使用Java 2 SDK基礎(chǔ)類庫產(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類有了一個名為nextInt()的方法：
public int nextInt(int n)
給定一個參數(shù)n，nextInt(n)將返回一個大于等于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Random的對象，在調(diào)用其nextInt(n)函數(shù)以返回隨機(jī)值。
這里有個示例，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(midpoint)。
到目前為止，事情還并不復(fù)雜，但是我們會問為什么要使用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)生值的絕對值
(3)對(2)的結(jié)果進(jìn)行取模運算(%)，得到期望范圍類的值
我們說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)都多出了幾步運算。事實上，這種隨機(jī)數(shù)生成的方法存在著以下三個問題：
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的絕對值，得到的仍然不是一個正數(shù)。事實上，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)：rand.nextInt()=Integer.MIN_VALUE，經(jīng)過取絕對值Math.abs(rand.nextInt())之后，得到是一個負(fù)數(shù)。這種幾率為 1/(2^31)，在我們的測試中不太可能發(fā)生——循環(huán)次數(shù)只有1000000次。
其次，當(dāng)你對nextInt()取模時，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)果將會大于715,000,000，考慮到數(shù)值范圍的中點(midpoint)是715,827,882，所以這是一個可以接受的結(jié)果。然而，你會吃驚的發(fā)現(xiàn)第二段代碼得到的平均值肯定不會超過600,000,000。
為何第二段代碼的結(jié)果會如此的偏差?糾其本質(zhì)，問題出在數(shù)值分布的不均勻。當(dāng)你進(jìn)行取模運算時，你將過大的數(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)將會解決上述的三個問題。
還有一種隨機(jī)數(shù)生成方法——使用Math.random()。這個方法的效果如何?
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()不會碰到nextInt()的麻煩。你不會得到負(fù)數(shù)返回值，沒有使用取模運算，值分布也是均勻的。還有什么問題嗎?你有沒有考慮到Math.random()使用了浮點運算，而nextInt()和nextInt(range)只有整數(shù)操作?Math.random()可能會慢上四倍。再加上從浮點到整數(shù)的類型轉(zhuǎn)換，整個運算將會更慢。
好了，經(jīng)過一番比較，我們發(fā)現(xiàn)使用nextInt(range)生成隨機(jī)數(shù)更為有效，因為它避免了其他方法的種種弊端。
最后再給出一段代碼，通過測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));
}
}