Ответ 1

Я бы использовал один экземпляр для посева других. Я уверен, что вы можете сделать это безопасно довольно легко.

• Даже небольшие изменения в пространстве состояний приводят к довольно большим изменениям вниз по течению - если вы можете убедиться, что у них нет одинакового стартового пространства (и не существует идентичного префикса состояния), я бы не стал беспокоиться о том, чтобы производить одинаковые числа. Например, использование только значений 1,2,3 для семян трех потоков будет работать нормально - вам даже не нужно высевать все пространство. Еще одно преимущество: с помощью явно предсказуемых семян вы можете легко дискредитировать идею о том, что вы выбрали вишню в любых прогонах (при условии, что вы пытаетесь что-то продемонстрировать).
• Это тривиально для семени таким образом, что результирующие "дети" сильно не коррелированы. Просто перебирайте в первую очередь; т.е. если вы хотите посеять значения N x 623 int, не выставляйте значения 623 последовательно, а выбирайте первый N и распределяйте, затем следующий N и т.д. Даже если есть некоторая корреляция между сеятелем и детьми, корреляция между различные дети должны быть практически несуществующими - и что вам все равно.
• Я бы предпочел алгоритм, позволяющий детерминированное выполнение, когда это возможно, поэтому в зависимости от урандома не является привлекательным. Это облегчает отладку.
• Наконец, и, очевидно, тест. Эти PRNG довольно надежны, но, во всяком случае, обеспечивают результаты и делают несколько корреляционных тестов, вдохновляющих то, что вы имитируете. Большинство проблем должно быть очевидным - либо вы посеялись плохо, и есть очевидные повторяющиеся подпоследовательности, вы хорошо посеялись, а затем качество диктуется ограничениями PRNG.
• Для окончательных исполнений после того, как вы закончите тестирование, вы можете засеять первое из значений состояния 623, используя urandom для спокойствия и/или идентификатора потока.

Ответ 2

Я бы пошел с №1, запустил каждый prng из urandom. Это гарантирует, что состояния полностью независимы (поскольку данные семян независимы). Как правило, будет доступно множество энтропии, если у вас много потоков. Кроме того, в зависимости от алгоритма, используемого для /dev/urandom, вам почти наверняка не нужно беспокоиться об этом.

Для создания каждого prng вы можете использовать что-то вроде следующего:

#include <random>

std::mt19937 get_prng() {
    std::random_device r;
    std::seed_seq seed{r(), r(), r(), r(), r(), r(), r(), r()};
    return std::mt19937(seed);
}

Вы должны убедиться, что ваша реализация std::random_device тянется от /dev/urandom в вашей конфигурации. И если он по умолчанию использует /dev/urandom, то обычно вы можете сказать std::random_device("/dev/random"), если вы хотите использовать /dev/random вместо этого.

Ответ 3

Вы можете использовать PRNG с другой алгебраической структурой, чтобы засеять различные PRNG. Например. некоторая последовательность хешей MD5.

Однако я бы выбрал №5. Если он работает, тогда это нормально. Если это не так, вы все равно можете его оптимизировать.

Точка создания хорошего PRNG намного сложнее, чем можно было бы ожидать. Хороший PRNG для резьбовых приложений - это, скорее всего, то, что все еще подвержено исследованиям.

Если количество процессоров достаточно низкое, вы можете ускользнуть от прыжков. Например. если у вас есть 4 ядра, инициализируйте все с одинаковыми значениями, но продвигайте ядро ​​1 PRNG на 1, # 2 и 3 на 3. Затем заранее выполняйте 4 шага, когда вам нужен новый номер.

Ответ 4

Семенная нить 1 с 1, семенная нить 2 с 2 и т.д.

Если вам нужен monte carlo, это даст вам воспроизводимые результаты, легко отслеживается и реализуется.

Ответ 5

Взгляните на следующий документ: Динамическое создание генераторов псевдослучайных чисел и сопроводительная реализация: Динамический создатель. Он решает эту проблему.

Ответ 6

Я бы сказал, что №3 - победитель. Семя каждого потока с чем-то вроде processID или threadID; в то время как технически возможно, что вы могли бы перекрыться, это маловероятно. Даже последовательные числа не должны быть связаны с семенами, когда вы выходите из одиночных цифр (я не знаю алгоритм Twister, но худший PRNG, который я видел, был выше 7). Один миллион PRNG не так много по сравнению с объемом большинства уравнений PRNG.

Наконец, вы можете проверить довольно легко. Проверьте последнее семя, сгенерированное каждым потоком, на все числа в каждом другом потоке. Если семя появляется в потоке, проверьте предыдущий номер, сгенерированный в каждом потоке; если они также совпадают, тогда у вас есть столкновение и вам нужно повторно залить ваши потоки и повторите попытку.

Ответ 7

Существует конкретная реализация (и опубликованная статья), касающаяся использования Mersenne Twister для параллельных вычислений. Это оригинальные авторы МТ. Они называют его "динамическим создателем", и его можно найти здесь:

http://www.math.sci.hiroshima-u.ac.jp/~m-mat/MT/DC/dc.html

Это будет очень хорошее место для изучения вашего конкретного использования MT19937, особенно там, где есть бумага.