1 概述与基本概念
1.1 随机种子的定义
随机种子（Random Seed）是用于初始化伪随机数生成器（Pseudo-Random Number Generator, PRNG）的初始参数。PRNG并不产生“真正不可预测”的随机性，而是依据确定性的算法从种子出发生成一串看似随机的数值。对同一生成器而言，种子相同通常意味着生成序列在可复现意义上保持一致。
1.2 伪随机数生成器与可复现性
在计算机中，“随机”往往由PRNG实现。PRNG的确定性使得只要记录并复用种子，就能在统计实验、性能回归测试与模型复现实验中重现同一条伪随机序列。需要强调的是：可复现性依赖于生成器实现及其后续调用方式，种子是必要条件之一，但并非总是充分条件。
1.3 随机种子与随机过程的关系
在概率论与统计计算中，随机种子与“随机过程”之间存在对应关系，但并不是直接改变理论层面的分布。通常的做法是：理论上假设从某个分布抽样；工程上用PRNG在给定种子下产生一列可用于抽样的伪随机数，再通过变换（如逆变换、接受-拒绝、变换采样等）得到满足目标分布性质的样本。换种子会改变具体样本序列，而设定种子主要保证的是抽样序列可复现。
2 随机数生成机制
2.1 线性同余与经典PRNG
线性同余发生器（Linear Congruential Generator, LCG）是较早期的经典PRNG形式，其核心迭代可写为： X_{n+1} = (aX_n + c) mod m 其中 a、c、m 为参数，X_0 常由种子给出。LCG实现简单、速度快，但在高维统计检验或某些场景下可能暴露结构性偏差，例如低维投影呈现格点结构。尽管如此，LCG仍在教学与少量可控场景中出现。
2.2 现代PRNG家族概览
相较于LCG，现代PRNG更关注周期长度、通过统计检验的能力、以及在并行/长序列场景中的稳定性。常见家族包含基于状态更新的生成器（如“状态向量+变换”的结构）以及基于算法组合的生成器。实际选型往往取决于：速度、可并行性、跨平台一致性需求，以及对随机性质量的评估结果。
2.3 生成器状态（state）与种子（seed）的区别
种子（seed）是输入参数，状态（state）是生成器内部在运行过程中的完整记忆。许多PRNG会把种子映射到初始状态，但状态随后会随着每次调用更新。因而，即便种子相同，只要生成器在两次运行中的调用次数不同，或由于条件分支导致跳过/补充了随机数请求，最终状态演化也会分叉，从而产生不同序列。
2.4 周期与统计性质的影响
PRNG的输出由有限状态空间决定，因此生成序列必然具有周期：状态最终会回到先前状态并重复输出。周期长度越短，越容易在长时间或大量样本中出现重复模式。与此同时，“统计性质”包括均匀性、相关性、分布尾部的行为以及高维投影的检验结果；种子会影响具体输出，但生成器算法本身决定了整体可达质量上限。
3 在概率与统计计算中的用途
3.1 蒙特卡洛模拟中的重复运行
蒙特卡洛模拟通过重复抽样或数值试验来逼近理论量。设定固定种子可以使同一模型、同一参数设置下的结果在数值层面可复现，便于调试与比较算法改进带来的差异。对涉及随机估计量（如期望、积分或风险指标）的任务，重复运行还便于排查方差变化是否来自模型本身而非随机波动。
3.2 随机抽样与重要性抽样
随机抽样用于从目标分布获取样本；重要性抽样则在采样分布与目标分布不一致时，通过权重校正估计偏差。此时种子控制的是“采样路径”的具体展开，包括抽到哪些样本、权重序列如何变化。因而同一设定下重复种子可确保估计流程一致，便于进行方差对比与策略评估。
3.3 随机游走与马尔可夫过程
随机游走与马尔可夫链的演化依赖逐步随机选择。若初始化相同、状态更新规则一致，并且随机数请求的顺序与次数不变，则设定相同种子通常能得到一致的轨迹。对于需要分析路径依赖效应的实验（例如比较不同转移机制的表现），固定种子有助于降低“抽样噪声”对结论的干扰。
3.4 置信区间与方差估计的实验设计
置信区间往往需要多次重复实验或批量抽样来估计波动。实验设计常见思路是：在“固定种子保证可复现的前提下”，通过不同种子产生多组独立或近似独立的重复，以便评估估计量的方差与置信区间宽度。种子策略影响样本间的相关性与可重复性，应在报告中说明以提升可解释性。
4 实验可复现与工程实践
4.1 种子设定的推荐流程
实践中建议在实验入口处统一设置种子，并确保覆盖所有会产生随机性的环节，例如数据打乱、采样模块、模型初始化、以及任何依赖随机性的增强操作。还应记录随机数生成器的类型（或库名）、以及关键超参数；否则即使种子相同，不同环境仍可能导致序列不一致。
4.2 多线程/并行环境下的种子管理
并行执行可能改变随机数的调用时序与分配顺序，导致即便初始种子相同也难以保证输出一致。常见工程手段包括：为不同线程/设备分配独立的随机子流（通过“种子派生”得到），或采用显式的调度与确定性策略来控制调用顺序。核心原则是把“随机源”从执行时序中解耦。
4.3 分布式计算中的种子分割与分配
分布式场景下通常需要按进程/节点划分随机任务，避免不同节点生成高度重合的伪随机序列。做法可以是：为每个工作节点分配唯一子种子，或基于全局种子派生出一组按节点编号区分的种子。关键在于保证子序列之间的重叠概率较低，并保持可追溯的映射关系。
4.4 库与版本差异导致的不一致问题
不同库、不同版本、甚至同一库的不同后端实现，可能在以下方面产生差异：种子到状态的映射方式、随机数分布采样方法、以及内部调用次数与批处理策略。结果就是：同一“数字种子”在不同实现中不一定生成相同的序列。工程上应尽量固定依赖版本，或在实验说明中明确其随机性来源与可复现范围。
4.5 记录种子的元数据（环境、实现、参数）
为了让复现实验不仅“理论可做”而且“可操作”，建议记录至少包括：全局种子、使用的PRNG实现或库、设备类型（CPU/GPU等）、关键算法或采样方法参数、以及运行时的并行策略。将这些信息作为实验工件的一部分，有助于在未来复查时减少不必要的猜测。
5 种子策略与常见问题
5.1 固定种子（replicable）与随机种子（fresh）
固定种子用于复现：同一实验设置下希望得到可对比的结果，便于定位差异来源。随机种子（fresh）用于探索：每次运行都引入新的随机扰动，帮助评估方法的平均表现与鲁棒性。两者并不冲突：常见做法是先用固定种子完成调试，再通过多组随机种子进行统计评估。
5.2 多次试验如何选取不同种子
多次试验中，不同种子的选择目标是让重复样本在统计意义上分散。通常可采用：对全局种子做确定性派生（例如以实验编号为参数生成子种子），以保持可追溯性；或在不追求严格复现的情况下使用系统随机源生成种子。选择策略应同时考虑并行与样本间相关性风险。
5.3 “看似相同”的结果与随机性误判
在有限样本下，两个不同种子可能产生相近的估计值，导致误以为模型或算法“没有随机影响”。反过来，两个运行也可能因偶然波动看起来差异很大。正确做法是通过重复实验、置信区间或统计检验评估差异是否显著，而不是仅凭单次输出下结论。种子只是减少“不必要波动”的工具之一。
5.4 生成器不安全与偏差风险（概念层面）
需要区分“统计模拟用的伪随机数”与“安全用途用的随机数”。许多PRNG并不具备密码学安全性，其输出可能在对手可见情形下被推断。对一般科研与工程仿真，关注点更多是偏差与相关结构是否足够小；但在涉及安全、对抗或隐私敏感领域，应采用专门的随机性来源或生成器，并遵循相应安全要求。
6 与算法随机性的耦合
6.1 随机数调用次数差异的影响
当算法中随机数请求的次数随输入或流程变化时，即便种子相同，结果也会分叉。例如某些条件分支可能跳过采样步骤，或在失败重试时额外请求随机数。由于生成器状态会随调用推进，调用次数差异会直接映射为不同后续输出。
6.2 采样顺序、批大小与种子效应
批处理（batch）大小、数据迭代顺序以及采样顺序会改变随机数被使用的位置。即便整体上只改变了“分批方式”，随机数在时间轴上的分配也会改变，最终样本顺序与模型更新路径随之不同。对可复现实验而言，应固定数据加载与采样策略，必要时控制数据管线的确定性设置。
6.3 早停、重试与条件分支对可复现性的影响
早停机制、异常处理重试、以及由度量阈值触发的条件路径，都会影响随机数调用的发生时刻。若某次运行因为阈值达到更快而减少了训练步骤，随机数序列就只推进到较早状态，从而产生不同参数更新轨迹。要获得严格复现，通常需要在实验框架层面保证流程分支在相同条件下完全一致。
7 教育与直觉解释（轻度“梗”向）
7.1 把种子当作“随机剧本编号”
可以把种子理解为“剧本编号”：PRNG就像按剧本分镜头拍出来的片子。编号一致，分镜顺序固定时，画面（数列）就能复现。不同编号就像换了剧本，演员走位会变，台词当然也会不同。
7.2 为什么换了一行代码也可能换序列
看似微小的代码修改，可能改变随机数的调用次数或时序：例如多做了一次采样、把某个增强操作插到前面、或者改变了循环边界。于是生成器状态推进位置不同，后续自然全变。直观上就是：你没换“剧本编号”，但导演把镜头先后顺序改了。
7.3 “同种子不同库”：跨平台的“宇宙观差异”
同一个种子在不同库中可能对应不同的“剧本翻译”。原因包括初始化映射、分布采样实现细节与内部调用方式不同。于是跨平台运行可能得到不同序列，甚至出现“我明明用了同一个种子怎么还不一样”的困惑。可复现的前提不仅是种子相同，还要尽量保证生成器与采样路径一致。
8 相关概念
8.1 可复现性（Reproducibility）
可复现性指在相同条件下重复实验能得到一致或可解释的结果。随机种子是实现可复现性的常用手段之一，但完整可复现通常还依赖软件版本、硬件环境、数值精度设置与流程确定性。
8.2 随机性质量（Randomness quality）
随机性质量描述PRNG输出在统计检验与应用需求上的表现，包括均匀性、独立性近似、相关性水平以及高维结构是否异常。更高质量并不意味着“更难复现”，而是通常意味着生成器算法在统计意义上更可靠。
8.3 真随机数与硬件熵源（对比）
真随机数通常来源于物理过程的不可预测性或以不可预知方式产生的熵源。硬件熵源与软件PRNG不同：前者更接近难以被预测的随机性，后者通过确定算法生成伪随机序列。两者适用场景不同，科研模拟常更关注统计质量与可控复现。
8.4 哈希与派生种子（Seed derivation）
种子派生是从全局种子生成多个子种子或上下文相关种子，以支持并行与多模块随机性管理。常见做法使用哈希或确定性映射函数，将“模块编号/进程编号/样本编号”等信息与全局种子结合，得到对应的子种子。这样既保留可追溯性，也有助于减少子序列冲突。
9 参见
9.1 蒙特卡洛方法
用于通过随机抽样近似求解复杂概率与积分问题的方法体系。
9.2 伪随机数生成器
基于确定性算法生成近似随机序列的生成器类型。
9.3 抽样方法
围绕从目标分布获得样本的各种算法，包括直接抽样与变换/校正抽样。
9.4 并行随机数
面向多线程、多进程与分布式环境的随机数管理与子流划分方法。