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);

　　执行了1000000次循环之后，得到的平均值基本上就处于随机数范围的中点(midpoint)。

　　到目前为止，事情还并不复杂，但是我们会问为什么要使用nextInt(n)?考虑一下的随机数生成方法：

　　(1)使用老的方法nextInt()，没有制定数值范围

　　(2)用Math.abs()静态函数得到(1)中产生值的绝对值

　　(3)对(2)的结果进行取模运算(%)，得到期望范围类的值

　　我们说nextInt(n)要比上述方法更好，为什么呢?参考以下的代码段：

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);

　　不难发现，每次循环都多出了几步运算。事实上，这种随机数生成的方法存在着以下三个问题：

　　首先，nextInt()返回的值是趋于均匀分布在Integer.MIN_VALUE 和 Integer.MAX_VALUE之间的。如果你取Integer.MIN_VALUE的绝对值，得到的仍然不是一个正数。事实上，Math.abs(Integer.MIN_VALUE)等于Integer.MIN_VALUE。因此，存在着这样一种情况(虽然很少见)：rand.nextInt()=Integer.MIN_VALUE，经过取绝对值Math.abs(rand.nextInt())之后，得到是一个负数。这种几率为 1/(2^31)，在我们的测试中不太可能发生——循环次数只有1000000次。

　　其次，当你对nextInt()取模时，你使结果的随机性大打折扣。随机数中较小的值出现的几率更大一些。这就是众所周知的伪随机数生成，因此我们不是用取模的方法。

　　最后，也可能是最糟糕的：随机数不是均匀分布。如果你执行了上述的两段代码，第一段代码的结果将会大于715,000,000，考虑到数值范围的中点(midpoint)是715,827,882，所以这是一个可以接受的结果。然而，你会吃惊的发现第二段代码得到的平均值肯定不会超过600,000,000。

　　为何第二段代码的结果会如此的偏差?纠其本质，问题出在数值分布的不均匀。当你进行取模运算时，你将过大的数转换成了较小的。这使得较小的数更容易产生。

　　使用nextInt(range)将会解决上述的三个问题。

　　还有一种随机数生成方法——使用Math.random()。这个方法的效果如何?

以下是引用片段：
　　sum = 0;
　　for (int i=0; i
　　sum += (int)(Math.random() * range);

[1] [2] 下一页

上一篇:从一级到四级全国计算机等级考试全攻略

下一篇:Java认证心得：顺利通过SCJP测试全接触