• java 随机数种子


    引子:需要实现每天随机获得一个礼包,且全服玩家随出来的都是同一个。

    实现方案:以当前时间是一年的第几天作为random的种子,取1~礼包总个数范围内的随机值。

      public static int getBuffId() {
            Calendar c = Calendar.getInstance();
            c.setTimeInMillis(System.nanoTime());
            int dateInYear = c.get(Calendar.DAY_OF_YEAR);
            return new Random(dateInYear).nextInt(10) + 1;
        }

    于是决定深入了解一下随机数的种子。

    Random两种构造方法。一种是无参构造函数。种子是 ++seedUniquifier + System.nanoTime(), 所以每新new一个Random实例,种子都会变。

    private static volatile long seedUniquifier = 8682522807148012L;
    public Random() { this(++seedUniquifier + System.nanoTime()); }

    另一种是设置种子的构造方法。

     public Random(long seed) {
            this.seed = new AtomicLong(0L);
            setSeed(seed);
        }

    看一下next()方法。每次调用next()方法。种子就会发生变化  nextseed = (oldseed * multiplier + addend) & mask;

    private final static long multiplier = 0x5DEECE66DL;
    private final static long addend = 0xBL;
    private final static long mask = (1L << 48) - 1;
    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));//保证oldseed跟nextseed不相同 return (int)(nextseed >>> (48 - bits)); }
    public int nextInt() { return next(32); }

    实例:

    //实例1
           Random random = new Random(1000);
            for (int i = 1; i < 4; i++) {
                System.out.println(random.nextInt());
            }
       
            System.out.println("...........");
    
    //实例2
            for (int j = 0; j < 4; j++) {
                System.out.println(new Random(1000).nextInt());
            }

    运行结果:

    1487836800000
    -1244746321
    1060493871
    -1826063944
    ...........
    -1244746321
    -1244746321
    -1244746321
    -1244746321

    分析:运行结果不一样。原因如下:

            实例1设定了种子1000,for循环里,nextSeed一直在变,所以随出来的值也每次不一样。

            实例2每次new一个新的Random对象,每次seed都会被重置成1000,后面调用nextInt() 算出来的nextSeed都是同一个值,所以不管循环几次,随出来的结果都一样。

  • 相关阅读:
    centos7删除已经安装的docker
    docker -v挂载数据卷网络异常的问题
    docker数据拷贝
    通过nsenter连接docker容器
    centos6.5 mysql开机启动
    深度学习课程笔记(五)Ensemble
    深度学习课程笔记(四)Gradient Descent 梯度下降算法
    深度学习课程笔记(三)Backpropagation 反向传播算法
    深度学习课程笔记(二)Classification: Probility Generative Model
    深度学习课程笔记(一)CNN 卷积神经网络
  • 原文地址:https://www.cnblogs.com/happySmily/p/6428553.html
Copyright © 2020-2023  润新知