?️ 默认库：超市货架
MATLAB的核心往往就藏在那行 rand 要么 randn 前面，它默认库里的参数，就像超市货架上摆着的全物资，你直接拿就行。有时候你会认定这忒好办了，仿佛连个格子都能填平。但实际上这背后藏着的随机数生成算法，可没如此好办。
那些“正态分布”、“均匀分布”，听起来高大上，在代码里实际上就是函数调用的不同接口，是工厂造的不同型号零件。比如你随机给一个向量赋值，实际上就是指令工厂随机挑出一批零件，这批零件的分布特性由你给的参数拍板，剩下的容量自动补上。
⚡ 少写代码哲学
有时候你会质疑自己是不是在浪费算力，明明能够等个现成函数，非要自己写个脚本去“造”数。这彻底没必要，就像别人手里已经有一堆钥匙，你非要教自己去打自己家门一样。MATLAB的设计哲学就是“少写代码，多调用库函数”，这就像是用现成的螺丝刀去拧螺丝，而不是自己去磨刀、凿孔。
比如你需求一个大范围的随机数，别自己写个范围循环去算，直接调用 rand(50, 1000000) 拷一拷内存，速度快得像闪电。
? 均匀随机数 · 一键生成矩阵
想生成一个包含 5000个随机数 的矩阵，又想要它们均匀分布在整个正方形区域，这时候你不用自己造个分布算法，只需求一行命令 x = rand(5000,1); 然后利用简单的线性变换就能搞定。matlab随机数原理在此体现为：底层梅森旋转算法保证了均匀性。
x = rand(5000, 1);
y = 0.95 + 0.1x; % 映射到[0.95,1.05]区间
scatter(x,y,10,'filled');
这就像你买彩票，实际上不管里面有啥号码，只要符合概率分布规则，它就是合格的。有时候你连不需求关心生成过程，只要结局对就行，这在工程应用中贼常见。
? randn 与正态分布奥秘
randn 基于Ziggurat算法生成标准正态分布。很多人误以为需要自己实现Box-Muller，其实MATLAB已经极致优化。matlab随机数原理简化意味着直接使用 randn(1000,1) 获得均值为0、方差为1的数据。
data = 2 + 0.5randn(1000,1); % 均值2，标准差0.5
histogram(data,30);
有时候为了省事，就连能够直接从公式库里抄代码。就像你在家里做饭，要是知道菜谱，你不用自己发明新菜式，直接照着做就行。
✨ 线性变换：从[0,1]到任意区间
利用 x = a + (b-a)rand(n,1) 即可将均匀分布拉伸。这背后是仿射变换，不改变分布形状。例如生成[-5,5]之间的随机整数可结合round。
r = -5 + 10rand(200,1); % 均匀分布
intRand = round(r);
这就像你不想自己造脚踏车，而是直接买一个新的，别看你要花点钱，但性能更好，并且不用自己组装。
❓ 高频疑问
? rand与randn区别？
rand均匀(0,1)，randn标准正态(0,1)。两者底层算法不同，但调用同样简洁。
? 如何生成整数随机数？
使用 randi([min,max],n) 直接得到整数均匀分布，无需取整操作。
? 随机数生成速度优化？
预分配矩阵并一次性生成，避免循环内调用。例如 rand(1e6,1) 远快于逐次生成。
? 可否生成服从任意分布的随机数？
基于逆变换法或接受-拒绝法，均依赖均匀随机数。MATLAB统计工具箱提供诸多分布函数。
? 深度解析：随机数背后的“推砖机”
在matlab随机数原理中，我们常把算法比作推砖机。默认的梅森旋转算法就像一台精密机器，每次调用产生一个看似不可预测的数字。然而其内部状态完全由种子决定。简化理解：种子是初始砖块摆放方式，后续序列由固定规则推导。这也是为什么科研中强调可复现性——设置种子后任何人都能得到相同随机序列。
有时候代码写得如此长，看着吓人，实际上只是你没找到那个“一键生成”的地方。MATLAB目前的版本里，大量高级功能早就封装好了，你就连不需求自己写函数，直接导入文件就能用。比如统计与机器学习工具箱中的 mvnrnd 直接生成多元正态。
再说说具体的例子，比如你想生成一个包含5000个随机数的矩阵，又想要它们均匀分布在整个正方形区域，这时候你不用自己造个分布算法，只需求一行命令。这就像你买彩票，实际上不管里面有啥号码，只要符合概率分布规则，它就是合格的。有时候你就连不需求关心生成过程，只要结局对就行，这在工程应用中贼常见。
还有吧，有时候为了省事，就连能够直接从公式库里抄代码。就像你在家里做饭，要是知道菜谱，你不用自己发明新菜式，直接照着做就行。MATLAB里也有大量现成的公式，比如高斯积分公式，要么概率分布的解析解，直接抄进去调用，省得自己去推导、去写代码。这就像是你家里有现成的食谱，不用去琢磨如何炒出来，直接照做，结局一样好，并且速度快多了。
自然，也有时候你会认定这种“偷懒”方式不够严谨，揪心生成的数不够随机，不够真。这时候就要小心了。要是你只是想随意混个数字，那没难题；但要是涉及到物理模拟、金融预测、要么那些对精度要求极严的科学计算，那你就得自己造数了。这时候你就得去查那些复杂的算法文档，待会儿看正态分布的生成，待会儿看均匀分布的变体，待会儿还得搞正态共轭分布之类的复杂机制。这时候写的代码可能比调用库函数还要多，但这也是为了追求“可控性”。
说到底，MATLAB里的随机数生成，本质上就是一场关于“选择权”的游戏。你是想走大路（调用现成函数），还是想走小路（手写算法），这取决于你的需求。要是需求是多，那就走大路，速度快、成本低；要是需求是少，要么对精度有变态的要求，才寻思走小路。大量时候，你就连不需求思索如此多，只要记得两点就够了：一是别自己造数，要不就万不得已；二是多看看别人是如何用的，说不定你也能从中发现一些捷径。毕竟，在MATLAB的世界里，有时候抄个公式比写个函数还要管用，有时候直接复制粘贴比自己推导还要快。如何舒服如何来，这才是MATLAB的魅力所在。
