为什么编程写不出真随机
-
编程写不出真随机的原因主要有以下几点：
-
程序是基于算法的：编程语言中的随机数生成函数实际上都是基于某种算法生成的，这些算法是确定性的，即给定相同的输入，就会得到相同的输出。因此，尽管看起来是随机的，但实际上是可以被预测的。
-
缺乏真正的随机源：随机数生成函数需要一个初始种子作为输入，以此来生成随机数序列。然而，计算机本身是一个确定性的机器，没有真正的随机源。种子可以是基于时间、硬件状态等因素，但这些因素仍然是可测量和可预测的。
-
伪随机性：由于计算机的确定性特性，所以我们一般说的随机数实际上是伪随机数。伪随机数序列是通过确定性算法产生的，但经过一系列复杂的计算使其在统计上具有随机性。然而，伪随机数序列是可以被重现的，只要知道算法和种子，就可以重现相同的序列。
为了解决编程写不出真随机的问题，可以采取以下方法：
-
使用真随机源：通过硬件设备（如热噪声、收音机信号等）来获取真正的随机数，并将其作为种子输入到随机数生成函数中。这样可以增加随机性，并减少可预测性。
-
使用外部随机数服务：可以利用互联网上的外部随机数服务来获取真随机数。这些服务通常基于物理过程（如放射性衰变）来生成真随机数，可以提供更高的随机性。
-
增加随机性的复杂性：通过引入更多的因素来增加随机性的复杂性。例如，可以结合多个随机数生成函数，或者使用更复杂的算法来生成随机数序列。
总结来说，编程写不出真随机的主要原因是程序的确定性和缺乏真正的随机源。为了增加随机性，可以使用真随机源或外部随机数服务，并增加随机性的复杂性。
1年前 0条评论 -
-
编程中的随机性是一个常见的问题。尽管编程语言提供了随机数生成器函数，但生成的随机数并不是真正的随机。以下是一些原因：
-
伪随机数生成器：计算机程序使用伪随机数生成器（PRNG）来生成随机数。PRNG是基于一个初始种子值生成随机数序列的算法。这意味着，只要种子值相同，生成的随机数序列也将是相同的。所以，实际上，计算机生成的随机数是可预测的。
-
时间种子：PRNG的种子值通常是基于当前时间。这意味着在同一毫秒内生成的随机数序列是相同的。因此，在很短的时间间隔内连续调用随机数生成器，可能会得到相同的随机数。
-
有限状态空间：PRNG的种子空间是有限的，通常是32位或64位整数。这意味着随机数生成器的周期是有限的，一旦达到周期的末尾，随机数序列将从头开始重复。
-
随机性的定义：真正的随机性是指无法预测下一个值的特性。但是，计算机程序是通过算法和计算生成随机数的，因此生成的随机数是可以预测的。
-
外部输入的缺乏：真正的随机性来自于外部环境的噪声，例如大气噪声、放射性衰变等。但是，计算机程序往往缺乏这些外部输入，因此无法生成真正的随机数。
尽管编程中的随机性不是真正的随机，但在许多应用中，伪随机数已经足够满足需求。如果需要更接近真实随机性的随机数，可以使用外部设备或服务，例如随机数发生器硬件或网络上的真随机数生成器。
1年前 0条评论 -
-
编程中很难实现真正的随机性，这是因为计算机是一个确定性的机器，它只能按照预定的算法执行指令。虽然计算机可以生成伪随机数，但这些数字实际上是通过算法生成的，而不是真正的随机数。
在计算机中生成伪随机数的常见方法是使用伪随机数生成器（PRNG）。PRNG是一种算法，它接收一个称为种子（seed）的初始值，并根据这个种子生成一系列看似随机的数字。然而，由于PRNG算法的确定性，相同的种子将产生相同的数字序列，这违背了真正随机的定义。
为了增加伪随机数的随机性，通常会使用当前时间作为种子。这样可以确保每次程序运行时种子都是不同的，从而产生不同的数字序列。但是，即使使用时间作为种子，生成的伪随机数序列也不是真正随机的。
另一个常见的方法是使用硬件设备生成随机数，如热噪声、鼠标移动或键盘输入等。这些设备可以提供一些看似随机的数据，但实际上也是由物理过程生成的，所以也不是真正的随机数。
为了解决这个问题，一些计算机系统使用真随机数发生器（TRNG）。TRNG通过测量物理过程中的不确定性来生成真正的随机数。这些物理过程包括量子效应、放射性衰变等。然而，TRNG的实现相对复杂，并且通常需要特殊的硬件设备。
总而言之，编程中很难实现真正的随机性，因为计算机是一个确定性的机器。尽管可以使用伪随机数生成器来生成看似随机的数字序列，但这些数字实际上是由算法生成的，而不是真正的随机数。要生成真正的随机数，可能需要使用特殊的硬件设备或物理过程来测量不确定性。
1年前 0条评论
