不重复抽取算法思考

洗牌算法

通过先打乱目标list的方式然后依次获取目标值

假设目标范围为1～30，随机抽取15个：

-- 初始化随机数生成器
math.randomseed(os.time())

-- 游戏参数
local board_size = 30                  -- 样本大小
local target_size = 15                 -- 目标数量
local board = {}                       -- 样本列表
local target = {}					   -- 目标列表
local wash_limit = 2 				   -- 用于控制洗牌次数（> 1 & < board_size）

-- 初始化样本
for i = 1, board_size do
    board[i] = i
end

-- 洗牌算法
for i = board_size, wash_limit, -1 do
    local j = math.random(i)
    board[i], board[j] = board[j], board[i]
end

-- 获取目标列表
for i = 1, target_size do
    table.insert(target , board[i])
end

优点： 可以通过控制wash_limit来调节洗牌的均匀性，适用于抽取目标 >= board_size / 2的情况

缺点： 对于大规模的数据集合，可能需要较长的时间来完成洗牌操作。所以对于目标数量较少的情况建议采取随机样本算法

随机样本算法

随机样本算法的基本思想是从数据集合中随机选择一定数量的样本，以便更好地代表整个数据集合。

假设目标范围为1～30，随机抽取10个：

-- 初始化随机数生成器
math.randomseed(os.time())

-- 游戏参数
local board_size = 30                  -- 样本大小
local target_size = 10                 -- 目标数量
local board = {}                       -- 样本列表
local target = {}					   -- 目标列表

-- 初始化样本
for i = 1, board_size do
    board[i] = i
end

-- 随机抽样
for i = 1, target_size do
    local index = math.random(i, board_size)
    target[i] = board[index]
    board[index] = board[i]
end

优点： 更适用于抽取目标 <= board_size / 2的情况

缺点： 因为random的次数与目标值正相关，所以对于目标数量占比较多的情况会random较多次。对于目标数量较多的情况建议采取洗牌算法

总结： 实际应用中可以结合上述2种算法实现