常用抽奖算法对比
基础的游戏抽奖算法通常要求实现在指定奖品的集合中,每个奖品根据对对应概率进行抽取。个人了解的主要有以下几中抽奖算法:
随机数一一对应
算法思想
这种算法思想最为简单。将n个奖品编号0 - N-1,其中各类奖品的概率通过其数量体现,最后程序产生0~n-1之间的随机数便是抽中的奖品编号。例如:
苹果手机概率1%,网站会员20%,折扣券20%,很遗憾59%。这样,编号0是苹果手机,1-20是会员,21-40是折扣券,41~100是 很遗憾。产生的随机数落在那个区间,就代表那个奖品被抽中。
存在问题
1、总数N快速膨胀
概率通过数量来体现在各个奖品概率较大的情况下,总数n可以较小。但如果在精度很高的情况下,总数必须按比例成倍扩大。
例如,所有奖品概率都是10%,那么n只需要取10就可以。但是如果某个奖品概率是0.01%,按照这种算法,总数要扩大到100*100。
2、平衡性影响
在Java中,Math.random()方法本身基本可以保证大量测试的情况下避免高重复,且概率分布比较平均。但是需要注意的是,该方法默认返回0-1之间的数据。
在当前算法中,必须扩大指定倍数并且强制使用int进行类型转换。在这样的扩大和转换过程中,必然会对数据精度进行修改,转换后的数据也不能保证概率分布平均。
因此,该算法实际可能达不到预期的概率要求。
3、算法复杂度
数据准备阶段,为每个奖品确定编号与奖品信息的关系集合需要O(n);
产生随机数阶段并转换,O(1);
从集合中查找,不同的数据结构实现不同,最差需要O(n);
离散法
算法思想
(高中数学里几何概形的思想)
将奖品集合的概率划分区段放入数组中。概率区段通过该概率累计相加确定。利用随机数产生随机概率,加入数组并排序,该数据的下标,就是对应奖品集合中奖品的索引。例如,奖品的集合有X1,X2,X3,X4,对应概率为P1=0.2,P2=0.2,P3=0.3,P4=0.3。
那么,产生的概率区段数组为[0.2,0.4,0.7,1.0]。
0.2以下代表X1,0.2-0.4代表X2,0.4-0.7代表X3,0.7~1代表X4。
这样,如果产生一个随机概率为0.5,加入数组排序后,0.4~0.7之间,是X3相加所在的概率区间,返回index=2。
由于区间分布的确定是按照X集合顺序的,所以该索引也正是X3在原集合中的索引。
特点
1、利用几何概形,概率数组分布在0到1之间,不再需要扩大倍数和取整操作,基本可以保证概率平均分布,避免大量重复的情况
2、概率分配的排序过程,可以使用java默认的排序工具类,也可以自己实现。保证时间复杂度最小。
3、复杂度
准备阶段,即对准备概率集合,进行归一化等操作,假设样本的概率个数为M个,则复杂度为O(m)。m远小于方法一中的n,因为概率只有几个,不会大量膨胀。
产生随机数,O(1)
排序取下标,根据排序算法,O(logM)即可实现
取值,根据下标,O(1);
Alias 算法
这种算法对数学要求比较高,没有仔细研究。
感兴趣的小伙伴可以自己研究一下和我分享
算法实现
奖品实体类
/** * 抽奖奖品实体类 * @author irving * @since 2017年7月23日 下午9:41:33 * @version MARK 0.0.1 */ public class Gift { private int id; //奖品Id private String name; //奖品名称 private double prob; //获奖概率 public int getId() { return id; } public void setId(int id) { this.id = id; } public String getName() { return name; } public void setName(String name) { this.name = name; } public double getProb() { return prob; } public void setProb(double prob) { this.prob = prob; } @Override public String toString() { return ToStringBuilder.reflectionToString(this, ToStringStyle.JSON_STYLE); } }
抽奖实现工具类
/** * 抽奖工具类<br/> * 整体思想: * 奖品集合 + 概率比例集合 * 将奖品按集合中顺序概率计算成所占比例区间,放入比例集合。并产生一个随机数加入其中,排序。</br> * 排序后,随机数落在哪个区间,就表示那个区间的奖品被抽中。</br> * 返回的随机数在集合中的索引,该索引就是奖品集合中的索引。</br> * 比例区间的计算通过概率相加获得。 * @author irving * @since 2017年7月23日 下午9:48:23 * @version MARK 0.0.1 */ package com.xxx.xxx.xxx.service; import java.util.*; /** * 抽奖工具类 * @Author yuanyicheng * @Date 7:14 上午 2020/9/9 */ public class DrawUtil { public static Gift draw(List<Gift> gifts) { if (null == gifts || gifts.size() == 0) { return null; } gifts.sort((o1, o2) -> (o1.prob - o2.prob) > 0 ? 1 : -1); List<Double> probLists = new ArrayList<>(gifts.size()); Double sumProb = 0D; for (Gift gift : gifts) { sumProb += gift.getProb(); } if (sumProb <= 0) { return null; } // 归一化概率端点 Double rate = 0D; for (Gift gift : gifts) { rate += gift.getProb(); probLists.add(rate / sumProb); } double random = Math.random(); probLists.add(random); Collections.sort(probLists); int index = probLists.indexOf(random); if (index >= 0) { return gifts.get(index); } return null; } public static void main(String[] args) { List<Gift> gifts = new ArrayList<>(); Gift nothing = new Gift("谢谢惠顾", 0.5D); Gift vip = new Gift("XX会员1个月", 0.4D); Gift phone = new Gift("手机", 0.1D); gifts.add(nothing); gifts.add(phone); gifts.add(vip); // 抽奖 // Gift g = draw(gifts); // 以下是测试统计 Map<String, Integer> countMap = new HashMap<>(); for (Gift gift: gifts) { countMap.put(gift.getName(), 0); } countMap.put("null", 0); for (int i=0; i<1000; i++) { // 抽一个 Gift gift = draw(gifts); String name = "null"; if (null != gift) { name = gift.getName(); } int count = countMap.get(name); countMap.put(name, ++count); } for (Map.Entry<String, Integer> entry : countMap.entrySet()) { System.out.println("抽到"+entry.getKey()+", "+entry.getValue()+"次"); } } } /** * 奖品类 */ class Gift { String name; Double prob; public Gift(String name, Double prob) { this.name = name; this.prob = prob; } public String getName() { return name; } public void setName(String name) { this.name = name; } public Double getProb() { return prob; } public void setProb(Double prob) { this.prob = prob; } }
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持易盾网络。