Ответ 1

Я бы использовал навигационную карту

public class RandomCollection<E> {
    private final NavigableMap<Double, E> map = new TreeMap<Double, E>();
    private final Random random;
    private double total = 0;

    public RandomCollection() {
        this(new Random());
    }

    public RandomCollection(Random random) {
        this.random = random;
    }

    public RandomCollection<E> add(double weight, E result) {
        if (weight <= 0) return this;
        total += weight;
        map.put(total, result);
        return this;
    }

    public E next() {
        double value = random.nextDouble() * total;
        return map.higherEntry(value).getValue();
    }
}

Скажем, у меня есть список животных, собак, кошек, лошадей с вероятностью 40%, 35%, 25% соответственно

RandomCollection<String> rc = new RandomCollection<>()
                              .add(40, "dog").add(35, "cat").add(25, "horse");

for (int i = 0; i < 10; i++) {
    System.out.println(rc.next());
} 

Ответ 2

Вы не найдете рамки для такого рода проблем, так как запрошенная функциональность - не более простая функция. Сделайте что-то вроде этого:

interface Item {
    double getWeight();
}

class RandomItemChooser {
    public Item chooseOnWeight(List<Item> items) {
        double completeWeight = 0.0;
        for (Item item : items)
            completeWeight += item.getWeight();
        double r = Math.random() * completeWeight;
        double countWeight = 0.0;
        for (Item item : items) {
            countWeight += item.getWeight();
            if (countWeight >= r)
                return item;
        }
        throw new RuntimeException("Should never be shown.");
    }
}

Ответ 3

Теперь в Apache Commons есть класс для этого: EnumeratedDistribution

Item selectedItem = new EnumeratedDistribution(itemWeights).sample();

где itemWeights - это List<Pair<Item,Double>>, например (при условии интерфейса Item в ответе Arne):

List<Pair<Item,Double>> itemWeights = Collections.newArrayList();
for (Item i : itemSet) {
    itemWeights.add(new Pair(i, i.getWeight()));
}

или в Java 8:

itemSet.stream().map(i -> new Pair(i, i.getWeight())).collect(toList());

Примечание: Pair здесь должна быть org.apache.commons.math3.util.Pair, а не org.apache.commons.lang3.tuple.Pair.

Ответ 4

Использовать метод псевдонима

Если вы собираетесь кататься много раз (как в игре), вы должны использовать метод псевдонима.

Приведенный ниже код представляет собой довольно длинную реализацию такого метода псевдонимов. Но это из-за части инициализации. Извлечение элементов происходит очень быстро (см. Методы next и applyAsInt, которые они не выполняют).

Использование

Set<Item> items = ... ;
ToDoubleFunction<Item> weighter = ... ;

Random random = new Random();

RandomSelector<T> selector = RandomSelector.weighted(items, weighter);
Item drop = selector.next(random);

Реализация

Эта реализация:

• использует Java 8;
• рассчитан на как можно быстрее (ну, по крайней мере, я пытался это сделать с помощью микро-бенчмаркинга);
• полностью поточно-безопасный (сохраняйте один Random в каждом потоке для максимальной производительности, используйте ThreadLocalRandom?);
• извлекает элементы в O (1), в отличие от того, что вы обычно находите в Интернете или в StackOverflow, где наивные реализации выполняются в O (n) или O (log (n));
• сохраняет элементы независимо от их веса, поэтому элементу могут быть назначены различные веса в разных контекстах.

В любом случае, вот код. (Обратите внимание, что Я поддерживаю последнюю версию этого класса.

import static java.util.Objects.requireNonNull;

import java.util.*;
import java.util.function.*;

public final class RandomSelector<T> {

  public static <T> RandomSelector<T> weighted(Set<T> elements, ToDoubleFunction<? super T> weighter)
      throws IllegalArgumentException {
    requireNonNull(elements, "elements must not be null");
    requireNonNull(weighter, "weighter must not be null");
    if (elements.isEmpty()) { throw new IllegalArgumentException("elements must not be empty"); }

    // Array is faster than anything. Use that.
    int size = elements.size();
    T[] elementArray = elements.toArray((T[]) new Object[size]);

    double totalWeight = 0d;
    double[] discreteProbabilities = new double[size];

    // Retrieve the probabilities
    for (int i = 0; i < size; i++) {
      double weight = weighter.applyAsDouble(elementArray[i]);
      if (weight < 0.0d) { throw new IllegalArgumentException("weighter may not return a negative number"); }
      discreteProbabilities[i] = weight;
      totalWeight += weight;
    }
    if (totalWeight == 0.0d) { throw new IllegalArgumentException("the total weight of elements must be greater than 0"); }

    // Normalize the probabilities
    for (int i = 0; i < size; i++) {
      discreteProbabilities[i] /= totalWeight;
    }
    return new RandomSelector<>(elementArray, new RandomWeightedSelection(discreteProbabilities));
  }

  private final T[] elements;
  private final ToIntFunction<Random> selection;

  private RandomSelector(T[] elements, ToIntFunction<Random> selection) {
    this.elements = elements;
    this.selection = selection;
  }

  public T next(Random random) {
    return elements[selection.applyAsInt(random)];
  }

  private static class RandomWeightedSelection implements ToIntFunction<Random> {
    // Alias method implementation O(1)
    // using Vose algorithm to initialize O(n)

    private final double[] probabilities;
    private final int[] alias;

    RandomWeightedSelection(double[] probabilities) {
      int size = probabilities.length;

      double average = 1.0d / size;
      int[] small = new int[size];
      int smallSize = 0;
      int[] large = new int[size];
      int largeSize = 0;

      // Describe a column as either small (below average) or large (above average).
      for (int i = 0; i < size; i++) {
        if (probabilities[i] < average) {
          small[smallSize++] = i;
        } else {
          large[largeSize++] = i;
        }
      }

      // For each column, saturate a small probability to average with a large probability.
      while (largeSize != 0 && smallSize != 0) {
        int less = small[--smallSize];
        int more = large[--largeSize];
        probabilities[less] = probabilities[less] * size;
        alias[less] = more;
        probabilities[more] += probabilities[less] - average;
        if (probabilities[more] < average) {
          small[smallSize++] = more;
        } else {
          large[largeSize++] = more;
        }
      }

      // Flush unused columns.
      while (smallSize != 0) {
        probabilities[small[--smallSize]] = 1.0d;
      }
      while (largeSize != 0) {
        probabilities[large[--largeSize]] = 1.0d;
      }
    }

    @Override public int applyAsInt(Random random) {
      // Call random once to decide which column will be used.
      int column = random.nextInt(probabilities.length);

      // Call random a second time to decide which will be used: the column or the alias.
      if (random.nextDouble() < probabilities[column]) {
        return column;
      } else {
        return alias[column];
      }
    }
  }
}

Ответ 5

public class RandomCollection<E> {
  private final NavigableMap<Double, E> map = new TreeMap<Double, E>();
  private double total = 0;

  public void add(double weight, E result) {
    if (weight <= 0 || map.containsValue(result))
      return;
    total += weight;
    map.put(total, result);
  }

  public E next() {
    double value = ThreadLocalRandom.current().nextDouble() * total;
    return map.ceilingEntry(value).getValue();
  }
}

Ответ 6

Если вам нужно удалить элементы после выбора, вы можете использовать другое решение. Добавьте все элементы в "LinkedList", каждый элемент должен быть добавлен столько раз, сколько вес, а затем используйте Collections.shuffle(), который, согласно JavaDoc

Случайно переставляет указанный список с использованием источника случайности по умолчанию. Все перестановки происходят с примерно равной вероятностью.

Наконец, получите и удалите элементы с помощью pop() или removeFirst()

Map<String, Integer> map = new HashMap<String, Integer>() {{
    put("Five", 5);
    put("Four", 4);
    put("Three", 3);
    put("Two", 2);
    put("One", 1);
}};

LinkedList<String> list = new LinkedList<>();

for (Map.Entry<String, Integer> entry : map.entrySet()) {
    for (int i = 0; i < entry.getValue(); i++) {
        list.add(entry.getKey());
    }
}

Collections.shuffle(list);

int size = list.size();
for (int i = 0; i < size; i++) {
    System.out.println(list.pop());
}

Ответ 7

139

Существует простой алгоритм выбора предмета в случайном порядке, где предметы имеют индивидуальный вес:

1. рассчитать сумму всех весов

2. выберите случайное число, которое равно 0 или больше и меньше суммы весов

3. просматривайте предметы по одному, вычитая их вес из случайного числа, пока не получите предмет, в котором случайное число меньше веса этого предмета.