Xorshift RNG 對於蒙特卡洛方法是否足夠好？如果不是，有什麼替代品？
我最近偶然發現了一篇關於 Java 中偽隨機數的文章，其中提到了默認算法中的潛在弱點，稱為線性同餘生成器 (LCG)，並提供了一些替代方案。其中我發現Xorshift 生成器很有趣。所以我戴上我的研究員的帽子，潛入尋找更多信息。
事實證明，它實現起來非常簡單，運行時速度非常快，聽起來很棒。問題是該方法是否比默認的 LCG 算法有顯著的改進。為了弄清楚這一點，我通讀了Marsaglia 介紹該方法的原始論文，以及Panneton 和 L’ecuyer的相當嚴厲的批評/分析。我不能聲稱我一直遵循數學，所以我不確定該方法是否比 LCG 更上一層樓，這讓我想到了我的第一個問題：
問題 1： Xorshift 是否比java 使用的基於 LCG 的默認 RNG更上一層樓？
Panneton 和 L’ecuyer 提出了參數選擇的問題，並指出僅 3 位移位可能還不夠。我最近對哈希函數進行了一些研究（這是我在 StackOverflow 上提出的一個相關問題）。我想知道是否可以通過這樣的方式改進 3-bitshift 方法？
long lhash = prime * (hash1 ^ hash2);然後使用(int)((lhash >> 32) ^ lhash)根據@whuber 的評論，更改 RNG 的具體細節是一件棘手的事情，因此這可能會很棘手，但我會很感激任何關於如何修正 Xorshift RNG 中的弱點的想法/線索。***問題2：***可以做些什麼來提高Xorshift算法的“整體性能”？（請注意，我在這裡不是指計算性能）
最後一點，我想做的是生成偽隨機 Gussians，以模擬鍵入數字，其中
rand是高斯與. 出於這個原因，我不太熱衷於添加依賴項，而且我還認為在這一點上使用SecureRandom有點矯枉過正。
在http://prng.di.unimi.it/，您可以找到使用 TestU01 測試的幾個隨機數生成器的槍戰，TestU01 是用於取代頑固和頑固的偽隨機數生成器的現代測試套件。
Java LCG 生成器不可用。你應該像避免瘟疫一樣避免它。xorshift 生成器更好，但仍會顯示幾個統計工件。Marsaglia 在他的原始論文中建議將 xorshift 生成器的結果乘以一個常數以提高統計質量，結果就是 xorshift* 生成器。這些是一些最快的高質量發電機，特別是如果週期相當大。
使用 SecureRandom 生成大量隨機位是極其危險的。在幾十萬次調用（或更少）之後，您的應用程序將停止（至少在 Linux 上）等待 /dev/random 提供更多真正的隨機位。如果您不知道，調試將是一場噩夢——應用程序將毫無理由地掛起並使用 0% 的 CPU。