随机数算法主要包括以下几种：
LCG通过递推公式 $X_{n+1} = (aX_n + c) mod m$ 生成序列，其中 $a$ 是乘数，$c$ 是增量，$m$ 是模数。其核心原理是利用模运算将数值限制在特定范围内，通过递推关系生成伪随机序列。优点是计算速度快、实现简单，但存在周期较短（通常小于 $m$）、低位随机性差的问题，实际应用中常取高位输出以提高随机性。
该算法基于624维状态数组，通过移位和异或操作生成随机数，周期长达 $2^{19937}-1$，且分布均匀。作为Python random 模块的默认算法，它适合科学计算和大规模模拟，但状态空间大导致内存占用较高，且生成的随机数可预测，不适用于加密场景。
将当前数平方后取中间部分作为下一个数（如4位数1234平方为1522756，取中间4位5227）。缺点是容易陷入短周期或退化到0，尤其在初始值选择不当时，序列可能快速收敛到固定值，导致随机性丧失。
通过位运算（异或、移位）快速生成随机数，典型公式如 $x leftarrow x oplus (x ll a)$。特点是速度快、周期长（可达 $2^{32}-1$ 或更高），且实现简单，但随机性质量可能低于梅森旋转算法，适用于对性能要求高但安全性要求低的场景。
又称统计模拟法，通过建立概率统计模型、抽样模拟和统计分析，使用随机数（或伪随机数）解决计算问题（如积分计算、优化问题）。核心是通过大量随机样本逼近真实解，适用于复杂系统或解析解难以获得的场景，但结果具有统计误差。
用于生成 $[0,1)$ 区间内均匀分布的随机数，是数值计算中的经典方法。乘同余法通过递推公式 $X_{n+1} = (aX_n) mod m$ 生成序列，混合同余法在此基础上增加增量项（$X_{n+1} = (aX_n + c) mod m$），以提高随机性和周期长度。
拉斯维加斯算法（Las Vegas）和蒙特卡罗算法（Monte Carlo）属于广义随机化算法。前者要么给出正确答案，要么不输出结果（如随机化快速排序）；后者通过随机采样得到近似解（如数值积分），结果具有概率性，但可通过增加样本量提高精度。
