java中随机数怎么生成;java 随机生成数 收藏 0

Java生成随机数（random()和Random类）

在 Java 中要生成一个指定范围之内的随机数字有两种方法：一种是调用 Math 类的 random() 方法，一种是使用 Random 类。

Random 类提供了丰富的随机数生成方法，可以产生 boolean、int、long、float、byte 数组以及 double 类型的随机数，这是它与 random() 方法最大的不同之处。random() 方法只能产生 double 类型的 0~1 的随机数。

Random 类位于 java.util 包中，该类常用的有如下两个构造方法。

• Random()：该构造方法使用一个和当前系统时间对应的数字作为种子数，然后使用这个种子数构造 Random 对象。
• Random(long seed)：使用单个 long 类型的参数创建一个新的随机数生成器。

Random 类提供的所有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概率是均等的，在表 1 中列出了 Random 类中常用的方法。

表 1 Random 类的常用方法

下面编写一个 Java 程序，演示如何使用 Random 类提供的方法来生成随机数。具体代码如下:本实例每次运行时结果都不相同，这就实现了随机产生数据的功能。该程序的运行结果如下：

生成的[0,1.0]区间的小数是：0.8773165855918825

生成的[0,7.0]区间的小数是：6.407083074782282

生成的[0,10]区间的整数是：5

生成的[-3,15]区间的整数是：4

生成一个随机长整型值：-8462847591661221914

生成一个随机布尔型值：false

生成一个随机浮点型值：0.6397003

下期七星彩号码预测：0227168

Math 类的 random() 方法没有参数，它默认会返回大于等于 0.0、小于 1.0 的 double 类型随机数，即 0<=随机数<1.0。对 random() 方法返回的数字稍加处理，即可实现产生任意范围随机数的功能。

下面使用 random() 方法实现随机生成一个 2~100 偶数的功能。具体代码如下：由于 m+(int)(Math.random()*n) 语句可以获取 m~m+n 的随机数，所以 2+(int)(Math. random()*(102-2)) 表达式可以求出 2~100 的随机数。在产生这个区间的随机数后还需要判断是否为偶数，这里使用了对 2 取余数，如果余数不是零，说明随机数是奇数，此时将随机数加 1 后再输出。

该程序的运行结果如下：

随机数是：20

需要源码数据库的评论区“888”领取。

Java中生成随机数的4种方式

在 Java 中，生成随机数的场景有很多，所以本文我们就来盘点一下 4 种生成随机数的方式，以及它们之间的区别和每种生成方式所对应的场景。

Random 类诞生于 JDK 1.0，它产生的随机数是伪随机数，也就是有规则的随机数。Random 使用的随机算法为 linear congruential pseudorandom number generator (LGC) 线性同余法伪随机数。在随机数生成时，随机算法的起源数字称为种子数（seed），在种子数的基础上进行一定的变换，从而产生需要的随机数字。

Random 对象在种子数相同的情况下，相同次数生成的随机数是相同的。比如两个种子数相同的 Random 对象，第一次生成的随机数字完全相同，第二次生成的随机数字也完全相同。默认情况下 new Random() 使用的是当前纳秒时间作为种子数的。

使用 Random 生成一个从 0 到 10 的随机数（不包含 10），实现代码如下：

以上程序的执行结果为：

Random 使用 LGC 算法生成伪随机数的优点是执行效率比较高，生成的速度比较快。

它的缺点是如果 Random 的随机种子一样的话，每次生成的随机数都是可预测的（都是一样的）。如下代码所示，当我们给两个线程设置相同的种子数的时候，会发现每次产生的随机数也是相同的：

以上程序的执行结果为：

当我们要使用一个类时，我们首先关心的第一个问题是：它是否为线程安全？对于 Random 来说，Random 是线程安全的。

PS：线程安全指的是在多线程的场景下，程序的执行结果和预期的结果一致，就叫线程安全的，否则则为非线程安全的（也叫线程安全问题）。比如有两个线程，第一个线程执行 10 万次 ++ 操作，第二个线程执行 10 万次 — 操作，那么最终的结果应该是没加也没减，如果程序最终的结果和预期不符，则为非线程安全的。

我们来看 Random 的实现源码：

PS：本文所有源码来自于 JDK 1.8.0_211。

从以上源码可以看出，Random 底层使用的是 CAS（Compare and Swap，比较并替换）来解决线程安全问题的，因此对于绝大数随机数生成的场景，使用 Random 不乏为一种很好的选择。

PS：Java 并发机制实现原子操作有两种：一种是锁，一种是 CAS。

CAS 是 Compare And Swap（比较并替换）的缩写，java.util.concurrent.atomic 中的很多类，如（AtomicInteger AtomicBoolean AtomicLong等）都使用了 CAS 机制来实现。

ThreadLocalRandom 是 JDK 1.7 新提供的类，它属于 JUC（java.util.concurrent）下的一员，为什么有了 Random 之后还会再创建一个 ThreadLocalRandom？

原因很简单，通过上面 Random 的源码我们可以看出，Random 在生成随机数时使用的 CAS 来解决线程安全问题的，然而 CAS 在线程竞争比较激烈的场景中效率是非常低的，原因是 CAS 对比时老有其他的线程在修改原来的值，所以导致 CAS 对比失败，所以它要一直循环来尝试进行 CAS 操作。所以在多线程竞争比较激烈的场景可以使用 ThreadLocalRandom 来解决 Random 执行效率比较低的问题。

当我们第一眼看到 ThreadLocalRandom 的时候，一定会联想到一次类 ThreadLocal，确实如此。ThreadLocalRandom 的实现原理与 ThreadLocal 类似，它相当于给每个线程一个自己的本地种子，从而就可以避免因多个线程竞争一个种子，而带来的额外性能开销了。

接下来我们使用 ThreadLocalRandom 来生成一个 0 到 10 的随机数（不包含 10），实现代码如下：

以上程序的执行结果为：

ThreadLocalRandom 的实现原理和 ThreadLocal 类似，它是让每个线程持有自己的本地种子，该种子在生成随机数时候才会被初始化，实现源码如下：

ThreadLocalRandom 结合了 Random 和 ThreadLocal 类，并被隔离在当前线程中。因此它通过避免竞争操作种子数，从而在多线程运行的环境中实现了更好的性能，而且也保证了它的线程安全。

另外，不同于 Random， ThreadLocalRandom 明确不支持设置随机种子。它重写了 Random 的

setSeed(long seed) 方法并直接抛出了 UnsupportedOperationException 异常，因此降低了多个线程出现随机数重复的可能性。

源码如下：

只要程序中调用了 setSeed() 方法就会抛出 UnsupportedOperationException 异常，如下图所示：

虽然 ThreadLocalRandom 不支持手动设置随机种子的方法，但并不代表 ThreadLocalRandom 就是完美的，当我们查看 ThreadLocalRandom 初始化随机种子的方法 initialSeed() 源码时发现，默认情况下它的随机种子也是以当前时间有关，源码如下：

从上述源码可以看出，当我们设置了启动参数“-Djava.util.secureRandomSeed=true”时，ThreadLocalRandom 会产生一个随机种子，一定程度上能缓解随机种子相同所带来随机数可预测的问题，然而默认情况下如果不设置此参数，那么在多线程中就可以因为启动时间相同，而导致多个线程在每一步操作中都会生成相同的随机数。

SecureRandom 继承自 Random，该类提供加密强随机数生成器。SecureRandom 不同于 Random，它收集了一些随机事件，比如鼠标点击，键盘点击等，SecureRandom 使用这些随机事件作为种子。这意味着，种子是不可预测的，而不像 Random 默认使用系统当前时间的毫秒数作为种子，从而避免了生成相同随机数的可能性。

以上程序的执行结果为：

SecureRandom 默认支持两种加密算法：

1. SHA1PRNG 算法，提供者 sun.security.provider.SecureRandom；
2. NativePRNG 算法，提供者 sun.security.provider.NativePRNG。

当然除了上述的操作方式之外，你还可以选择使用 new SecureRandom() 来创建 SecureRandom 对象，实现代码如下：

通过 new 初始化 SecureRandom，默认会使用 NativePRNG 算法来生成随机数，但是也可以配置 JVM 启动参数“-Djava.security”参数来修改生成随机数的算法，或选择使用 getInstance(\”算法名称\”) 的方式来指定生成随机数的算法。

Math 类诞生于 JDK 1.0，它里面包含了用于执行基本数学运算的属性和方法，如初等指数、对数、平方根和三角函数，当然它里面也包含了生成随机数的静态方法 Math.random() ，此方法会产生一个 0 到 1 的 double 值，如下代码所示。

以上程序的执行结果为：

当然如果你想用它来生成一个一定范围的 int 值也是可以的，你可以这样写：

以上程序的执行结果为：

通过分析 Math 的源码我们可以得知：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()，当下一次继续调用 Math.random() 方法时，就会使用这个新的伪随机数生成器。

源码如下：

本文我们介绍了 4 种生成随机数的方法，其中 Math 是对 Random 的封装，所以二者比较类似。Random 生成的是伪随机数，是以当前纳秒时间作为种子数的，并且在多线程竞争比较激烈的情况下因为要进行 CAS 操作，所以存在一定的性能问题，但对于绝大数应用场景来说，使用 Random 已经足够了。当在竞争比较激烈的场景下可以使用 ThreadLocalRandom 来替代 Random，但如果对安全性要求比较高的情况下，可以使用 SecureRandom 来生成随机数，因为 SecureRandom 会收集一些随机事件来作为随机种子，所以 SecureRandom 可以看作是生成真正随机数的一个工具类。

www.cnblogs.com/weink1215/p/4433790.html

blog.csdn.net/lycyingO/article/details/95276195

随机数大家都会用，但是你知道生成随机数的算法吗？

今天我们来和大家聊聊随机数。

大家如果学过编程对于随机数应该都不陌生，应该或多或少都用到过。再不济我们每周的抽奖都是用随机数抽出来的，我们用随机数的时候，往往都会加一个前缀，说它是伪随机数，那么这个伪随机数的伪字该怎么解释，什么又是真随机数呢？

真伪随机数

目前学界划分真伪随机数的方式非常简单，一句话就能说明白，凡是用一定的算法使用程序生成的都是伪随机数，通过物理现象产生的随机数才是真随机数。也就是说计算学家们已经证明了仅仅依靠算法是无法生成真随机数的，也可以认为这是一个NP问题。

算法生成的都是伪随机数的证明太过复杂我们可以不去深究，但是什么又叫做物理现象产生的随机数呢？其实也很简单，举个很简单的例子就是抛硬币和掷骰子。当然物理现象不止这些，比如还有电子元件的噪音、元素的衰变等等。

真假随机数之间的最大差别在哪里？其实就在是否可以预测上。计算机算法得出的各种随机数之所以是伪随机数是因为它们的结果都是可以预测的，只要我们知道算法和起始状态以及各种参数，就可以预测下一次随机出来的结果。而真随机数则无法预测，就是纯粹随机的。

但问题来了，抛硬币和掷骰子这些物理现象又是真的随机吗？如果我们知道了硬币的起始状态以及抛掷的角度和力度，是不是可以预测硬币抛掷的结果呢？进一步我们是否可以假设，如果我们能知道所有例子的所有状态，是否所有所谓的随机数都是可以预测的呢？但根据量子力学的测不准原理，我们知道我们无法同时知道粒子的位置和动量，不仅说明了我们无法预测，也说明了我们无法假设预测。

所以某种程度上来说物理现象是不是就是真随机，这就成了一个哲学问题。但至少在计算机领域当中，这个问题是明确的，算法得出的都是伪随机数，只有通过物理现象得出的才是真随机数。

在计算机系统当中，伪随机数都是有周期的，只要我们持续的次数足够多，就可以看到这种周期。而真随机数则不存在这种周期，有一位前辈做过一个随机数可视化实验，也就是把随机数得到的结果做成图片。我们可以直观地对比一下，这是真随机数可视化之后的图片：

看起来像不像是以前的电视收不到信号的时候显示的内容？我们再来看看通过算法生成的伪随机数可视化之后的结果：

对比一下还是挺明显的，明显可以看出来伪随机数是有规律的，这个规律体现出来就是图像当中的纹理。如果大家想要获取真随机数，可以访问random.org这个网站，它是免费的，我们可以人为设置上下限来获取指定范围内的随机数。

对比过真伪随机数之后，我们再来看看现在计算机系统当中常用的伪随机数生成算法的原理。

平方取中法

我们首先介绍的是平方取中法，这个方法非常简单粗暴，是用来产生四位随机数的。

具体的逻辑是怎样的呢？首先我们需要一个随机种子，比如2333，我们把这个随机种子进行平方，得到5442889。这个数一共有6位，我们给它左边填充一个0变成05442889，最后取出它的中间四位是4428，这就是我们随机得到的结果。当我们下次再计算随机数的时候，随机数的种子就成了4428。

这个算法的作者是大名鼎鼎的计算机之父冯诺依曼，自从他确定了计算机体系结构之后一直沿用至今。他当时推崇这一算法的原因很简单，计算方便，速度快，也容易排查错误。它认为如果真的设计一个复杂的算法来生成看起来比较好的随机数，可能隐藏的bug比解决的问题还要多。

我写了代码实际运行了一下，结果看起来其实没有那么不靠谱。

LCG算法

冯诺依曼的随机数算法虽然看起来简单，但是非常草率，在很多场合下是显然不能使用的。所以人们又想出了新的算法，这个算法也很简单，看起来英文缩写高大上，其实翻译过来是线性同余法。也就是利用ax + b mod c来生成随机数。

最后返回的结果是上述式子计算之后的结果，abc三个数都是我们选定的参数。当下一次随机的时候，就将上次的结果作为新的种子进行计算。我们写出它的递推公式就是：

这个算法一眼就看明白了，它的核心完全在于abc这三个参数的选择。如果选的不好就不能实现随机数的效果，这里我给大家分享一个业内常用的选择，a=25214903917，b=11，c=2^48。这些数不是拍脑袋随便选的，而是计算学家们算出来的。实际上Java JDK当中Random的类采用的就是这样的算法。

这种算法实现方式也非常简单，并且得到的效果也不错。如果要增加随机性，我们还可以在输出结果上做一些优化，比如进行位移或者是调换二进制位的顺序等等。但是这种算法也有缺点，就是它的计算方式是固定的，只是随机种子未知。只要愿意，我们是可以通过得到的随机结果去反推这些参数的。

这并不是一个复杂的算法，因此LCG算法得到的随机数不能应用在一些高安全级别的应用上，否则可能会有安全隐患。

梅森旋转算法

LCG算法实现的伪随机数效果还不错，但是周期不够长，很容易被黑客推算出随机种子。后来两个日本学者又研究提出了新的伪随机数算法，在这个算法当中用到了梅森素数，所以称为梅森旋转算法。

简单介绍一下梅森素数，梅森素数的意思是形如2^n – 1 的素数。利用梅森素数的性质可以设计出周期长度为梅森素数长度的随机数周期。比如目前Python、C++11等语言当中用的随机数计算包都是用的这种算法。目前常用的版本周期是2^19937 – 1，这是一个巨大的天文数字。

梅森旋转算法的实现原理非常复杂，网上的资料也不多，我看过一些都不是非常好懂。这里就不介绍了，大家感兴趣可以去了解看看。但我个人觉得意义不大，因为实在是用不到，面试也完全不会考。

虽然梅森旋转算法的周期非常非常长，但是仍不是安全的随机数算法，仍然有可能会被黑客破解。只不过和LCG算法相比，被破解的概率以及难度增加了许多。

大家可能很好奇，什么样的算法才是安全的呢？其实业内的安全算法其实挺取巧的，一般的常用方法就是利用一个数学界的难题来设计一个算法。比如RSA加密算法，利用的就是大整数因式分解的问题。这样的问题业内除了暴力计算没有好方法，而暴力计算的复杂度非常非常高，根本不可能在有限时间内有解，自然这个就是一个安全的算法了。如果某位黑客有能力设计出破解的算法来，他根本也不用破解啥，只要把解法发表成论文，自然可以名利双收。

你看随机数这么一个常见的功能下面居然隐藏了这么深的科学原理，而且更加震惊的是以我们人类如此厉害的文明，居然连随机一个数都做不到。不知道大家看到这里又有何种感受呢？

今天的文章就到这里，衷心祝愿大家每天都有所收获。如果还喜欢今天的内容的话，请来一个三连支持吧~（点赞、关注、转发）

本文始发于公众号：TechFlow，求个关注

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