在Java中调用这个Math.Random()函数能够返回带正号的double值,取值范围是[0.0,1.0)的左闭右开区间,返回值是一个伪随机选择的数,在该范围内(近似)均匀分布。
1. random()函数的使用
Java的API中是这样描述Random()函数的:
-
伪随机,也就是有规则的随机,所谓有规则的就是在给定种(seed)的区间内随机生成数字。
-
相同种子数的Random对象,相同次数生成的随机数字是完全相同的。
-
Random类中各方法生成的随机数字都是均匀分布的,也就是说区间内部的数字生成的几率均等。
下面是Java.util.Random()方法摘要
-
protected int next(int bits):生成下一个伪随机数。
-
boolean nextBoolean():返回下一个伪随机数,它是取自此随机数生成器序列的均匀分布的boolean值。
-
void nextBytes(byte[] bytes):生成随机字节并将其置于用户提供的 byte 数组中。
-
double nextDouble():返回下一个伪随机数,它是取自此随机数生成器序列的、在0.0和1.0之间均匀分布的 double值。
-
float nextFloat():返回下一个伪随机数,它是取自此随机数生成器序列的、在0.0和1.0之间均匀分布float值。
-
double nextGaussian():返回下一个伪随机数,它是取自此随机数生成器序列的、呈高斯(“正态”)分布的double值,其平均值是0.0标准差是1.0。
-
int nextInt():返回下一个伪随机数,它是此随机数生成器的序列中均匀分布的 int 值。
-
int nextInt(int n):返回一个伪随机数,它是取自此随机数生成器序列的、在(包括和指定值(不包括)之间均匀分布的int值。
-
long nextLong():返回下一个伪随机数,它是取自此随机数生成器序列的均匀分布的 long 值。
-
void setSeed(long seed):使用单个 long 种子设置此随机数生成器的种子。
方法摘要也就这些,下面给几个例子:
1.生成[0,1.0)区间的小数:double d1 = r.nextDouble();
2.生成[0,5.0)区间的小数:double d2 = r.nextDouble() * 5;
3.生成[1,2.5)区间的小数:double d3 = r.nextDouble() * 1.5 + 1;
4.生成-231到231-1之间的整数:int n = r.nextInt();
5.生成[0,10)区间的整数:
int n2 = r.nextInt(10);//方法一
n2 = Math.abs(r.nextInt() % 10);//方法二
2. random()函数的实现
2.1 线性同余方程
Java中的Random类生成的是伪随机数,使用的是48-bit的种子,然后调用一个linear congruential formula线性同余方程
那么什么是线性同余方程呢?
古老的LCG(linear congruential generator)代表了最好最朴素的伪随机数产生器算法。主要原因是容易理解,容易实现,而且速度快。
LCG 算法数学上基于公式:
X(n+1) = (a * X(n) + c) % m
其中,各系数为:
模m, m > 0
系数a, 0 < a < m
增量c, 0 <= c < m
原始值(种子) 0 <= X(0) < m
其中参数c, m, a比较敏感,或者说直接影响了伪随机数产生的质量。
一般而言,高LCG的m是2的指数次幂(一般2^32或者2^64,Java中是2^48),因为这样取模操作截断最右的32或64位就可以了。多数编译器的库中使用了该理论实现其伪随机数发生器random()。
2.2 Java中的random()实现
刚刚说了,Java调用了一个线性同余方程来实现伪随机数的产生,具体的计算如下:
Xi = (Xi-1 * A + C ) mod M
其中A,C,M都是常数(一般会取质数)。当C=0时,叫做乘同余法。引出一个概念叫seed,它会被作为X0被代入上式中,然后每次调用random()函数都会用上一次产生的随机值来生成新的随机值。可以看出实际上用random()函数生成的是一个递推的序列,一切值都来源于最初的 seed。所以当初始的seed取一样的时候,得到的序列都相同。
下面Random()的两种构造方法
-
Random():创建一个新的随机数生成器。
-
Random(long seed):使用单个 long 种子创建一个新的随机数生成器。
我们在构造Random对象的时候指定种子,如果是第一种构造方法,则默认当前系统时间对应的相对时间有关的数字作为种子数
需要说明的是:你在创建一个Random对象的时候可以给定任意一个合法的种子数,种子数只是随机算法的起源数字,和生成的随机数的区间没有任何关系。
public Random() {
this(seedUniquifier() ^ System.nanoTime());
}
private static long seedUniquifier() {
// L'Ecuyer, "Tables of Linear Congruential Generators of
// Different Sizes and Good Lattice Structure", 1999
for (;;) {
long current = seedUniquifier.get();
long next = current * 181783497276652981L;
if (seedUniquifier.compareAndSet(current, next))
return next;
}
}
这里使用了System.nanoTime()方法来得到一个纳秒级的时间量,参与48位种子(为什么要48位)的构成,然后还进行了一个很变态的运算——不断乘以181783497276652981L,直到某一次相乘前后结果相同(似乎不是相同,但是其doc文档是这样说明的,如果有清楚的朋友可以下面留言说明)——来进一步增大随机性,这里的nanotime可以算是一个真随机数,不过有必要提的是,nanoTime和我们常用的currenttime方法不同,返回的不是从1970年1月1日到现在的时间,而是一个随机的数——只用来前后比较计算一个时间段,比如一行代码的运行时间,数据库导入的时间等,而不能用来计算今天是哪一天。
到目前为止,这个程序已经至少进行了三次随机:
1、获得一个长整形数作为“初始种子”(系统默认的是8682522807148012L(8682522807148012L与181783497276652981L的意义))
2、不断与181783497276652981L相乘,直到某一次相乘前后数值相等
3、与系统随机出来的nanotime值作异或运算,得到最终的种子
protected int next(int bits) {
long oldseed, nextseed;
AtomicLong seed = this.seed;
do {
oldseed = seed.get();
nextseed = (oldseed * multiplier + addend) & mask;
} while (!seed.compareAndSet(oldseed, nextseed));
return (int)(nextseed >>> (48 - bits));
}
next()函数是random()的核心函数,也是对线性同余的实现。
(oldseed * multiplier + addend) & mask;
是不是形如
(Xi-1 * A + C ) mod M?只是mod变成了&,为什么呢?
private static final long multiplier = 0x5DEECE66DL;
private static final long addend = 0xBL;
private static final long mask = (1L << 48) - 1;
其中multiplier和addend分别代表公式中的a和c,很好理解,但mask代表什么呢?其实,x & [(1L << 48)–1]与 x(mod 2^48)等价。解释如下:
而我们将x对2^N取余操作希望达到的目的可以理解为:
1、所有比2^N位(包括2^N那一位)高的位全都为0
2、所有比2^N低的位保持原样
所以x & [(1L << 48)–1]与 x(mod 2^48)等价。
接着让我们看看nextInt()的实现。
public int nextInt() {
return next(32);
}
默认调用next,生成32位的随机数。
public int nextInt(int n) {
if (n <= 0)
throw new IllegalArgumentException("n must be positive");
if ((n & -n) == n) // i.e., n is a power of 2
return (int)((n * (long)next(31)) >> 31);
int bits, val;
do {
bits = next(31);
val = bits % n;
} while (bits - val + (n-1) < 0);
return val;
}
显然,这里基本的思路还是一样的,先调用next函数生成一个31位的随机数(int类型的范围),再对参数n进行判断,如果n恰好为2的方幂,那么直接移位就可以得到想要的结果;如果不是2的方幂,那么就关于n取余,最终使结果在[0,n)范围内。另外,do-while语句的目的应该是防止结果为负数。
那么为什么(n & -n) == n可以判断一个数是不是2的次方幂?
众所周知,计算机中负数使用补码储存的:
2 :0000 0010 -2 :1111 1110
8 :0000 1000 -8 :1111 1000
18 :0001 0010 -18 :1110 1110
20 :0001 0100 -20 :1110 1100
补码有一个特性,就是可以对于两个相反数n与-n,有且只有最低一个为1的位数字相同且都为1,而更低的位全为0,更高的位各不相同。因此两数作按位与操作后只有一位为1,而能满足这个结果仍为n的只能是原本就只有一位是1的数,也就是恰好是2的次方幂的数了。Reference:
1. http://blog.sina.com.cn/s/blog_93dc666c0101h3gd.html
2. http://www.cnblogs.com/xkfz007/archive/2012/03/27/2420154.html
3. http://t1174779123.iteye.com/blog/2037719
4. http://www.importnew.com/12460.html
来源:oschina
链接:https://my.oschina.net/u/2243330/blog/600392