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
* 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。
* 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。
* 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。
* 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 gifts) {
if (null == gifts || gifts.size() == 0) {
return null;
}
gifts.sort((o1, o2) -> (o1.prob - o2.prob) > 0 ? 1 : -1);
list 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 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 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 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萬仟网。
希望与广大网友互动??
点此进行留言吧!