如果范围足够小，那么使用通常的取模方法应该不会有问题
int GetRandomInt(int Min, int Max)
{
return (rand()%(Max-Min+1))+Min;
}
(where Min a Max指定一个闭区间，[Min, Max])
每掷一次骰子就调用一次。别忘了打电话srand(time(NULL))在应用程序开始时（在开始时only，而不是每次您想要获得随机数时）来为随机数生成器提供种子。
如果范围开始变大，您可能不得不面临两个问题：
一、范围rand()显然不是 [0, +∞)，而是 [0,RAND_MAX]， 在哪里RAND_MAX is a #define保证至少为 32767。如果你的范围 (Max-Min) 跨越RAND_MAX，那么，使用此方法，您将得到一些返回概率为零的数字。
这更微妙：假设RAND_MAX比你的范围大，但不是that更大，让我们这么说RAND_MAX==1.5*/(Max-Min)。
在这种情况下，结果的分布不会均匀：rand()返回 [0,RAND_MAX] （并且此范围内的每个整数应该是等概率的），但是您将使用剩余的除法(Max-Min)。这意味着所需范围前半部分的数字被返回的概率是其他数字的两倍：它们实际上可以来自第一个and第三个三分之一的rand()范围，而所需范围的后半部分只能来自第二个三分之一rand() range.
这对你来说意味着什么？
可能什么也没有。如果您想做的只是一个掷骰子模拟器，那么您可以使用取模方法而不会出现任何问题，因为涉及的范围很小，而第二个问题尽管是still目前，这几乎是无关紧要的：假设你的范围是 3 并且MAX_RAND32767：从 0 到 32765，0、1 和 2 具有相同的概率，但上升到 32767 0 和 1 获得一个潜在的退出，这几乎是无关紧要的，因为它们是从完美的 1/3 (10922/32766=0,333 ...) 每个 1 的概率为 2 (~0,33332) 的 10922/32767 和 0 和 1 的 10923/32767 (~0,33335)（假设rand()提供了一个perfect分配）。
总之，为了克服这些问题，一个常用的方法是“拉伸”rand()使用如下方法将范围扩展到更广泛的范围（或将其压缩到更小的范围）：
int GetRandomInt(int Min, int Max)
{
return (int)(((double)rand())/MAX_RAND*(Max-Min))+Min;
}
基于等价性rand():MAX_RAND=X:(Max-Min)。转换为 double 是必要的，否则之间的整数除法rand()并且它的最大值将始终产生 0（或者在极少数情况下产生 1）rand()==MAX_RAND）；如果 MAX_RAND 很小并且范围也不是太宽，可以用整数运算来先执行乘积，否则溢出的风险很高。
我怀疑，如果输出范围大于rand()，“拉伸”和 fp 值截断（由于转换为 int）以某种方式影响分布，但只是局部影响（例如，在小范围内，您可能永远不会得到某个数字，但全局分布看起来不错）。
请注意，此方法有助于克服 C 标准库随机数生成器的分散限制，即返回值的低位随机性较低 - 顺便说一句，这些位是您在执行模运算时使用的那些输出范围小。
然而，请记住，C 标准库 RNG 是一个简单的库，它努力遵守“简单”的统计规则，因此很容易预测；当需要“严重”随机数时（例如密码学），不应该使用它。对于此类需求，有专门的 RNG 库（例如RNG partGNU 科学图书馆），或者，如果您需要really随机的东西，有几个real随机数服务（最著名的之一是this），它不使用数学伪 RNG，而是从真实的随机源（例如放射性衰变）获取数字。
