所以，我正在尝试将gmp用于我正在做的一些计算，并且在某些时候我需要从正态分布生成一个伪随机数（prn）。
由于 gmp 有一个统一的随机变量，这已经很有帮助了。但是，我发现很难选择应该使用哪种方法从均匀分布中生成正态分布。在实践中，我的问题是 gmp 只有简单的操作，因此例如我不能使用 cos 或 erf 评估，因为我必须自己实现所有这些。
我的问题是，我可以在多大程度上从 gmp 上的正态分布生成 prn，如果非常困难，是否有任何已经实现正态分布的任意精度库。
作为不起作用的方法的两个示例（从此问题中检索）：
Ziggurat 算法使用 f 的评估，在这种情况下是非整数指数，因此 gmp 不支持。
Box–Muller 变换使用 gmp 不支持的 cos 和 sin。
将能够为 N(0,1) 分布生成随机数的库与 GMP 的统一生成器结合起来。
例如，假设您的正常生成器生成0x8.F67E33Ap-1
可能这些数字中只有少数是真正随机的，因此将数字截断为固定数量的二进制数字（即截断为 16 位， 0x8.F67E33Ap-1 => 0x8.F67p-1）并在该范围内均匀生成一个数字[0x8.F67p-1, 0x8.F68p-1)
为了获得更好的近似值，您可能希望在区间极值处计算密度函数的值（这里双精度就足够了），而不是使用均匀分布，并生成一个随机数，其分布与这两个定义的梯形相关联价值观。
解决该问题的另一种方法是只生成一个包含 1000、10000 或 100000 mpf 值的表格，其中 N(x) 变为 1/n、2/n 等。然后，使用统一随机生成器选择其中一个间隔并再次，使用均匀或线性分布计算所选区间内的随机数。
我最终使用了mpfr，它本质上是具有更多功能的 gmp。它已经实现了正态分布。
如果您的图书馆有ln.