产生随机数(产生随机数的代码C语言)

更新时间:2023-03-01 10:25:19 阅读：评论：0

生成随机数几种方式

在shell中有一个环境变量RANDOM,它的范围是0--32767

1、如果我们想要产生0-25范围内的数，如何做呢？如下：

用这个环境变量对26取模，就可以得到最小是0，最大是25的数了。

2、如果想得到1--68范围内的数，可以这样
前面可以得到最小为0，最大为67的随机数，再加上1，很自然的就可以得到最大为1，最小为68的数了。

3、如果想得到6--87范围内的数。可以这样

前面可以得到最小为0，最大为81的随机数，再加上6，很自然的就可以得到最大为87，最小为6的数了。

通过上面三个例子，其它范围内的数一样可以用这种方法产生，总结出规律来
可以类推其它范围内数了

介绍：
1、/dev/random和/dev/urandom是Linux系统中提供的随机伪设备，这两个设备的任务，是提供永不为空的随机字节数据流。很多解密程序与安全应用程序（如SSH Keys,SSL Keys等）需要它们提供的随机数据流。

2、这两个设备的差异在于：/dev/random的random pool依赖于系统中断，因此在系统的中断数不足时，/dev/random设备会一直封锁，尝试读取的进程就会进入等待状态，直到系统的中断数充分够用, /dev/random设备可以保证数据的随机性。/dev/urandom不依赖系统的中断，也就不会造成进程忙等待，但是数据的随机性也不高。

3、dev/urandom 和dev/random，都是产生用不为空的随机字符流，区别是
/dev/random设备会封锁，直到系统产生的随机字符流已经充分够用，所以耗用时间较长
/dev/urandom设备不会封锁，数据的随机程度不高，但是一般情况已经够用

4、使用/dev/random比使用/dev/urandom产生大量随机数的速度要慢

通过过滤赛选可以取出随机数或随机字母如下
产生随机字母方式：

NbvFFlhs
[root@centos7 bin]#

产生随机数字方式

用途：
用来产生伪随机字节。随机数字产生器需要一个ed，先已经说过了，在没有/dev/srandom系统下的解决方法是自己做一个~/.rnd文件。如果该程序能让随机数字产生器很满意的被eded。程序写回一些怪怪的东西回该文件。
用法：

选项说明：
-out file：结果输出到file中。
-rand file(s)：指定随机数种子文件，多个文件间用分隔符分开，windows用“;”，OpenVMS用“,“，其他系统用“：”。
-ba64：输出结果为BASE64编码数据。
-hex：输出结果为16进制数据。
num：随机数长度。

实例：

可以看见，这12个字节的随机数显示为乱码，可以对随机字符串进行ba64编码或用hex格式显示

通过过滤赛选可以取出随机数或随机字母如下
产生随机字母方式：

产生随机数字方式

四、应用

字体加颜色
\033[33m 字符 \033[0m [[31m 字符 [[0m
随机颜色
color= RANDOM%8+31]
\033[${color}m 字符 \033[0m
存放颜色案例的文件
cat /etc/DIR_COLORS

c语言，如何产生随机数？

本文由青松原创并依GPL-V2及其后续版本发放，转载请注明出处且应包含本行声明。\x0d\x0a\x0d\x0aC++中常用rand()函数生成随机数，但严格意义上来讲生成的只是伪随机数（pudo-random integral number）。生成随机数时需要我们指定一个种子，如果在程序内循环，那么下一次生成随机数时调用上一次的结果作为种子。但如果分两次执行程序，那么由于种子相同，生成的“随机数”也是相同的。\x0d\x0a\x0d\x0a在工程应用时，我们一般将系统当前时间(Unix时间)作为种子，这样生成的随机数更接近于实际意义上的随机数。给一下例程如下：\x0d\x0a\x0d\x0a#include \x0d\x0a#include \x0d\x0a#include \x0d\x0ausing namespace std;\x0d\x0a\x0d\x0aint main()\x0d\x0a{\x0d\x0a double random(double,double);\x0d\x0a srand(unsigned(time(0)));\x0d\x0a for(int icnt = 0; icnt != 10; ++icnt)\x0d\x0a cout << "No." << icnt+1 << ": " << int(random(0,10))<< endl;\x0d\x0a return 0;\x0d\x0a}\x0d\x0a\x0d\x0adouble random(double start, double end)\x0d\x0a{\x0d\x0a return start+(end-start)*rand()/(RAND_MAX + 1.0);\x0d\x0a}\x0d\x0a/* 运行结果\x0d\x0a* No.1: 3\x0d\x0a* No.2: 9\x0d\x0a* No.3: 0\x0d\x0a* No.4: 9\x0d\x0a* No.5: 5\x0d\x0a* No.6: 6\x0d\x0a* No.7: 9\x0d\x0a* No.8: 2\x0d\x0a* No.9: 9\x0d\x0a* No.10: 6\x0d\x0a*/\x0d\x0a利用这种方法能不能得到完全意义上的随机数呢？似乎9有点多哦？却没有1,4,7？！我们来做一个概率实验，生成1000万个随机数，看0-9这10个数出现的频率是不是大致相同的。程序如下：\x0d\x0a#include \x0d\x0a#include \x0d\x0a#include \x0d\x0a#include \x0d\x0ausing namespace std;\x0d\x0a\x0d\x0aint main()\x0d\x0a{\x0d\x0a double random(double,double);\x0d\x0a int a[10] = ;\x0d\x0a const int Gen_max = 10000000;\x0d\x0a srand(unsigned(time(0)));\x0d\x0a \x0d\x0a for(int icnt = 0; icnt != Gen_max; ++icnt)\x0d\x0a switch(int(random(0,10)))\x0d\x0a {\x0d\x0a ca 0: a[0]++; break;\x0d\x0a ca 1: a[1]++; break;\x0d\x0a ca 2: a[2]++; break;\x0d\x0a ca 3: a[3]++; break;\x0d\x0a ca 4: a[4]++; break;\x0d\x0a ca 5: a[5]++; break;\x0d\x0a ca 6: a[6]++; break;\x0d\x0a ca 7: a[7]++; break;\x0d\x0a ca 8: a[8]++; break;\x0d\x0a ca 9: a[9]++; break;\x0d\x0a default: cerr << "Error!" << endl; exit(-1);\x0d\x0a }\x0d\x0a \x0d\x0a for(int icnt = 0; icnt != 10; ++icnt)\x0d\x0a cout << icnt << ": " << tw(6) << tiosflags(ios::fixed) << tprecision(2) << double(a[icnt])/Gen_max*100 << "%" << endl;\x0d\x0a \x0d\x0a return 0;\x0d\x0a}\x0d\x0a\x0d\x0adouble random(double start, double end)\x0d\x0a{\x0d\x0a return start+(end-start)*rand()/(RAND_MAX + 1.0);\x0d\x0a}\x0d\x0a/* 运行结果\x0d\x0a* 0: 10.01%\x0d\x0a* 1: 9.99%\x0d\x0a* 2: 9.99%\x0d\x0a* 3: 9.99%\x0d\x0a* 4: 9.98%\x0d\x0a* 5: 10.01%\x0d\x0a* 6: 10.02%\x0d\x0a* 7: 10.01%\x0d\x0a* 8: 10.01%\x0d\x0a* 9: 9.99%\x0d\x0a*/\x0d\x0a可知用这种方法得到的随机数是满足统计规律的。\x0d\x0a\x0d\x0a另：在Linux下利用GCC编译程序，即使我执行了1000000次运算，是否将random函数定义了inline函数似乎对程序没有任何影响，有理由相信，GCC已经为我们做了优化。但是冥冥之中我又记得要做inline优化得加O3才行...\x0d\x0a\x0d\x0a不行，于是我们把循环次数改为10亿次，用time命令查看执行时间：\x0d\x0achinsung@gentoo ~/workspace/test/Debug $ time ./test \x0d\x0a0: 10.00%\x0d\x0a1: 10.00%\x0d\x0a2: 10.00%\x0d\x0a3: 10.00%\x0d\x0a4: 10.00%\x0d\x0a5: 10.00%\x0d\x0a6: 10.00%\x0d\x0a7: 10.00%\x0d\x0a8: 10.00%\x0d\x0a9: 10.00%\x0d\x0a\x0d\x0areal 2m7.768s\x0d\x0aur 2m4.405s\x0d\x0asys 0m0.038s\x0d\x0achinsung@gentoo ~/workspace/test/Debug $ time ./test \x0d\x0a0: 10.00%\x0d\x0a1: 10.00%\x0d\x0a2: 10.00%\x0d\x0a3: 10.00%\x0d\x0a4: 10.00%\x0d\x0a5: 10.00%\x0d\x0a6: 10.00%\x0d\x0a7: 10.00%\x0d\x0a8: 10.00%\x0d\x0a9: 10.00%\x0d\x0a\x0d\x0areal 2m7.269s\x0d\x0aur 2m4.077s\x0d\x0asys 0m0.025s\x0d\x0a\x0d\x0a前一次为进行inline优化的情形，后一次为没有作inline优化的情形，两次结果相差不大，甚至各项指标后者还要好一些，不知是何缘由...

电脑如何产生随机数？

电脑产生的随机数称为伪随机数，是通过算法模拟的，看上去和随机数一样，实际上能算出来的数就是可以预见的数（对用户来说不可预见，对电脑则是可预见），不是真正的随机数。

从一个大数“种子”开始重复某种迭代计算，通常是加减乘除加求余，种子可以取系统时间，因为用户不可能精确到微秒控制程序运行，就基本保证了每次生成数值的顺序不同

一般来说如果用数字电路产生的都是伪随机数，但由于循环时间太长可视为随机数。而现在有用模拟电路产生的随机数，主要原理是将热噪声放大，然后编码。

扩展资料

随机数的作用

随机数的使用历史已经有数千年。无论是抛硬币还是摇色子，目的是让随机概率决定结果。电脑中的随机数生成器的目的也是如此——生成随机不可预测的结果。

加密法要求数字不能被攻击者猜到，不能多次使用同样的数字。所以需要一种机制产生攻击者无法预测的数字，这些随机数对加密法至关重要，无论你是加密文件还是访问https协议网站，都需要用到随机数。

根据随机数的生成原理，我们把电脑随机数分为两类：“真”随机数和伪随机数。

要生成一个“真”随机数，电脑会检测电脑外部发生的某种物理现象。比如说，电脑可以测量某个原子的放射性衰变。根据量子理论，原子衰变是随机而不可测的，所以这就是宇宙中的“纯粹”随机性。攻击者永远无法预测原子衰变的发生时间，也就不可能猜出随机值。

参考资料来源：

百度百科——随机数

如何产生真正的随机数

产生随机数有多种不同的方法。这些方法被称为随机数发生器。随机数最重要的特性是它在产生是后面的那个数与前面的那个数毫无关系。真正的随机数是使用物理现象产生的：比如掷钱币、骰子、转轮、使用电子元件的噪音、核裂变等等。这样的随机数发生器叫做物理性随机数发生器，它们的缺点是技术要求比较高。在实际应用中往往使用伪随机数就足够了。这些数列是“似乎”随机的数，实际上它们是通过一个固定的、可以重复的计算方法产生的。它们不真正地随机，因为它们实际上是可以计算出来的，但是它们具有类似于随机数的统计特征。这样的发生器叫做伪随机数发生器。在真正关键性的应用中，比如在密码学中，人们一般使用真正的随机数。

excel中如何产生随机数

1、首先介绍一下如何用RAND()函数来生成随机数（同时返回多个值时是不重复的）。
如下图所示，在单元格中输入=RAND()，回车后单元格即返回了一个随机数字。
2、RAND()函数返回的随机数字的范围是大于0小于1。因此，也可以用它做基础来生成给定范围内的随机数字。
3、生成制定范围的随机数方法是这样的，假设给定数字范围最小是A，最大是B，公式是：
=A+RAND()*(B-A)。
举例来说，要生成大于60小于100的随机数字，因为(100-60)*RAND()返回结果是0到40之间，加上范围的下限60就返回了60到100之间的数字。
4、上面RAND()函数返回的0到1之间的随机小数，如果要生成随机整数的话就需要用RANDBETWEEN()函数了，如下图该函数生成大于等于1小于等于100的随机整数。
这个函数的语法是这样的：=RANDBETWEEN(范围下限整数，范围上限整数)，结果返回包含上下限在内的整数。注意：上限和下限也可以不是整数，并且可以是负数。
5、RAND()和RANDBETWEEN()是生成随机数的基础函数，也可以灵活变通。比如说要生成0.01至1之间包含两位小数的随机数，则可用下图的公式实现：