最稳做法是先构造完整序列再用std::shuffle打乱，或范围大时用std::unordered_set去重，抽样优先用C++17的std::sample；务必正确初始化随机引擎并避免分布对象误用。
用 std::shuffle 配合容器初始化最稳
直接用 rand() 或 std::rand() 反复生成再判断重复，效率低且容易陷入死循环（尤其范围小、要求数量大时）。正确做法是先构造一个完整序列，再打乱——既保证不重复，又避免重复检测开销。
实操建议：
立即学习“C++免费学习笔记（深入）”；
- 用
std::vector初始化[0, n)或自定义区间（如1到100） - 用
std::shuffle（C++11 起）配合std::random_device和std::mt19937打乱，别用已弃用的std::random_shuffle - 取前
k个即为所需不重复随机数
std::vectornums(100); std::iota(nums.begin(), nums.end(), 1); // 1~100 std::shuffle(nums.begin(), nums.end(), std::mt19937{std::random_device{}()}); std::vector result(nums.begin(), nums.begin() + 10); // 前10个
范围远大于需求数量时，用 std::unordered_set 更省内存
当你要 100 个不重复随机数，但范围是 [1, 1000000]，初始化百万元素太浪费。这时用集合去重更合适，但要注意插入冲突概率和终止条件。
实操建议：
立即学习“C++免费学习笔记（深入）”；
- 用
std::unordered_set存已生成数，比std::set快（平均 O(1) 插入） - 循环生成直到
set.size() == k，不要用while(true)无保护——加个最大尝试次数（如k * 10），防极端情况卡死 - 注意
std::uniform_int_distribution的上下界：右闭区间，写成dist(gen)时，dist构造参数是{min, max}，不是{min, max-1}
std::unordered_setseen; std::mt19937 gen{std::random_device{}()}; std::uniform_int_distribution dist(1, 1000000); int attempts = 0; while (seen.size() < 100 && attempts++ < 1000) { seen.insert(dist(gen)); }
用 std::sample（C++17）一行解决抽样问题
如果你只是想从一个已知集合（比如数组、容器）里随机抽几个不重复元素，std::sample 是最语义清晰、最不易出错的选择。它内部做了优化，对大数据集也比先 shuffle 再截取更高效。
实操建议：
立即学习“C++免费学习笔记（深入）”；
- 目标容器必须可随机访问（
std::vector、std::array等），不能是std::list - 第三个参数是输出迭代器，务必确保目标空间足够（或用
std::back_inserter） - 第四个参数是样本数量，第五个是随机数引擎——别传
nullptr或未初始化对象
std::vectorpool(1000); std::iota(pool.begin(), pool.end(), 1); std::vector sample(50); std::sample(pool.begin(), pool.end(), sample.begin(), 50, std::mt19937{std::random_device{}()});
常见坑：种子没重置、引擎被拷贝、分布对象复用
很多“随机数重复”的问题其实和算法无关，而是引擎或分布对象误用导致的。
典型错误现象：
- 每次运行程序生成的“随机数序列”完全一样 → 忘了用
std::random_device初始化，用了默认种子（如std::mt19937{}） - 连续调用得到相同值 → 把
std::mt19937对象声明在循环内，每次重建都用相同种子 - 分布范围不对或溢出 → 复用同一个
std::uniform_int_distribution实例跨不同类型调用（比如先用于int，又用于long long），其内部状态可能未适配
关键点：引擎（generator）应长期持有、只初始化一次；分布（distribution）可复用，但必须和目标类型匹配，且不要跨类型混用。
