Java如何避免随机数重复？

基于集合的洗牌算法（小范围高效）

原理：预生成所有可能值，随机打乱顺序后顺序取出

适用场景：有限且范围小的数据集（如1-100的抽奖）

List<Integer> numbers = new ArrayList<>(); for (int i = 1; i <= 100; i++) { // 预填充数据 numbers.add(i); } Collections.shuffle(numbers); // 随机打乱 // 按序取出不重复值 for (int num : numbers) { System.out.println(num); }

优点：O(n)时间复杂度，绝对不重复

缺点：内存占用高，不适用大范围（如10亿）

HashSet去重（动态生成）

原理：生成随机数后存入Set自动去重

注意：

• 集合大小接近范围上限时,性能急剧下降（碰撞概率高）
• 需设置最大循环次数避免死循环

线性同余生成器（LCG）定制

原理：通过数学公式控制随机序列不重复

// 自定义LCG参数 (a, c, m需符合Hull-Dobell定理) class CustomLCG { private long seed; private final long a = 1664525, c = 1013904223, m = (long) Math.pow(2, 32); public CustomLCG(long seed) { this.seed = seed; } public int nextUnique() { seed = (a * seed + c) % m; // 生成下一个数 return (int) (seed % 10000); // 限制范围 } } // 使用示例 CustomLCG generator = new CustomLCG(System.currentTimeMillis()); Set<Integer> results = new HashSet<>(); while (results.size() < 1000) { results.add(generator.nextUnique()); }

适用场景：需要可预测序列的场景（如游戏关卡生成）

风险：参数选择不当会导致周期缩短

安全随机数（高安全性场景）

原理：用SecureRandom生成密码学强度的随机数

SecureRandom secureRandom = new SecureRandom(); Set<Integer> secureSet = new HashSet<>(); while (secureSet.size() < 10) { int num = secureRandom.nextInt(100_000); secureSet.add(num); }

优势：抵御预测攻破，适用于令牌、密钥生成

代价：性能比Random低10倍以上

位图法（BitMap）超大范围优化

原理：用比特位标记已生成数字，节省内存

BitSet bitSet = new BitSet(1_000_000); // 100万范围 Random rand = new Random(); int count = 0; while (count < 10_000) { // 目标1万个不重复数 int num = rand.nextInt(1_000_000); if (!bitSet.get(num)) { bitSet.set(num); // 标记已使用 count++; } }

优势：内存压缩至传统数组的1/32

适用：范围大但样本稀疏的场景（如百万中取1万）

关键注意事项

1. 性能陷阱

   HashSet去重在覆盖率>70%时碰撞率飙升，应改用洗牌或BitMap

2. 随机性质量
   • 普通Random类周期为2⁴⁸，优先用ThreadLocalRandom（Java7+）
3. 并发场景
   • 多线程下使用SplittableRandom（Java8+）避免竞争
4. 分布式系统

   需结合数据库唯一约束或Snowflake算法,单机随机无法保证全局唯一

   方法选型建议

   场景	推荐方法
   小范围全量采样（<10⁶）	洗牌算法(Collections.shuffle)
   大范围稀疏采样	BitMap位图法
   安全敏感场景	SecureRandom + HashSet
   可预测序列需求	自定义LCG

   引用说明：

   • LCG参数选择参考《计算机程序设计艺术》卷2（Donald Knuth）
   • 安全随机数标准遵循NIST SP 800-90A Rev.1
   • 并发随机数生成器设计基于Java官方文档

     通过科学选择算法，可平衡性能、内存与安全性需求，实际开发中需严格测试边界条件（如范围溢出、线程竞争），避免业务逻辑漏洞。