我正在寻找一种高效、均匀分布的伪随机数生成器，它可以为平面上任意整数点（以坐标 x 和 y 作为函数输入）生成一个随机整数。
int rand(int x, int y)
它必须在每次输入相同坐标时提供相同的随机数。
您是否了解可以用于此类问题以及更高维度中的算法？
我已经尝试使用普通的伪随机数生成器，例如LFSR，并将x、y坐标合并在一起作为种子值。就像这样：
int seed = x << 16 | (y & 0xFFFF)
int r = P[x + P[y & 255] & 255];
但我不想使用这种方法，因为它的范围非常有限，受限制的时间长度和高内存消耗。
感谢任何有用的建议！
我发现了一种基于xxhash算法的非常简单、快速和足够的哈希函数。
// cash stands for chaos hash :D
int cash(int x, int y){
int h = seed + x*374761393 + y*668265263; //all constants are prime
h = (h^(h >> 13))*1274126177;
return h^(h >> 16);
}
通常，我认为你需要一些哈希函数（大多数都设计用于输出随机性；RNG的avalanche效应，CryptoPRNG所需的显式随机性）。请参考此线程。
以下代码使用此方法：
最后一步是通过此方法完成的，该方法似乎不太快，但具有强大的理论保证（使用了选择的答案）。
我使用的哈希函数支持种子，在第3步中将使用它们！
import xxhash
import math
import numpy as np
import matplotlib.pyplot as plt
import time
def rng(a, b, maxExclN=100):
# preprocessing
bytes_needed = int(math.ceil(maxExclN / 256.0))
smallest_power_larger = 2
while smallest_power_larger < maxExclN:
smallest_power_larger *= 2
counter = 0
while True:
random_hash = xxhash.xxh32(str((a, b)).encode('utf-8'), seed=counter).digest()
random_integer = int.from_bytes(random_hash[:bytes_needed], byteorder='little')
if random_integer < 0:
counter += 1
continue # inefficient but safe; could be improved
random_integer = random_integer % smallest_power_larger
if random_integer < maxExclN:
return random_integer
else:
counter += 1
test_a = rng(3, 6)
test_b = rng(3, 9)
test_c = rng(3, 6)
print(test_a, test_b, test_c) # OUTPUT: 90 22 90
random_as = np.random.randint(100, size=1000000)
random_bs = np.random.randint(100, size=1000000)
start = time.time()
rands = [rng(*x) for x in zip(random_as, random_bs)]
end = time.time()
plt.hist(rands, bins=100)
plt.show()
print('needed secs: ', end-start)
# OUTPUT: needed secs: 15.056888341903687 -> 0,015056 per sample
# -> possibly heavy-dependence on range of output
总之，你可以优先使用：