对正位于您链接的快速启动页面中：
我们建议使用非常大的、唯一的数字，以确保您的种子与其他人的种子不同。这是一个很好的做法，可以确保您的结果在统计上独立于其他人的结果，除非您有意复制他们的结果。
简而言之，这是为了避免通过生成完全相同的数据集来复制其他人的偏见（如果有的话），因为人类更有可能默认选择短数字（0，11，42）而不是非常大的数字。
在您的用例中，这可能并不重要。

坦率地说，你必须考虑任何伪RNG的内部结构，并将它们与你想要的进行比较。
有N位状态以及三个功能：

• state seed 2state（seed）#将seed转换为适当的状态
• state nextstate（state）#将state前进一步
• uint 64 state 2 output（state）#从state中提取“随机性”并将其用于例如[0.1）U 01 rv。

就是这样，不多不少，其他的都是有用的附加组件。
您使用的是PCG 64（XLS RR Varian），它具有128位状态，并生成64位输出。
第一个问题是如何从种子填充状态。这里的潜在问题是，您使用的是小值整数，并且在一次调用nextstate（）然后调用state 2 output（）之后，不会立即发生足够的位斩波/混合。基本上，小整数种子将使状态大部分为零，这可能会影响您的模拟。
解决方案-运行一些1 K-10 K的调用来混合你的RNG。然后保存PCG状态为字典/JSON，并从这里开始，你有你的状态很好地混合。这实际上是最好的方法-模拟代码应该得到状态，而不是种子，作为输入。你在模拟代码之外控制状态。

seed = np.uint64(13579754321)

pcg = np.random.PCG64(seed)
rng = np.random.Generator(pcg)

rng.bytes(64*10000) # mixing/warm-up

state = pcg.state # save/restore state
pcg.state = state

字符串
第二个问题是确保不同模拟的独立采样序列，使得没有重叠，也没有相关性。
建议，使种子大，这样就没有重叠的作品只有机会。为什么离开改变的东西，可以完全控制？
PCG 64有两个功能，这可能会大大帮助-前进和跳跃。前进将移动状态，就像有距离的呼叫数量。内部它是相当快，并在日志（距离）时间工作。
你必须计算或检查一次有多少RNG调用你需要一个模拟，做一些保留，只是使用它。
一些伪代码

def simulation(some parameters, state) -> value:
    pcg = np.random.PCG64(1)
    pcg.state = state
    
    rng = np.random.Generator(pcg)
    ...
    return value

型
主要功能

def main():

    nof_PCG_calls_per_simulation = 100000000

    pcg = np.random.PCG64(135797531)
    rng = np.random.Generator(pcg)

    rng.bytes(64*10000) # mixing/warm-up

    state = pcg.state

    N = 1000 # number of simulations to run

    s = 0.0
    for k in range(0, N):
        pcg = np.random.PCG64(1)
        pcg.state = state

        simstate = pcg.advance(N*nof_PCG_calls_per_simulation).state

        v = simulation(whatever, simstate)
        s += v

    return (s/N, N)

型
还有一个很好的PCG方法-- jumps，它在语义上非常接近于advance，它返回新的PCG，并且状态不同，就像生成了2127个数字一样。
这样你就可以确保PCG状态混合良好，并且不同模拟中使用的不同流不会重叠。