使用Java 2 SDK基礎(chǔ)類庫(kù)產(chǎn)生隨機(jī)數(shù)的方法很多。但是如果你跟不上這些類庫(kù)的更新腳步，你有可能正在使用的是一種低效的隨機(jī)數(shù)生成機(jī)制，更糟糕的是：你有可能得到的不是均勻分布的隨機(jī)數(shù)。本文將向你展示一種較為可靠的隨機(jī)數(shù)生成方法，同時(shí)與其他方法進(jìn)行比較。
自從JDK最初版本發(fā)布起，我們就可以使用java.util.Random類產(chǎn)生隨機(jī)數(shù)了。在JDK1.2中，Random類有了一個(gè)名為nextInt()的方法：
public int nextInt(int n)
給定一個(gè)參數(shù)n，nextInt(n)將返回一個(gè)大于等于0小于n的隨機(jī)數(shù)，即：0 <= nextInt(n) < n。
你所要做的就是先聲明一個(gè)Random的對(duì)象，在調(diào)用其nextInt(n)函數(shù)以返回隨機(jī)值。
這里有個(gè)示例，下面的代碼段將生成很多隨機(jī)數(shù)并輸出它們的平均值：
以下是引用片段：
int count = 1000000;
int range = Integer.MAX_VALUE / 3 * 2;
double sum = 0;
Random rand = new Random();
for (int i=0; i
sum += rand.nextInt(range);
}
System.out.println(sum/count);
執(zhí)行了1000000次循環(huán)之后，得到的平均值基本上就處于隨機(jī)數(shù)范圍的中點(diǎn)(midpoint)。
到目前為止，事情還并不復(fù)雜，但是我們會(huì)問(wèn)為什么要使用nextInt(n)?考慮一下的隨機(jī)數(shù)生成方法：
(1)使用老的方法nextInt()，沒(méi)有制定數(shù)值范圍
(2)用Math.abs()靜態(tài)函數(shù)得到(1)中產(chǎn)生值的絕對(duì)值
(3)對(duì)(2)的結(jié)果進(jìn)行取模運(yùn)算(%)，得到期望范圍類的值
我們說(shuō)nextInt(n)要比上述方法更好，為什么呢?參考以下的代碼段：
以下是引用片段：
sum = 0;
for (int i=0; i
sum += Math.abs(rand.nextInt()) % range;
}
System.out.println(sum/count);
不難發(fā)現(xiàn)，每次循環(huán)都多出了幾步運(yùn)算。事實(shí)上，這種隨機(jī)數(shù)生成的方法存在著以下三個(gè)問(wèn)題：
首先，nextInt()返回的值是趨于均勻分布在Integer.MIN_VALUE 和 Integer.MAX_VALUE之間的。如果你取Integer.MIN_VALUE的絕對(duì)值，得到的仍然不是一個(gè)正數(shù)。事實(shí)上，Math.abs(Integer.MIN_VALUE)等于Integer.MIN_VALUE。因此，存在著這樣一種情況(雖然很少見(jiàn))：rand.nextInt()=Integer.MIN_VALUE，經(jīng)過(guò)取絕對(duì)值Math.abs(rand.nextInt())之后，得到是一個(gè)負(fù)數(shù)。這種幾率為 1/(2^31)，在我們的測(cè)試中不太可能發(fā)生——循環(huán)次數(shù)只有1000000次。
其次，當(dāng)你對(duì)nextInt()取模時(shí)，你使結(jié)果的隨機(jī)性大打折扣。隨機(jī)數(shù)中較小的值出現(xiàn)的幾率更大一些。這就是眾所周知的偽隨機(jī)數(shù)生成，因此我們不是用取模的方法。
最后，也可能是最糟糕的：隨機(jī)數(shù)不是均勻分布。如果你執(zhí)行了上述的兩段代碼，第一段代碼的結(jié)果將會(huì)大于715,000,000，考慮到數(shù)值范圍的中點(diǎn)(midpoint)是715,827,882，所以這是一個(gè)可以接受的結(jié)果。然而，你會(huì)吃驚的發(fā)現(xiàn)第二段代碼得到的平均值肯定不會(huì)超過(guò)600,000,000。
為何第二段代碼的結(jié)果會(huì)如此的偏差?糾其本質(zhì)，問(wèn)題出在數(shù)值分布的不均勻。當(dāng)你進(jìn)行取模運(yùn)算時(shí)，你將過(guò)大的數(shù)轉(zhuǎn)換成了較小的。這使得較小的數(shù)更容易產(chǎn)生。
使用nextInt(range)將會(huì)解決上述的三個(gè)問(wèn)題。
還有一種隨機(jī)數(shù)生成方法——使用Math.random()。這個(gè)方法的效果如何?
以下是引用片段：
sum = 0;
for (int i=0; i
sum += (int)(Math.random() * range);
}
System.out.println(sum/count);
很好，使用random()不會(huì)碰到nextInt()的麻煩。你不會(huì)得到負(fù)數(shù)返回值，沒(méi)有使用取模運(yùn)算，值分布也是均勻的。還有什么問(wèn)題嗎?你有沒(méi)有考慮到Math.random()使用了浮點(diǎn)運(yùn)算，而nextInt()和nextInt(range)只有整數(shù)操作?Math.random()可能會(huì)慢上四倍。再加上從浮點(diǎn)到整數(shù)的類型轉(zhuǎn)換，整個(gè)運(yùn)算將會(huì)更慢。
好了，經(jīng)過(guò)一番比較，我們發(fā)現(xiàn)使用nextInt(range)生成隨機(jī)數(shù)更為有效，因?yàn)樗苊饬似渌椒ǖ姆N種弊端。
最后再給出一段代碼，通過(guò)測(cè)試可以比較本文提到的幾種隨機(jī)數(shù)生成方法。
以下是引用片段：
import java.util.*;
import java.text.*;
public class RandomTest {
public static void main(String args[]) {
NumberFormat nf = NumberFormat.getInstance();
int count = 1000000;
int range = Integer.MAX_VALUE / 3 * 2;
System.out.println("Midpoint: " + nf.format(range/2));
double sum = 0;
Random rand = new Random();
for (int i=0; i
sum += rand.nextInt(range);
}
System.out.println("Good : " + nf.format(sum/count));
sum = 0;
for (int i=0; i
sum += Math.abs(rand.nextInt()) % range;
}
System.out.println("Bad : " + nf.format(sum/count));
sum = 0;
for (int i=0; i
sum += (int)(Math.random() * range);
}
System.out.println("Longer : " + nf.format(sum/count));
}
}