最近準備刷題，打算簡單封裝下隨機數生成器，方便產生測試數據。C++11的STL提供了很多分布類型，我比較常用的是均勻分布，均勻分布的值有兩種類型，一類是整數，另一類是浮點數，STL根據值的類型定義了兩個函數 std::uniform_int_distribution 和 std::uniform_real_distribution 。為了方便使用，我期望在使用的時候通過函數模板的實參推導出要生成的數值類型，而不是顯式指定要生成的數值類型。

判斷模板實參類型

上面這個需求很簡單，最開始想到的方式是對模板實參推斷的類型進行判斷，根據判斷結果做不同的處理。

#include <random> #include <type_traits> #include <functional> #include <limits>std::default_random_engine e;template<typename T_> void Randoms(size_t counts, T_ min, T_ max) {std::function<T_()> distribute_;if (std::is_integral<T_>::value) {// lambdadistribute_ = [=]() {// 類模板特化 默認result_type int;std::uniform_int_distribution<> u(min, max);return u(e);};} else {// 類模板特化 默認result_type double;std::uniform_real_distribution<> u(min, max);// std::bind// 成員函數返回值默認類型為double；using type_ = double (std::uniform_real_distribution<>::*)(std::default_random_engine &);distribute_ = std::bind(static_cast<type_>(&std::uniform_real_distribution<>::operator()),&u,e);}for (int i = 0; i < counts; ++i) {std::cout << distribute_() << " ";}std::cout << std::endl; }int main(int argc, char **argv) {Randoms(5,std::numeric_limits<std::size_t>::min(),std::numeric_limits<std::size_t>::max());Randoms(5, -0.5, 0.5);return 0; }

從這個測試實例的結果來看，產生的數值遠遠超過了默認的 int 類型所能表示的數值，然后去看了看具體實現。下面代碼是MinGW中GCC的實現版本，從實現中可以看出，均勻分布的類模板重載了函數調用運算符，接收兩個參數，一個是均勻分布的隨機數生成器，第二個是參數類型。首先定義了三個類型別名：

• 生成器的結果類型 _Gresult_type；
• 無符號的結果類型 __utype，由于類模板推斷的結果類型是 int，_utype 的實際類型就是 unsigned int；
• 生成器的結果類型和無符號的結果類型的共同類型 __uctype, 該類型只有當 _Gresult_type 和 __utype 可以相互轉換才存在，這個過程實際就是類型轉換。

隨后使用 __uctype類型別名又定義了下面幾個關鍵的變量，簡單來看，生成器相關的屬性值(如最大、最小值等)與隨機數引擎有關，只要隨機數引擎不變，生成器的屬性值應該就不會變（至于屬性值到底變不變以及是否與隨機數種子有關等，待以后有時間再看看那部分源碼怎么寫的，目前就按不變來理解）。

• __urngmin 表示生成器的最小值，不會改變；
• __urngmax 表示生成器的最大值，不會改變；
• __urngrange 表示生成器的數值范圍，不會改變；
• __urange 表示參數類型的數值范圍，在放大操作時會隨著遞歸進行改變；
• __ret 表示返回結果的一部分，加上參數范圍的最小值即為最終的隨機數結果。

當生成器的范圍超過了參數類型的范圍，那么生成器生成的數值則可能超過參數類型的范圍，這時候就需要進行縮小操作。縮小操作首先計算出縮小因子，然后根據縮小因子計算出縮小后符合參數類型的生成器的最大值，只要生成器生成的值超過了允許的最大值則繼續生成下一個，直至生成符合要求的數值，最后將生成器的數值按比例縮小。

當生成器的范圍低于參數類型的范圍，那么就無法生成超過生成器范圍，低于參數類型范圍的數值，這時候就需要進行放大操作。放大操作是一個循環遞歸，遞歸終止的條件則是生成器的范圍大于等于參數類型的范圍，當生成器生成的值超過了參數類型的范圍，說明生成的數值不正確，需要繼續重新生成。根據隨機數計算公式可以看到，high 的區間是 [0,urange / (urngrange + 1)] ，low 的區間是 [0, urngrange]，這兩個區間左右兩側都是閉區間，那么根據 (urngrange + 1) * high + low 計算的區間則是[0,urange + low]，因此生成的數值可能比 urange 大，這個可能性被第一個循環條件處理了。從循環的條件看還有一個判斷條件，這個條件還沒太理解，初步猜測與數值溢出有一定關系。如果 __tmp 已經處于最大值，此時再加上一個非0的隨機數，那么則可能超過 __ret 本身所能表示的范圍，導致溢出。

template <typename _IntType> template <typename _UniformRandomNumberGenerator> typename uniform_int_distribution<_IntType>::result_type uniform_int_distribution<_IntType>:: operator()(_UniformRandomNumberGenerator &__urng,const param_type &__param) {typedef typename _UniformRandomNumberGenerator::result_type_Gresult_type;typedef typename std::make_unsigned<result_type>::type __utype;typedef typename std::common_type<_Gresult_type, __utype>::type__uctype;const __uctype __urngmin = __urng.min();const __uctype __urngmax = __urng.max();const __uctype __urngrange = __urngmax - __urngmin;const __uctype __urange = __uctype(__param.b()) - __uctype(__param.a());__uctype __ret;if (__urngrange > __urange){// downscalingconst __uctype __uerange = __urange + 1; // __urange can be zeroconst __uctype __scaling = __urngrange / __uerange;const __uctype __past = __uerange * __scaling;do__ret = __uctype(__urng()) - __urngmin;while (__ret >= __past);__ret /= __scaling;}else if (__urngrange < __urange){// upscaling/*Note that every value in [0, urange]can be written uniquely as(urngrange + 1) * high + lowwherehigh in [0, urange / (urngrange + 1)]andlow in [0, urngrange].*/__uctype __tmp; // wraparound controldo{const __uctype __uerngrange = __urngrange + 1;__tmp = (__uerngrange * operator()(__urng, param_type(0, __urange / __uerngrange)));__ret = __tmp + (__uctype(__urng()) - __urngmin);} while (__ret > __urange || __ret < __tmp);}else__ret = __uctype(__urng()) - __urngmin;return __ret + __param.a(); }

std::enable_if 模板元方法

std::enable_if 的定義如下：

template< bool B, class T = void > struct enable_if;

std::enable_if 實現的功能是根據類模板參數 B 來決定是否定義類型 T 。它是一種元函數，利用 SFINAE 根據類型特征有條件地從重載解析中刪除函數，并為不同的類型特征提供單獨的函數重載和特化 std :: enable_if 可用作附加函數參數（不適用于運算符重載），返回類型（不適用于構造函數和析構函數）或用作類模板或函數模板參數。參考 https://en.cppreference.com/w/cpp/types/enable_if

SFINAE 是 “Substitution Failure Is Not An Error” 的簡寫，表示替換失敗不是錯誤，這個規則在函數模板的重載解析中經常被使用，當特化發生替換失敗時，這個特化會被從函數集中刪除掉，而不是導致一個編譯錯誤。

根據這個原則，只要通過返回值進行區分，就能實現這兩個函數的封裝了，非常簡單明了。

#include <random> #include <type_traits> #include <functional> #include <limits> #include <algorithm>class Randoms { public:template<typename T_>std::vector<T_> operator()(std::size_t counts, T_ min, T_ max) {std::vector<T_> vec;vec.reserve(counts);for (int i = 0; i < counts; ++i) {vec.push_back(generate_(min, max));}return std::move(vec);}private:std::default_random_engine e;template<typename T_>std::enable_if_t<std::is_integral<T_>::value, T_>generate_(T_ min, T_ max) {std::uniform_int_distribution<T_> u(min, max);return u(e);}template<typename T_>std::enable_if_t<std::is_floating_point<T_>::value, T_>generate_(T_ min, T_ max) {std::uniform_real_distribution<T_> u_real(min, max);return u_real(e);} };int main(int argc, char **argv) {auto int_result = Randoms()(5,std::numeric_limits<std::size_t>::min(),std::numeric_limits<std::size_t>::max());auto real_result = Randoms()(5, -0.5, 0.5);for (const auto &ci : int_result) {std::cout << ci << " ";}std::cout << std::endl;std::for_each(real_result.cbegin(),real_result.cend(),[](const auto &cr) { std::cout << cr << " "; });std::cout << std::endl;return 0; }

本文博客地址

總結

以上是生活随笔為你收集整理的封装不同类模板的随机数生成器的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。