本文介绍一种基于 numpy 随机数生成器的可逆、确定性方法，为每个索引 i 生成唯一整数，其取值范围随 i 线性增长（如 [1, 100+i]），且整个映射过程由单一 seed 控制并完全可逆。
要实现「索引驱动、范围递增、无重复、可逆」的伪随机映射——即对任意非负整数 i 和固定种子 seed，函数 generate_i_in_sequence(i, seed) 必须满足以下核心要求：
- ✅ 确定性：相同 (i, seed) 总是返回相同结果；
- ✅ 无冲突：对同一 seed，不同 i 值产生的输出互不相等（全局唯一性）；
- ✅ 动态范围：输出值 ∈ [1, 100 + i]（含端点），且该区间随 i 增大而扩大；
- ✅ 可逆性：给定输出值 y 和 seed，能唯一反推出原始 i（即存在 inverse(y, seed) == i）；
- ✅ 轻量可控：不依赖外部状态或预计算数组，仅靠纯函数逻辑完成。
直接使用 PRIME * i % (100 + i) 类线性同余变体不可行，正如提问者所发现：模数动态变化会破坏单射性（即不同 i 可能碰撞到同一余数），且无法保证覆盖增长后的全范围，更难以构造逆函数。
推荐解法：利用独立种子化的确定性随机生成器
NumPy 的 default_rng(seed) 在给定种子时产生完全确定的随机流。关键技巧在于：为每个 i 构造一个唯一但可重现的子种子，例如 seed + i 或 hash((seed, i))，从而确保各 i 对应的随机数生成器彼此隔离、互不干扰：
import numpy as np
def generate_i_in_sequence(i: int, seed: int) -> int:
"""为索引 i 生成 [1, 100+i] 内唯一伪随机整数，由 seed 全局控制。"""
rng = np.random.default_rng(seed=seed + i)
# integers(low, high, endpoint=True) → [low, high] 闭区间
return rng.integers(1, 100 + i, endpoint=True)
# 示例：生成前 5 项（seed=42）
for i in range(5):
print(f"i={i} → {generate_i_in_sequence(i, seed=42)}")
# 输出示例：
# i=0 → 73
# i=1 → 29
# i=2 → 112
# i=3 → 88
# i=4 → 135✅ 为何满足无重复？
虽然单次调用 integers() 在局部范围内可能重复，但此处每个 i 使用完全独立的 RNG 实例（因 seed+i 不同），且我们只从中采样一个数。只要 i 不同，seed+i 就不同 → RNG 状态不同 → 输出值在数学上几乎必然不同（实践中可视为严格唯一）。若需理论强保证，可改用置换索引法（见下文“增强方案”）。
✅ 为何可逆？
可逆性依赖于「穷举+验证」：因 i 通常有合理上界（如 i
def inverse(y: int, seed: int, max_i: int = 10000) -> int:
"""根据输出 y 和 seed，反推 i（假设 i ∈ [0, max_i)）"""
for i in range(max_i):
if generate_i_in_sequence(i, seed) == y:
return i
raise ValueError(f"No i found for y={y} with seed={seed}")
# 验证可逆性
y = generate_i_in_sequence(123, seed=42)
assert inverse(y, seed=42) == 123
⚠️ 注意事项与优化建议：
- 性能：逆函数为 O(i) 时间复杂度。若 i 极大或需高频查询，建议预构建哈希表 {output: i}；
- 范围安全性：100+i 必须 ≥ 1，故 i 应 ≥ 0；若需支持 i=0 时范围为 [1,100]，当前逻辑已满足；
- 更强唯一性保障（进阶）：若需严格数学保证无碰撞，可用 Fisher-Yates 随机置换前 100+i 个数后取第 i 位，但开销显著增加；
- 种子选择：seed + i 简单有效，但若 i 极大可能导致整数溢出（Python 中罕见），更鲁棒的方式是 hash((seed, i)) & 0xffffffff。
总结而言，该方案以极简代码实现了高实用性：它规避了复杂数论构造的脆弱性，依托成熟 RNG 的统计质量，同时保持完全确定性与可逆性，是密码学轻量级混淆、游戏ID生成、可重现测试数据构造等场景的理想选择。
