随机数的工程学:mulberry32 种子复现同一份卷,与为什么不该用 sort 洗牌
随机数其实是算出来的
Math.random() 给人的错觉是「真随机」,真相是:它由一个确定性的算法从内部状态逐步算出——给定同样的初始状态,后面的序列一模一样。这类算法叫伪随机数发生器(PRNG):用上一状态经固定的位运算搅动,产出一个「看起来无规律」的数,再把它当作下一轮的状态。所谓种子(seed)就是那个初始状态。
种子即复现密码。这个性质平时是 PRNG 的「缺陷」(可预测),在生成内容类工具里却成了功能:口算题卡生成器把「这份卷」压缩成一个数——同样设置 + 同一个种子 = 逐题相同的卷子。家长打第二份、老师隔年重出、客服排查「第 7 题印错」时精确还原现场,全靠它。站内题卡与字帖类工具用的是 mulberry32——三十来位运算的标准实现,状态仅一个 32 位整数,序列周期 2³²,质量对生成题目绰绰有余,速度比密码学级 PRNG 快两个量级。而 Math.random() 没有种子接口(状态不可注入),每次刷新都是新序列——要复现就只能自己带种子的 PRNG,这是「题卡用 mulberry32、抛硬币用 Math.random」的分工依据:前者要复现,后者要不可预测。
顺带一提分界线:涉及安全(令牌、密码)必须用 crypto.getRandomValues(密码学随机,不可预测、不可复现),mulberry32/Math.random 都不行——生成器家族选错场景是真实漏洞,不是风格问题。
抽牌不放回:splice 抽样即部分洗牌
「从一副牌里抽 5 张、抽过的不再出现」——直觉实现是每次 Math.floor(Math.random() * deck.length) 取一张然后 splice 移除。这其实是正确的:等价于部分 Fisher-Yates 洗牌(只洗前 k 个位置)。等概率性可以证明:每张牌在每轮被抽中的概率均等,组合数上每种 k 张的组合同概率。站内抽卡工具的「不放回模式」走这条路,抽完的牌从余牌堆真实扣减,下次接着抽——牌桌语义完整。
sort 洗牌:一个流传最广的错误
很多人以为「打乱数组」可以偷懒:
| |
错在把「排序」用在了它不保证的事情上。比较排序要求全序且一致(a<b 的判断不能变卦),而随机比较器每次给出矛盾答案——排序算法在矛盾输入下的行为是实现细节:不同引擎、甚至同一引擎的不同输入长度,产出的排列分布都不均匀,某些排列系统性高频。经典实验:对 3 个元素这样「洗」一万次,本应各占 1/6 的六种排列,计数能差出数倍。正确的洗牌是 Fisher-Yates:从尾部往前,位置 i 与「0..i 中随机一个位置」交换——每个排列恰好等概率,O(n) 一遍完成,还比排序快。
| |
一个更细的坑叫模偏置:Math.floor(Math.random() * n) 在 n 不整除 2³²(或引擎的随机整数域)时,低位取值会多出一丝丝概率差——对抽牌抽奖无感,对密码学场景必须用拒绝采样修正。工程判断的口径:娱乐场景忽略,安全场景零容忍。
🔧 竖式口算题卡 与 🔧 英语字帖生成器 是「种子复现」的受益者——同种子同卷,附答案页对得上;🔧 随机抽牌 示范不放回抽样的正确姿势。题卡字帖这条打印线收在打印模板台专题里,教师组卷场景另配在教师备课工具箱,全部本地生成,随打随用。