java生成随机数—JAVA生成随机数math 收藏 0

Java生成随机数的5种方式，你知道几种？（建议收藏）

1. Math.random() 静态方法

产生的随机数是 0 – 1 之间的一个 double ，即 0 <= random <= 1 。

使用：结果：实现原理：

当第一次调用 Math.random() 方法时，自动创建了一个伪随机数生成器 ，实际上用的是 new java.util.Random() 。当接下来继续调用 Math.random() 方法时，就会使用这个新的伪随机数生成器 。

源码如下：

initRNG() 方法是 synchronized 的，因此在多线程情况下，只有一个线程会负责创建伪随机数生成器 （使用当前时间作为种子），其他线程则利用该伪随机数生成器 产生随机数。

因此 Math.random() 方法是线程安全的。什么情况下随机数的生成线程不安全：

• 线程1在第一次调用 random() 时产生一个生成器 generator1 ，使用当前时间作为种子。
• 线程2在第一次调用 random() 时产生一个生成器 generator2 ，使用当前时间作为种子。
• 碰巧 generator1 和 generator2 使用相同的种子，导致 generator1 以后产生的随机数每次都和 generator2 以后产生的随机数相同。

什么情况下随机数的生成线程安全： Math.random() 静态方法使用

• 线程1在第一次调用 random() 时产生一个生成器 generator1 ，使用当前时间作为种子。
• random() generator1 generator1

结果：2. java.util.Random 工具类

基本算法：linear congruential pseudorandom number generator (LGC) 线性同余法伪随机数生成器 缺点：可预测

An attacker will simply compute the seed from the output values observed. This takes significantly less time than 2^48 in the case of java.util.Random. 从输出中可以很容易计算出种子值。It is shown that you can predict future Random outputs observing only two(!) output values in time roughly 2^16. 因此可以预测出下一个输出的随机数。 You should never use an LCG for security-critical purposes. 在注重信息安全的应用中，不要使用 LCG 算法生成随机数，请使用 SecureRandom。

使用：结果：Random类默认使用当前系统时钟作为种子:

Random类提供的方法：API

• nextBoolean() true false
• nextBytes(byte[] bytes)
• nextDouble() – 返回 0.0 到 1.0 之间的均匀分布的 double
• nextFloat() – 返回 0.0 到 1.0 之间的均匀分布的 float
• nextGaussian() – 返回 0.0 到 1.0 之间的高斯分布（即正态分布）的 double
• nextInt() – 返回均匀分布的 int
• nextInt(int n) – 返回 0 到 n 之间的均匀分布的 int （包括 0，不包括 n）
• nextLong() – 返回均匀分布的 long
• setSeed(long seed) – 设置种子

只要种子一样，产生的随机数也一样：因为种子确定，随机数算法也确定，因此输出是确定的！

结果：3. java.util.concurrent.ThreadLocalRandom 工具类

ThreadLocalRandom 是 JDK 7 之后提供， 也是继承至 java.util.Random。

每一个线程有一个独立的 随机数生成器 ，用于并发产生随机数，能够解决多个线程发生的竞争争夺。 效率更高！

ThreadLocalRandom 不是直接用 new 实例化，而是第一次使用其静态方法 current() 得到 ThreadLocal<ThreadLocalRandom> 实例，然后调用 java.util.Random 类提供的方法获得各种随机数。

使用：结果：4. java.Security.SecureRandom也是继承至 java.util.Random。

Instances of java.util.Random are not cryptographically secure.Consider instead using SecureRandom to get a cryptographically secure pseudo-random number generator for use by security-sensitive applications. SecureRandom takes Random Data from your os (they can be interval between keystrokes etc – most os collect these data store them in files – /dev/random and /dev/urandom in case of linux/solaris) and uses that as the seed. 操作系统收集了一些随机事件，比如鼠标点击，键盘点击等等，SecureRandom 使用这些随机事件作为种子。

SecureRandom 提供加密的强随机数生成器 (RNG)，要求种子必须是不可预知 的，产生非确定性 输出。 SecureRandom 也提供了与实现无关的算法，因此，调用方（应用程序代码）会请求特定的 RNG 算法并将它传回到该算法的 SecureRandom 对象中。

• 如果仅指定算法名称，如下所示： SecureRandom random = SecureRandom.getInstance(\”SHA1PRNG\”);
• 如果既指定了算法名称又指定了包提供程序，如下所示： SecureRandom random = SecureRandom.getInstance(\”SHA1PRNG\”, \”SUN\”);

使用：结果：5. 随机字符串

可以使用 Apache Commons-Lang 包中的 RandomStringUtils 类。Maven 依赖如下：

API 参考：https://commons.apache.org/proper/commons-lang/javadocs/api-2.6/org/apache/commons/lang/RandomStringUtils.html

示例：

RandomStringUtils 类的实现上也是依赖了 java.util.Random 工具类：

RandomStringUtils 类的定义

JavaScript用Math.random()生成随机数

顾名思义，Math.random()方法就是用于生成随机数的，因为单词random的意思正是“随机的”。该方法生成的结果是 [0, 1) 范围内的浮点数，注意这是一个左闭右开的区间，即该区间包含0而不包含1。

官方文档指出Math.random()方法生成的随机数在该区间上要大致符合均匀分布。Math.random()的语法结构如下所示，可以看出它是没有参数的。

JavaScript引擎会自动设置随机数种子（seed），而没有提供任何途径让我们自己来完成这件事，但某些其它语言（比如C++，Java）则通常允许用户自主设置随机数种子。

Math.random()方法的一个不足之处就是它只能随机生成 [0, 1) 范围内的数，而我们常常又需要其它范围内的随机数。其实这也不难，只要对Math.random()的结果进行适当的放缩就可以达到这一目的。为了叙述方便，在后面的说明中我们都约定n和m代表正整数且m大于n。

首先，假设我们需要随机生成 [0, n) 之间的所有数，那么只需将Math.random()的结果乘以n就可以了，正如下面的代码所做的那样。

其次，我们可能需要的是随机生成 [0, n] 范围内的整数，注意此时n也包含在生成结果中。我们先将Math.random()的结果乘以 n+1，得到 [0, n+1) 范围内的浮点数。然后，再对该范围内的数进行向下取整（使用Math.floor()方法）就可以得到 [0, n] 范围内的整数了。

以上两种方法生成的随机数都是从0开始的，如果我们需要的是任意区间的随机数呢？假设我们需要随机生成 [n, m] 范围内的整数，那么我们先随机生成 [0, m – n] 范围内的整数，再将它加上n就可以得到 [n, m] 内的整数了。

用相同的思想，可以将Math.random()的结果放缩到任意区间，当然也包括负数的情况。

我们首先来看下Math.random()的作用和随机生成一个任意区间内的整数的情况，以下代码的执行结果如图1所示。

图1 随机数的生成

官方文档中说Math.random()的结果要大致符合均匀分布，我们现在就通过一个实例来看一看。在该例子中，我们先随机生成1亿个 [1, 10] 范围内的整数，再计算每个数出现的比例。

以上代码的执行结果如图2所示，正是因为Math.random()符合均匀分布而我们自定义的随机数函数又是建立在Math.random()上的，所以我们的随机数函数生成的随机数也是均匀分布的。

图2 随机数的分布情况

（完）

本文作者及来源:Renderbus瑞云渲染农场https://www.renderbus.com