Разминка крутильной машины Мерсенна против воспроизводимости

Два варианта:

1. Следуйте предложению, которое у вас есть, но вместо использования std::random_device r; для генерации вашей начальной последовательности для MT, используйте другой PRNG с начальным значением m. Выберите тот, который не страдает, как MT, от необходимости разогрева при использовании небольших данных: я подозреваю, что LCG, вероятно, подойдет. Для массового уничтожения вы даже можете использовать ГПСЧ на основе безопасного хэша. Если вы слышали об этом, это очень похоже на «растяжение ключа» в криптографии. Фактически вы можете использовать стандартный алгоритм растяжения ключа, но вы используете его для генерации длинной исходной последовательности, а не большого ключевого материала.

2. Продолжайте использовать m для заполнения вашего MT, но discard большой постоянный объем данных перед запуском моделирования. Иными словами, игнорируйте совет использовать сильное начальное число и вместо этого запускайте MT достаточно долго, чтобы он достиг приличного внутреннего состояния. Я не знаю, сколько данных вам нужно отбросить, но я полагаю, что это знает Интернет.

Я думаю, что вам нужно сохранить только начальное семя (в вашем случае массив std::uint_least32_t seed_data[std::mt19937::state_size]) и количество n шагов разминки, которые вы сделали (например, с использованием discard(n), как упоминалось) для каждого запуска / моделирования, которое вы хотите воспроизвести.

Обладая этой информацией, вы всегда можете создать новый экземпляр MT, заполнить его предыдущими seed_data и запустить на тех же n этапах разминки. В дальнейшем будет сгенерирована такая же последовательность значений, поскольку экземпляр MT будет иметь такое же внутреннее состояние по окончании разминки.

Когда вы упоминаете std::random_device, влияющие на воспроизводимость, я считаю, что в вашем коде он просто используется для генерации исходных данных. Если бы вы использовали его как источник самих случайных чисел, вы не смогли бы получить воспроизводимые результаты. Поскольку вы используете его только для генерации семени, проблем быть не должно. Вы просто не можете генерировать новое семя каждый раз, если хотите воспроизводить значения!

Из определения std::random_device:

«std :: random_device - это равномерно распределенный генератор целых случайных чисел, который производит недетерминированные случайные числа».

Поэтому, если он не детерминирован, вы не можете воспроизвести последовательность производимых им значений. При этом используйте его просто для генерации хороших случайных начальных чисел только для их последующего сохранения для повторных запусков.

Надеюсь это поможет

РЕДАКТИРОВАТЬ:

После обсуждения с @SteveJessop мы пришли к выводу, что простого хеша набора данных (или его части) будет достаточно, чтобы использовать его в качестве достойного начального числа для нужной вам цели. Это позволяет детерминированным способом генерировать одни и те же начальные числа каждый раз, когда вы запускаете моделирование. Как упомянул @Steve, вам нужно будет гарантировать, что размер хеша не слишком мал по сравнению с std::mt19937::state_size. Если он слишком мал, вы можете объединить хэши m, m + M, m + 2M, ... до тех пор, пока у вас не будет достаточно данных, как он предложил.

Я публикую здесь обновленный ответ, так как идея использования хеша была моей, но я буду поддерживать ответ @ SteveJessop, потому что он внес в него свой вклад.

Комментарий к одному из ответов, на который вы ссылаетесь, указывает:

По совпадению, Seq_seq C ++ 11 по умолчанию - это последовательность разогрева Mersenne Twister (хотя существующие реализации, например mt19937 в libc ++, используют более простой разогрев, когда предоставляется начальное значение с одним значением)

Так что вы можете использовать ваши текущие фиксированные семена с std::seed_seq, чтобы сделать за вас разминку.

std::mt19937 get_prng(int seed) {
    std::seed_seq q{seed, maybe, some, extra, fixed, values};
    return std::mt19937{q};
}