uniform_int_distribution 的区间为 [a, b]，但 uniform_real_distribution 的区间为 [a, b)。一种天真的方法是做类似b + 0.1 之类的事情，但随后你开始陷入无穷小……幸运的是，正确的方法很简单：
std::uniform_real_distribution<> dis(start, std::nextafter(stop, DBL_MAX));
但为什么这是必要的？更具体地说，这两者不同的原因是什么？
【问题讨论】：
[a, b) 上的均匀真实分布几乎与分布[a, b] 在统计上无法区分。
这两个分布之间的statistical distance 几乎等于一除以a 和b 之间的浮点数。
也就是说，对于任何给定样本，没有返回0 或1 的统计检验，因此观察到具有第一个分布的1 的概率与观察到@ 的概率不同987654329@ 与第二次分发相比，超过2^{-32}。 （假设您正在开车，例如 std::uniform_real_distribution<float> 使用来自 std::random_device 的纯熵。）
因此在大多数实际应用程序中没有有意义的区别。
如果您想做类似的事情，请使用(a, b] 范围，以防止（极不可能）除以零错误或其他东西，您可以测试您是否完全得到a 并将其替换为@987654335 @如果它是某种关键系统。
FWIW 我也怀疑你的“b 之后的下一个”的解决方案并不总是像你想的那样——在大多数情况下，将会发生的事情是，适配器会将 b - a 计算为浮点数数字，然后从熵源中取一个样本，使用静态转换将其转换为0-1 范围内的浮点数，然后乘以因子b-a，加上a 并返回结果。
如果a 和b 的比例不完全相同，那么b 中的ε 变化很可能会在浮点减法中丢失，那么这种变化就没有效果。
这不是错误的原因是该标准不要求分发适配器精确生成指定的分发，只要求它在近似意义上收敛到目标。
该标准严格保证分发不会产生超出其规定范围的内容：
26.5.8.1 一般 [rand.dist.general]
1. 从本节 26.5.8 中指定的类模板实例化的每种类型都满足 随机数分布 (26.5.1.6) 类型。
...
3. 生成每个指定分布的算法是实现定义的。
4.指定每个概率密度函数p(z)和每个离散概率函数P (z i )的值 在此部分中是0在其指定域之外的任何地方。
但是，该标准也提到了统一随机数生成器：
26.5.3.1 [rand.req.urng]
1. 统一随机数生成器g类型为G是一个返回无符号整数值的函数对象，例如 可能结果范围内的每个值（理想情况下）返回的概率相等。 [注：g的结果接近理想的程度通常由统计确定。 ——尾注]
由于[a, b) 和[a, b + epsilon) 在统计上基本上无法区分，因此即使使用b + epsilon 技巧，您仍然不会在输出中看到b，即使您彻底尝试所有可能的种子。
如果这不是标准的观点，那么所有这些适配器都必须精心编写，以便它们始终能够在每个架构上获得完全正确的分布，而且它们的运行速度会慢得多。在大多数应用中，像这样的微小采样不准确是可以容忍的，更重要的是要高效。
【讨论】：
让我提供一个理由：使用整数时，有时您会使用它们来实现选择。因此，您有 N 个值，每个值都必须具有相同的可能性。有时，可能的最大值甚至可能是该整数类型中可表示的最大值，因此 N+1 会超出范围并溢出。
对于浮点值，您通常无法表示范围的限制（例如0.1），并且由于通常不比较数字是否相等（例如1.0/10.0可能会或可能不会比较等于@987654323 @)，你忽略了没有出现限制值的事实。
【讨论】：