java中random的几个方法的使用Math.random()和random().

random

　　java中我们有时候也需要使用使用random来产生随机数，下面我来简单的介绍下java中random的使用方法

第一种：Math.random()

public static double random()

返回带正号的  double 值，该值大于等于  0.0 且小于  1.0。返回值是一个伪随机选择的数，在该范围内（近似）均匀分布。

第一次调用该方法时，它将创建一个新的伪随机数生成器，与以下表达式完全相同

 　　　　new java.util.Random

之后，新的伪随机数生成器可用于此方法的所有调用，但不能用于其他地方。

此方法是完全同步的，可允许多个线程使用而不出现错误。但是，如果许多线程需要以极高的速率生成伪随机数，那么这可能会减少每个线程对拥有自己伪随机数生成器的争用。

 返回：

大于等于 0.0 且小于 1.0 的伪随机 double 值。

 

public class RandomDemo {
    public static void main(String[] args) {
        //创建一个Math.random()的对象
        double random = Math.random();
        //输出的值是[0.0-1.0)之间的随机数
        System.out.println(random);
        /*
         * 输出的结果
         * 第一次：0.8302600019925631
         * 第二次：0.27576570444589144
         * ...
         * */
    }
}

 

第二种：random()

　　Random()：创建一个新的随机数生成器。

　　 Random(long seed)：使用单个 long 种子创建一个新的随机数生成器。

　　Random 有一个特点是：

　　　　　　相同种子数的Random对象，对应相同次数生成的随机数字是完全相同的

public class RandomDemo {
    public static void main(String[] args) {
        Random random1 = new Random(20);//这个20代表种子数 创建一个新的随机数生成器
        Random random2 = new Random(20);
        //用for循环输出随机次数
        for (int i = 0; i < 20; i++) {
            //打印20次随机生成的数字
            System.out.print("random1=" + random1.nextInt(20) + ",");
        }
        System.out.println();
        
        for (int j = 0; j < 20; j++) {
            System.out.print("random2=" + random2.nextInt(20) + ",");
        }
    }
    /*
     * 输出的结果
     * random1=13,random1=16,random1=1,random1=1,random1=5,random1=15,random1=13,
     * random1=15,random1=13,random1=8,
     * random1=6,random1=2,random1=5,random1=10,
     * random1=8,random1=16,random1=4,random1=8,random1=17,random1=6,
     * random2=13,random2=16,random2=1,random2=1,random2=5,random2=15,random2=13,
     * random2=15,random2=13,random2=8,
     * random2=6,random2=2,random2=5,random2=10,
     * random2=8,random2=16,random2=4,random2=8,random2=17,random2=6,
　　　* 可以看出来输出的结果完全相同。
     */
}

 

　　无种子数random随机树

//没有提前给定种子数
        Random random3 = new Random();
        for(int x=0;x<20;x++){
            System.out.print("random3="+random3.nextInt(20)+",");
        }
        /*
         * 结果为
         * random3=0,random3=9,random3=17,random3=1,random3=8,random3=3,random3=1,random3=9,
         * random3=18,random3=13,random3=8,random3=14,random3=14,random3=4,random3=6,random3=5,random3=4,random3=15,random3=5,random3=19,
         * 每次输出的结果都不相同
         * */

下面给大家带来一些java随机数的源代码

1，

nextLong

public long nextLong()

返回下一个伪随机数，它是取自此随机数生成器序列的均匀分布的 long 值。 nextLong 的常规协定是，伪随机地生成并返回一个 long 值。

Random 类按如下方式实现 nextLong 方法：

 public long nextLong() {
       return ((long)next(32) << 32) + next(32);
  }

因为 Random 类使用只以 48 位表示的种子，所以此算法不会返回所有可能的 long 值。

 

返回：

下一个伪随机数，它是此随机数生成器序列中均匀分布的 long 值。

2，

nextBoolean

public boolean nextBoolean()

返回下一个伪随机数，它是取自此随机数生成器序列的均匀分布的 boolean 值。 nextBoolean 的常规协定是，伪随机地生成并返回一个 boolean 值。值 true 和 false 的生成概率（大致）相同。

Random 类按如下方式实现 nextBoolean 方法：

 public boolean nextBoolean() {
   return next(1) != 0;
 }

 

返回：

下一个伪随机数，它是此随机数生成器的序列中均匀分布的 boolean 值。

3，

nextFloat

public float nextFloat()

返回下一个伪随机数，它是取自此随机数生成器序列的、在 0.0 和 1.0 之间均匀分布的 float 值。

nextFloat 的常规协定是，伪随机地生成并返回一个从 0.0f（包括）到 1.0f（包括）范围内均匀选择（大致）的 float 值。所有可能的 2²⁴ 个 float 值（其形式为 m x 2^-24，其中 m 是一个小于 2²⁴的正整数）的生成概率（大致）相同。

Random 类按如下方式实现 nextFloat 方法：

 public float nextFloat() {
      return next(24) / ((float)(1 << 24));
 }

前面的描述中使用了不确定的词“大致”，因为 next 方法只是一个大致上独立选择位的无偏源。如果它是一个随机选择位的最佳来源，那么给出的算法应该从规定范围完全一致地选择 float 值。

[在 Java 的早期版本中，结果被错误地计算为：

 return next(30) / ((float)(1 << 30));

这可能看似等效（如果不是更好的话），但实际上由于浮点数舍入中的偏差，它会导致轻微的不均匀性：有效数的低位更可能是 0 而不是 1。]

 

返回：

下一个伪随机数，它是取自此随机数生成器序列的、在 0.0 和 1.0 之间均匀分布的 float 值

4，

nextDouble

public double nextDouble()

返回下一个伪随机数，它是取自此随机数生成器序列的、在 0.0 和 1.0 之间均匀分布的 double 值。

nextDouble 的常规协定是，伪随机地生成并返回一个从 0.0d（包括）到 1.0d（不包括）范围内均匀选择（大致）的 double 值。

Random 类按如下方式实现 nextDouble 方法：

 public double nextDouble() {
       return (((long)next(26) << 27) + next(27))
           / (double)(1L << 53);
 }

前面的描述中使用了不确定的词“大致”，因为 next 方法只是一个大致上独立选择位的无偏源。如果它是一个随机选择位的最佳源，那么给出的算法应该从规定范围完全一致地选择 double 值。

[在 Java 的早期版本中，结果被错误地计算为：

 return (((long)next(27) << 27) + next(27))
      / (double)(1L << 54);

这可能看似等效（如果不是更好的话），但实际上由于浮点数舍入中的偏差，它会引入较大的不均匀性：有效数的低位出现 0 的可能性是 1 的三倍！这种不均匀性在实践中可能没什么关系，但我们总是力求完美。]

 

返回：

下一个伪随机数，它是此随机数生成器序列中 0.0 和 1.0 之间均匀分布的 double 值

5，

nextGaussian

public double nextGaussian()

返回下一个伪随机数，它是取自此随机数生成器序列的、呈高斯（“正态”）分布的 double 值，其平均值是 0.0，标准差是 1.0。

nextGaussian 的常规协定是，伪随机地生成并返回一个 double 值，该值从（大致）具有平均值 0.0 和标准差 1.0 的标准正态分布中选择。

Random 类按以下这种线程安全的方式实现 nextGaussian 方法：

 private double nextNextGaussian;
 private boolean haveNextNextGaussian = false;

 public double nextGaussian() {
   if (haveNextNextGaussian) {
     haveNextNextGaussian = false;
     return nextNextGaussian;
   } else {
     double v1, v2, s;
     do {
       v1 = 2 * nextDouble() - 1;   // between -1.0 and 1.0
       v2 = 2 * nextDouble() - 1;   // between -1.0 and 1.0
       s = v1 * v1 + v2 * v2;
     } while (s >= 1 || s == 0);
     double multiplier = StrictMath.sqrt(-2 * StrictMath.log(s)/s);
     nextNextGaussian = v2 * multiplier;
     haveNextNextGaussian = true;
     return v1 * multiplier;
   }
 }

这使用了 G. E. P. Box、M. E. Muller 和 G. Marsaglia 的 极坐标法 (polar method)，该方法在 Donald E. Knuth 的 The Art of Computer Programming, Volume 3: Seminumerical Algorithms 的第 3.4.1 节，小节 C，算法 P 中进行了描述。注意，它只需调用一次 StrictMath.log 和调用一次 StrictMath.sqrt> 就可以生成两个独立的值。

 

返回：

下一个伪随机数，它是取自此随机数生成器序列的、呈高斯（“正态”）分布的 double 值，其平均值是 0.0，标准差是 1.0。

6，

nextInt

public int nextInt(int n)

返回一个伪随机数，它是取自此随机数生成器序列的、在 0（包括）和指定值（不包括）之间均匀分布的 int 值。 nextInt 的常规协定是，伪随机地生成并返回指定范围中的一个 int 值。所有可能的 n 个 int 值的生成概率（大致）相同。 Random 类按如下方式实现 nextInt(int n) 方法：

 public int nextInt(int n) {
     if (n<=0)
		throw new IllegalArgumentException("n must be positive");

     if ((n & -n) == n)  // i.e., n is a power of 2
         return (int)((n * (long)next(31)) >> 31);

     int bits, val;
     do {
         bits = next(31);
         val = bits % n;
     } while(bits - val + (n-1) < 0);
     return val;
  }

前面的描述中使用了不确定的词“大致”，因为 next 方法只是一个大致上独自选择位的无偏源。如果它是一个随机选择位的最佳源，那么给出的算法应该从规定范围完全一致地选择 int 值。

该算法稍微有些复杂。它拒绝那些会导致不均匀分布的值（由于 2^31 无法被 n 整除）。某个值被拒绝的概率取决于 n。最坏的情况是 n=2^30+1，拒绝的概率是 1/2，循环终止前的预计迭代次数是 2。

该算法特别对待 n 是 2 的次幂的情况：它从底层伪随机数生成器中返回正确的高位数。在不是特殊处理的情况中，将返回正确的低 位数。众所周知，线性同余伪随机数生成器（比如此类所实现的）在其低位的值序列中周期较短。因此，如果 n 是 2 的次幂（幂值较小），则这种特殊情况将大大增加此方法的后续调用所返回的值序列长度。

 

参数：

n - 要返回的随机数的范围。必须为正数。

返回：

下一个伪随机数，在此随机数生成器序列中 0（包括）和 n（不包括）之间均匀分布的 int 值。

抛出：

IllegalArgumentException - 如果 n 不是正数

7，

nextInt

public int nextInt()

返回下一个伪随机数，它是此随机数生成器的序列中均匀分布的 int 值。 nextInt 的常规协定是，伪随机地生成并返回一个 int 值。所有 2 ³² 个可能 int 值的生成概率（大致）相同。

Random 类按如下方式实现 nextInt 方法：

 public int nextInt() {
   return next(32);
 }

 

返回：

下一个伪随机数，它是此随机数生成器的序列中均匀分布的 int 值。

8，

nextBytes

public void nextBytes(byte[] bytes)

生成随机字节并将其置于用户提供的 byte 数组中。所生成的随机字节数等于该 byte 数组的长度。

Random 类按如下方式实现 nextBytes 方法：

 public void nextBytes(byte[] bytes) {
   for (int i = 0; i < bytes.length; )
     for (int rnd = nextInt(), n = Math.min(bytes.length - i, 4);
          n-- > 0; rnd >>= 8)
       bytes[i++] = (byte)rnd;
 }

 

参数：

bytes - 用随机字节填充的 byte 数组

抛出：

NullPointerException - 如果 byte 数组为 null

9，

next

protected int next(int bits)

生成下一个伪随机数。当被所有其他方法使用时，子类应该重写此方法。

next 的常规协定是，返回一个 int 值，如果参数 bits 位处于 1 和 32（包括）之间，那么返回值的多数低位都将（大致）是单独选择的位值，每个位值是 0 或 1 的机会（大致）相等。通过将种子自动更新为

(seed * 0x5DEECE66DL + 0xBL) & ((1L << 48) - 1)

并返回

(int)(seed >>> (48 - bits))，Random 类可实现 next 方法。

这是一个线性同余伪随机数生成器，由 D. H. Lehmer 定义，Donald E. Knuth 在 The Art of Computer Programming, Volume 3: Seminumerical Algorithms 的第 3.2.1 节中进行了描述。

 

参数：

bits - 随机位。

返回：

随机数生成器序列的下一个伪随机值。

 

 

 

希望有对java随机数有深入了解的朋友可以给我讲解讲解！

（个人观点，错误的地方请谅解）