随机数生成能破解吗果能的话请说明方法我说的不是彩票是一个机器他随机出三个数我是否能看前数字判断后出
第一个问题：中国或者国外的黑客有没有破解过彩票摇奖机这个,可以说肯定有；破解者如果破解了彩票摇奖机随机数出数概率,那么一定能中奖 不能说一定,但是
如何破解乱数表
对于精炼时候的那个成功率到底是哪里来的，有着诸多的说法，但目前为止我认为最为可信的，就是所谓的乱数表法。大家可以想，为什么改版之后精炼的成功率从原来的1/3，1/9，1/27之类的变成了如今的60%，40%和20%，主要是因为改版后由于铝等的大量增加，必然使得精炼的次数增加，同时也加重服务器的负担，因此，必须采用统一的成功率来计算精炼，于是，设定好的三张乱数表必然成为游戏开发商的首选。所以我说的目前精炼的时候乱数表法被采用也是有依据的。
然后我要谈起铁匠锻造，我想所有的铁匠都有过这样的经历，锻钢铁（或者锻铁）的时候，如果失败一次，接下来那次失败的概率是很高的，我大概算了一下有80%的时候是会同时失败两次，然后再连续成功几次。所以我们有这些可以大致窥探那张乱数表的编码，连续两次失败之后几乎肯定的是成功的，于是我们可以使用前人所称的冲暴垃圾武器法，比如要把防具从5冲到6，成功率是40%，我们可以卖好多小刀，都冲到8，接着冲9的时候，如果连续失败2次，就把防具拿上去冲，如果乱数表法是正确的画，成功率是非常高的。
依此类推，就是要将垃圾武器同你要冲的武器保持相同的成功率，让电脑调用同一张乱数表，这个是非常重要的，否则就没有意义了。
一个游戏有猜数字游戏,如何破解他的随机数？
随机数就是随机数啊= =电脑随机出现的数字，并且无法知道选取的条件
口袋妖怪xy乱数教程
目前XY还没法乱数呢，到底能不能乱数不知道，理论上看是可以的，只是现在还没有找到XY的乱数方法。以后过段时间也许会有。
存档修改器就更不可能了，目前XY的游戏ROM都没被破解，不破解游戏ROM就不可能有修改器这样的东西。现在最好等方法就是在前作黑白、黑2白2上什么的用乱数弄好精灵之后再用银行传到XY里面。
不用rand()，如何产生乱数？
乱数是不重复的随机数吗？
很多算法的每一个计算步骤都是固定的，而在下面我们要讨论的概率算法，允许算法在执行的过程中随机选择下一个计算步骤。许多情况下，当算法在执行过程中面临一个选择时，随机性选择常比最优选择省时。因此概率算法可在很大程度上降低算法的复杂度。
概率算法的一个基本特征是对所求解问题的同一实例用同一概率算法求解两次可能得到完全不同的效果。这两次求解问题所需的时间甚至所得到的结果可能会有相当大的差别。一般情况下，可将概率算法大致分为四类:数值概率算法，蒙特卡罗（Monte Carlo）算法，拉斯维加斯（Las Vegas）算法和舍伍德（Sherwood）算法。
数值概率算法常用于数值问题的求解。这类算法所得到的往往是近似解。而且近似解的精度随计算时间的增加不断提高。在许多情况下，要计算出问题的精确解是不可能或没有必要的，因此用数值概率算法可得到相当满意的解。
蒙特卡罗算法用于求问题的准确解。对于许多问题来说，近似解毫无意义。例如，一个判定问题其解为“是”或“否”，二者必居其一，不存在任何近似解答。又如，我们要求一个整数的因子时所给出的解答必须是准确的，一个整数的近似因子没有任何意义。用蒙特卡罗算法能求得问题的一个解，但这个解未必是正确的。求得正确解的概率依赖于算法所用的时间。算法所用的时间越多，得到正确解的概率就越高。蒙特卡罗算法的主要缺点就在于此。一般情况下，无法有效判断得到的解是否肯定正确。
拉斯维加斯算法不会得到不正确的解，一旦用拉斯维加斯算法找到一个解，那么这个解肯定是正确的。但是有时候用拉斯维加斯算法可能找不到解。与蒙特卡罗算法类似。拉斯维加斯算法得到正确解的概率随着它用的计算时间的增加而提高。对于所求解问题的任一实例，用同一拉斯维加斯算法反复对该实例求解足够多次，可使求解失效的概率任意小。
舍伍德算法总能求得问题的一个解，且所求得的解总是正确的。当一个确定性算法在最坏情况下的计算复杂性与其在平均情况下的计算复杂性有较大差别时，可以在这个确定算法中引入随机性将它改造成一个舍伍德算法，消除或减少问题的好坏实例间的这种差别。舍伍德算法精髓不是避免算法的最坏情况行为，而是设法消除这种最坏行为与特定实例之间的关联性。
本文简要的介绍一下数值概率算法和舍伍德算法。
首先来谈谈随机数。随机数在概率算法设计中扮演着十分重要的角色。在现实计算机上无法产生真正的随机数，因此在概率算法中使用的随机数都是一定程度上随机的，即伪随机数。
产生随机数最常用的方法是线性同余法。由线性同余法产生的随机序列a1,a2,...,an满足
a0=d
an=(ban-1+c)mod m n=1,2.......
其中,b=0, c=0, d=m。d称为该随机序列的种子。
下面我们建立一个随机数类RadomNumber，该类包含一个由用户初始化的种子randSeed。给定种子之后，既可产生与之相应的随机数序列。randseed是一个无符号长整型数，既可由用户指定也可由系统时间自动产生。
const unsigned long maxshort=65536L;
const unsigned long multiplier=1194211693L;
const unsigned long adder=12345L;
class RandomNumber
{
private:
//当前种子
unsigned long randseed;
public:
//构造函数，缺省值0表示由系统自动产生种子
RandomNumber(unsigned long s=0);
//产生0-n-1之间的随机整数
unsigned short Random(unsigned long n);
//产生[0，1)之间的随机实数
double fRandom(void);
};
RandomNumber::RandomNumber(unsigned long s)
{
if(s==0)
randseed=time(0);
else
randseed=s;
}
unsigned short RandomNumber::Random(unsigned long n)
{
randseed=multiplier*randseed+adder;
return (unsigned short)((randseed16)%n);
}
double RandomNumber::fRandom(void)
{
return Random(maxshort)/double(maxshort);
}
函数Random在每次计算时，用线性同余式计算新的种子。它的高16位的随机性较好，将randseed右移16位得到一个0-65535之间的随机整数然后再将此随机整数映射到0-n-1范围内。
对于函数fRandom,先用Random(maxshort)产生一个0-(maxshort-1之间的整型随机序列)，将每个整型随机数除以maxshort，就得到[0，1）区间中的随机实数。
下面来看看数值概率算法的两个例子：
1.用随机投点法计算π
设有一半径为r的圆及其外切四边形，如图所示。向该正方形随机投掷n个点。设落入圆内的点在正方形上均匀分布，因而所投入点落入圆内的概率为 πr^2/4r^2，所以当n足够大时，k与n之比就逼近这一概率，即π/4。由此可得使用随机投点法计算π值的数值概率算法。具体实现时，只需要在第一次象限计算即可。
double Darts(int n)
{
static RandomNumber dart;
int k=0;
for(int i=1;i=n;i++){
double x=dart.fRandom();
double y=dart.fRandom();
if((x*x+y*y)1)
k++;
}
return 4*k/double(n);
}
再简单举个舍伍德算法的例子。
我们在分析一个算法在平均情况下的计算复杂性时，通常假定算法的输入数据服从某一特定的概率分布。例如，在输入数据是均匀分布时，快速排序算法所需的平均时间是O(n logn)。但是如果其输入已经基本上排好序时，所用时间就大大增加了。此时，可采用舍伍德算法消除算法所需计算时间与输入实例间的这种联系。
在这里，我们用舍伍德型选择算法随机的选择一个数组元素作为划分标准。这样既能保证算法的线性时间平均性能又避免了计算拟中位数的麻烦。非递归的舍伍德型算法可描述如下：
templateclass Type
Type select(Type a[], int l, int r, int k)
{
static RandomNumber rnd;
while(true){
if(l=r)
return a[l];
int i=l, j=l=rnd.Random(r-l+1);
Swap(a[i], a[j]);
j=r+1;
Type pivot=a[l];
while(true)
{
while(a[++i]pivot);
while(a[--j]pivot);
if(i=j)
break;
Swap(a[i], a[j]);
}
if(j-l+1==k)
return pivot;
a[l]=a[j];
a[j]=pivot;
if(j-l+1k)
{
k=k-j+l-1;
l=j+1;
}
else
r=j-1;
}
}
template class Type
Type Select(Type a[], int n, int k)
{
if(k1||kn)
throw OutOfBounds();
return select(a, 0, n-1, k);
}
平时我们一般开始考虑的是一个有着很好平均性能的选择算法，但在最坏情况下对某些实例算法效率较低。这时候我们用概率算法，将上述算法改造成一个舍伍德型算法，使得该算法对任何实例均有效。
不过在有些情况下，所给的确定性算法无法直接改造成舍伍德型算法。这时候就可以借助随机预处理技术，不改变原有的确定性算法，仅对其输入进行随机洗牌，同样可以得到舍伍德算法的效果。还是刚才的例子，换一种方法实现：
templateclass Type
void Shuffle(Type a[], int n)
{
static RandomNumber rnd;
for(int i=1;in;i++){
int j=rnd.Random(n-i)+i;
Swap(a[i], a[j]);
}
}
口袋妖怪日月乱数孵蛋的相关问题！ 在使用乱数孵蛋法前已孵蛋一定时
有三种办法
第一种，你如果是破解可以导出存档，然后用pkhex查看。
第二种，不是破解，把自己的精灵给一个破解的盆友让他帮你看，
最后一种最烦，不建议要孵127个（好像是）鲤鱼王。seed值好像是固定的吧。你可以去贴吧看看，有大神发的帖子（个人并不是特别看好乱数，其实乱数也就是等于用一种方式查看游戏内部，可以说是修改，失去了游戏的意义。如果自己孵蛋时偶然出的闪，会比用乱数更开心）