java.util
类 Random

java.lang.Object
  java.util.Random

所有已实现的接口：

Serializable

直接已知子类：

SecureRandom

public class Random
     

      extends 
      Object
     
     

      implements 
      Serializable
     

此类的实例用于生成伪随机数流。此类使用 48 位的种子，使用线性同余公式 (linear congruential form) 对其进行了修改（请参阅 Donald Knuth 的The Art of Computer Programming, Volume 3，第 3.2.1 节）。

如果用相同的种子创建两个 Random 实例，则对每个实例进行相同的方法调用序列，它们将生成并返回相同的数字序列。为了保证此属性的实现，为类 Random 指定了特定的算法。为了 Java 代码的完全可移植性，Java 实现必须让类 Random 使用此处所示的所有算法。但是允许 Random 类的子类使用其他算法，只要其符合所有方法的常规协定即可。

Random 类实现的算法使用一个 protected 实用工具方法，每次调用它最多可提供 32 个伪随机生成的位。

很多应用程序会发现 Math.random() 方法更易于使用。

从以下版本开始：

JDK1.0

另请参见：

序列化表格

Random

public Random()

创建一个新的随机数生成器。此构造方法将随机数生成器的种子设置为某个值，该值与此构造方法的所有其他调用所用的值完全不同。

Random

public Random(long seed)

使用单个 long 种子创建一个新的随机数生成器。该种子是伪随机数生成器的内部状态的初始值，该生成器可通过方法 next(int) 维护。

调用 new Random(seed) 等效于：

 Random rnd = new Random();
 rnd.setSeed(seed);

参数：

seed - 初始种子

另请参见：

setSeed(long)

setSeed

public void setSeed(long seed)

使用单个 long 种子设置此随机数生成器的种子。 setSeed 的常规协定是它更改此随机数生成器对象的状态，使其状态好像是刚刚使用参数 seed 作为种子创建它的状态一样。通过将种子自动更新为

(seed ^ 0x5DEECE66DL) & ((1L << 48) - 1)

并清除 nextGaussian() 使用的 haveNextNextGaussian 标志， Random 类可实现 setSeed 方法。

Random 类实现的 setSeed 恰好只使用 48 位的给定种子。但是，通常重写方法可能使用 long 参数的所有 64 位作为种子值。

参数：

seed - 初始种子。

next

protected int next(int bits)

生成下一个伪随机数。当被所有其他方法使用时，子类应该重写此方法。

next 的常规协定是，返回一个 int 值，如果参数 bits 位处于 1 和 32（包括）之间，那么返回值的多数低位都将（大致）是单独选择的位值，每个位值是 0 或 1 的机会（大致）相等。通过将种子自动更新为

(seed * 0x5DEECE66DL + 0xBL) & ((1L << 48) - 1)

并返回

(int)(seed >>> (48 - bits))，Random 类可实现 next 方法。

这是一个线性同余伪随机数生成器，由 D. H. Lehmer 定义，Donald E. Knuth 在 The Art of Computer Programming, Volume 3: Seminumerical Algorithms 的第 3.2.1 节中进行了描述。

参数：

bits - 随机位。

返回：

随机数生成器序列的下一个伪随机值。

从以下版本开始：

1.1

nextBytes

public void nextBytes(byte[] bytes)

生成随机字节并将其置于用户提供的 byte 数组中。所生成的随机字节数等于该 byte 数组的长度。

Random 类按如下方式实现 nextBytes 方法：

 public void nextBytes(byte[] bytes) {
   for (int i = 0; i < bytes.length; )
     for (int rnd = nextInt(), n = Math.min(bytes.length - i, 4);
          n-- > 0; rnd >>= 8)
       bytes[i++] = (byte)rnd;
 }

参数：

bytes - 用随机字节填充的 byte 数组

抛出：

NullPointerException - 如果 byte 数组为 null

从以下版本开始：

1.1

nextInt

public 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。 nextInt 的常规协定是，伪随机地生成并返回一个 int 值。所有 2 ³² 个可能 int 值的生成概率（大致）相同。

Random 类按如下方式实现 nextInt 方法：

 public int nextInt() {
   return next(32);
 }

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。

nextInt

public 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 0（包括）和指定值（不包括）之间均匀分布的 int 值。 nextInt 的常规协定是，伪随机地生成并返回指定范围中的一个 int 值。所有可能的 n 个 int 值的生成概率（大致）相同。 Random 类按如下方式实现 nextInt(int n) 方法：

 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;
  }

前面的描述中使用了不确定的词“大致”，因为 next 方法只是一个大致上独自选择位的无偏源。如果它是一个随机选择位的最佳源，那么给出的算法应该从规定范围完全一致地选择 int 值。

该算法稍微有些复杂。它拒绝那些会导致不均匀分布的值（由于 2^31 无法被 n 整除）。某个值被拒绝的概率取决于 n。最坏的情况是 n=2^30+1，拒绝的概率是 1/2，循环终止前的预计迭代次数是 2。

该算法特别对待 n 是 2 的次幂的情况：它从底层伪随机数生成器中返回正确的高位数。在不是特殊处理的情况中，将返回正确的低 位数。众所周知，线性同余伪随机数生成器（比如此类所实现的）在其低位的值序列中周期较短。因此，如果 n 是 2 的次幂（幂值较小），则这种特殊情况将大大增加此方法的后续调用所返回的值序列长度。

参数：

n - 要返回的随机数的范围。必须为正数。

返回：

下一个伪随机数，在此随机数生成器序列中 0（包括）和 n（不包括）之间均匀分布的 int 值。

抛出：

IllegalArgumentException - 如果 n 不是正数

从以下版本开始：

1.2

nextLong

public 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。 nextLong 的常规协定是，伪随机地生成并返回一个 long 值。

Random 类按如下方式实现 nextLong 方法：

 public long nextLong() {
       return ((long)next(32) << 32) + next(32);
  }

因为 Random 类使用只以 48 位表示的种子，所以此算法不会返回所有可能的 long 值。

返回：

下一个伪随机数，它是此随机数生成器序列中均匀分布的 long 值。

nextBoolean

public 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。 nextBoolean 的常规协定是，伪随机地生成并返回一个 boolean 值。值 true 和 false 的生成概率（大致）相同。

Random 类按如下方式实现 nextBoolean 方法：

 public boolean nextBoolean() {
   return next(1) != 0;
 }

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 boolean 值。

从以下版本开始：

1.2

nextFloat

public 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 之间均匀分布的 float 值。

nextFloat 的常规协定是，伪随机地生成并返回一个从 0.0f（包括）到 1.0f（包括）范围内均匀选择（大致）的 float 值。所有可能的 2²⁴ 个 float 值（其形式为 m x 2^-24，其中 m 是一个小于 2²⁴ 的正整数）的生成概率（大致）相同。

Random 类按如下方式实现 nextFloat 方法：

 public float nextFloat() {
      return next(24) / ((float)(1 << 24));
 }

前面的描述中使用了不确定的词“大致”，因为 next 方法只是一个大致上独立选择位的无偏源。如果它是一个随机选择位的最佳来源，那么给出的算法应该从规定范围完全一致地选择 float 值。

[在 Java 的早期版本中，结果被错误地计算为：

 return next(30) / ((float)(1 << 30));

这可能看似等效（如果不是更好的话），但实际上由于浮点数舍入中的偏差，它会导致轻微的不均匀性：有效数的低位更可能是 0 而不是 1。]

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 float 值

nextDouble

public 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。

nextDouble 的常规协定是，伪随机地生成并返回一个从 0.0d（包括）到 1.0d（不包括）范围内均匀选择（大致）的 double 值。

Random 类按如下方式实现 nextDouble 方法：

 public double nextDouble() {
       return (((long)next(26) << 27) + next(27))
           / (double)(1L << 53);
 }

前面的描述中使用了不确定的词“大致”，因为 next 方法只是一个大致上独立选择位的无偏源。如果它是一个随机选择位的最佳源，那么给出的算法应该从规定范围完全一致地选择 double 值。

[在 Java 的早期版本中，结果被错误地计算为：

 return (((long)next(27) << 27) + next(27))
      / (double)(1L << 54);

这可能看似等效（如果不是更好的话），但实际上由于浮点数舍入中的偏差，它会引入较大的不均匀性：有效数的低位出现 0 的可能性是 1 的三倍！这种不均匀性在实践中可能没什么关系，但我们总是力求完美。]

返回：

下一个伪随机数，它是此随机数生成器序列中 0.0 和 1.0 之间均匀分布的 double 值

另请参见：

Math.random()

nextGaussian

public 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。

nextGaussian 的常规协定是，伪随机地生成并返回一个 double 值，该值从（大致）具有平均值 0.0 和标准差 1.0 的标准正态分布中选择。

Random 类按以下这种线程安全的方式实现 nextGaussian 方法：

 private double nextNextGaussian;
 private boolean haveNextNextGaussian = false;

 public double nextGaussian() {
   if (haveNextNextGaussian) {
     haveNextNextGaussian = false;
     return nextNextGaussian;
   } else {
     double v1, v2, s;
     do {
       v1 = 2 * nextDouble() - 1;   // between -1.0 and 1.0
       v2 = 2 * nextDouble() - 1;   // between -1.0 and 1.0
       s = v1 * v1 + v2 * v2;
     } while (s >= 1 || s == 0);
     double multiplier = StrictMath.sqrt(-2 * StrictMath.log(s)/s);
     nextNextGaussian = v2 * multiplier;
     haveNextNextGaussian = true;
     return v1 * multiplier;
   }
 }

这使用了 G. E. P. Box、M. E. Muller 和 G. Marsaglia 的 极坐标法 (polar method)，该方法在 Donald E. Knuth 的 The Art of Computer Programming, Volume 3: Seminumerical Algorithms 的第 3.4.1 节，小节 C，算法 P 中进行了描述。注意，它只需调用一次 StrictMath.log 和调用一次 StrictMath.sqrt> 就可以生成两个独立的值。

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。