm(10)）时，会返回相同的结果。

此外，无论何时重新启动，任何调用随机数函数的脚本或函数均返回相同的结果。

所以说造成随机函数的结果取决于两点：

• 随机数生成器的算法
• 随机数生成器的种子（seed)

算法我们在下文进行详细介绍，那么种子又是什么呢？

随机数生成器的种子（seed）是初始化随机数生成器状态的一个数值。设置种子确保每次生成相同的随机数序列，这对于结果复现、调试和测试非常重要。

种子相当于随机数生成器的起点，从这个起点开始，生成器会按照确定的算法产生一系列的随机数。

种子的作用：

1. 可复现性：设置相同的种子，每次运行代码时生成的随机数序列相同。这在调试和结果验证时尤为重要。
2. 控制实验条件：在模拟和仿真中，使用相同的种子可以确保条件一致，便于比较不同条件的结果。
3. 分布式计算：在分布式计算环境中，可以为每个子任务设置不同的种子，确保任务之间的独立性和随机性。

MATLAB的随机数算法

目前MATLAB支持的随机数生成器算法有：

1.Mersenne Twister

梅森旋转算法是 MATLAB 的默认随机数生成算法，名字源于选择梅森素数作为其周期长度。

其特点是具有非常长的周期2¹⁹⁹³⁷-1，质量高且生成速度快，适用于大多数应用。

不仅Matlab使用其作为默认随机数算法，R、Python、Ruby、IDL、Free Pascal、PHP、Maple、GNU多重精度运算库和GSL均使用其作为默认的伪随机数算法。从C++11开始，C++也可以使用这种算法。

2. SIMD-Oriented Fast Mersenne Twister

SFMT（SIMD-oriented Fast Mersenne Twister）是梅森旋转算法的新变体，其周期同样为2¹⁹⁹³⁷-1，支持 32 位和 64 位整数，以及双精度浮点作为输出。

在大多数平台中，SFMT 比传统的梅森旋转算法快得多，而且 v 位精度的等分布维数也得到了提高。此外，从 0 超出初始状态恢复要快得多。

3. Combined Multiple Recursive ：

结合了多个递归生成器来生成随机数，周期为 2¹⁹¹，生成速度快且质量高，适用于并行计算。

4. Multiplicative Lagged Fibonacci

乘法时滞斐波那契生成器（MLFG），来源于时滞斐波那生成器， 使用了两个时滞斐波那契序列乘法的组合。

特点是周期较长（约 2⁶³³¹），随机性质量高，适合高精度需求的应用。

5. Threefry 和 Philox ：

Threefry与Philox都是基于对称密钥加密技术的随机数生成器，特点是适合并行计算和 GPU 计算，提供均匀分布的高质量随机数。

Threefry 在 CPU 上速度更快，而 philox 最适合在 GPU 上使用。

Philox的周期为2¹⁹³，Threefry的周期为2⁵¹⁴。

6. 兼容旧版的生成器

还有三种支持早期版本MATLAB（4.0，5.0）的随机数生成器，分别是v4、v5uniform和v5normal。

特点是与旧版本兼容，但周期和随机性质量不如现代生成器。

比较和选择

• 性能和速度：大多数现代生成器如 Mersenne Twister、Threefry 和 Philox 在性能和生成速度方面表现出色。
• 周期长度：对于需要超长周期的应用，Mersenne Twister 和 MLFG 是优选。
• 并行计算：Threefry 和 Philox 特别适合并行和 GPU 计算，因为它们设计为能够在并行环境中提供高质量的随机数。
• 兼容性：如果需要与旧版本 MATLAB 的结果兼容，可以选择兼容旧版的生成器。

随机数生成器的设置

在 MATLAB 中，使用 rng 函数设置随机数生成器的算法和种子。

rng(seed,generator) 

seed指随机数种子，指定为小于 2^32 的非负整数或"shuffle"。

将 seed 指定为 "shuffle" 时，rng 函数根据当前时间初始化生成器种子，在每次调用 rng 后会产生一个不同的随机数序列。

默认使用种子0初始化生成器，即rng("default")等效于rng(0)

generator指随机数生成器算法，可以用传值或关键字的方法进行设置，两种方法是等效的。

默认使用Mersenne Twister算法，即rng(0)等效于rng(0,"twister")

%% Mersenne Twister 算法
rng(0, "twister"); %传值
rng mt19937ar	   %关键字

%% SIMD-Oriented Fast Mersenne Twister 算法
rng(0, "simdTwister"); %传值
rng dsfmt19937	   %关键字

%% 	Combined Multiple Recursive 算法
rng(0, "combRecursive"); %传值
rng mrg32k3a	   %关键字

%% 	Multiplicative Lagged Fibonacci 算法
rng(0, "multFibonacci"); %传值
rng dsfmt19937	   %关键字

%% Philox 算法
rng(0, "philox"); %传值
rng mt19937ar	   %关键字

%% Threefry 算法
rng(0, "threefry"); %传值
rng dsfmt19937	   %关键字

%% 	MATLAB 4.0 版旧生成器算法
rng(0, "v4"); %传值
rng mt19937ar	   %关键字

%% SMATLAB 5.0 版旧式均匀随机数生成器
rng(0, "v5uniform"); %传值
rng dsfmt19937	   %关键字

%% 	MATLAB 5.0 版旧式正态分布随机数生成器
rng(0, "v5normal"); %传值
rng mt19937ar	   %关键字

总结

MATLAB生成的随机数是确定且可控的，通过使用rng函数设置随机数生成器（算法）与随机数种子来控制。

• 如果想在重启 MATLAB 时避免重复相同的随机数数组，在调用 rand、randn、randi 或 randperm 之前使用 rng("shuffle")或自定义不同的随机数种子。
• 如果想在不重启 MATLAB 会话的情况下重复该会话开始时获得的结果，可使用 rng("default") 将生成器重置为启动状态。