1. 问题背景与核心挑战
这道LeetCode题目看似简单，却蕴含着深刻的概率论原理。题目要求我们仅使用rand7()函数（生成1-7的均匀随机整数）来实现rand10()函数（生成1-10的均匀随机整数）。表面上看是个API调用问题，实则考察的是对概率空间的理解和构造能力。
在工程实践中，类似的场景比比皆是。比如：
- 当系统只提供低精度随机源时，如何生成高精度随机数
- 在AB测试中，如何用有限的随机源均匀分配流量
- 游戏开发中，如何用简单随机函数实现复杂的概率分布
2. 常见误区与问题分析
2.1 直接取模法的缺陷
大多数人的第一直觉是使用取模运算：
swift复制func rand10() -> Int {
return rand7() % 10 + 1
}
这种方法看似合理，但实际上会导致严重的概率不均。因为7和10互质，无法均匀映射：
- 数字1-7出现的概率：1/7 ≈ 14.29%
- 数字8-10出现的概率：0%
即使我们尝试用多次rand7()组合：
swift复制func rand10() -> Int {
return (rand7() + rand7()) % 10 + 1
}
依然无法保证均匀分布，因为两个rand7()之和的分布是三角分布而非均匀分布。
2.2 均匀分布的核心要求
真正的均匀分布需要满足：
- 每个输出值的概率相等
- 各次调用相互独立
- 不依赖初始条件
这就要求我们必须构造一个足够大的、能被10整除的均匀概率空间。
3. 标准解法详解
3.1 构建扩展概率空间
正确解法分为三个关键步骤：
-
构造更大的均匀空间：
swift复制let num = (rand7() - 1) * 7 + rand7() // [1,49]的均匀分布这个公式的数学原理是：
- (rand7()-1)*7：生成0,7,14,...,42
- +rand7()：加上1-7的偏移量
- 共49种等可能组合
-
拒绝采样：
swift复制if num <= 40 { return (num - 1) % 10 + 1 }选择40是因为它是≤49且能被10整除的最大数。这样：
- 每个最终数字(1-10)对应4个原始数字
- 确保完全均匀分布
-
循环处理：
对于41-49的结果，直接丢弃并重试。虽然看起来有循环，但：- 接受概率40/49 ≈ 81.63%
- 期望调用rand7()次数：2/(40/49) ≈ 2.45次
3.2 数学证明
让我们严格证明这个方法的正确性：
- 第一次rand7()有7种结果，第二次也有7种，共49种组合，每种概率1/49
- 取前40个结果，每个最终数字映射4个原始结果：
- 1 ← 1,11,21,31
- 2 ← 2,12,22,32
- ...
- 10 ← 10,20,30,40
- 因此每个最终数字概率=4/49×49/40=1/10
4. 优化与变种解法
4.1 提高采样效率
标准解法会丢弃41-49的结果，我们可以进一步利用这些"废弃"的样本：
swift复制func rand10() -> Int {
while true {
let num = (rand7() - 1) * 7 + rand7()
if num <= 40 {
return (num - 1) % 10 + 1
}
// 利用废弃的41-49，得到[1,9]的均匀分布
let residual = num - 40
let num2 = (rand7() - 1) * 7 + rand7() // [1,49]
if num2 <= 60 { // 60是≤49*9且能被10整除的最大数
return (residual - 1) * 10 + (num2 - 1) % 10 + 1
}
}
}
这种优化将期望调用次数从2.45降低到约2.21次。
4.2 通用化解决方案
我们可以将这个问题抽象为通用模式：
swift复制func randMUsingRandN(_ M: Int, _ N: Int) -> Int {
guard M > 0 && N > 1 else { return -1 }
let maxMultiple = (N * N) / M * M
while true {
var num = 0
for _ in 0..<Int(ceil(log2(Double(M))/log2(Double(N))))) {
num = num * N + (randN() - 1)
}
num += 1
if num <= maxMultiple {
return (num - 1) % M + 1
}
}
}
这个通用解法可以处理任意randN()到randM()的转换。
5. 工程实践中的应用
5.1 AB测试分流
假设我们需要将用户流量分配到10个不同的实验组，但系统只提供7种哈希桶。我们可以：
- 先对用户ID取哈希得到1-7的值
- 应用rand10()算法均匀分配到10个组
- 确保每个实验组获得7%的流量，而非简单的10%
5.2 游戏道具掉落
当游戏引擎只提供低精度随机数时，要实现复杂掉落系统：
python复制def rare_drop():
if rand10() == 1: # 10%概率
if rand10() <= 3: # 30%概率
return "史诗装备"
else:
return "传奇装备"
else:
return "普通装备"
这样可以用简单随机源构建复杂概率系统。
6. 性能分析与优化
6.1 时间复杂度分析
标准解法的时间复杂度：
- 最好情况：每次循环都成功，O(1)
- 最坏情况：理论上可能无限循环（概率趋近于0）
- 期望情况：40/49成功率，O(1)
优化解法的时间复杂度：
- 期望rand7()调用次数：2.21次
- 比标准解法提升约10%
6.2 空间复杂度
两种解法都是O(1)空间复杂度，只使用常数个临时变量。
7. 测试与验证方法
7.1 均匀性测试
我们可以使用χ²检验来验证随机性：
python复制from collections import Counter
import scipy.stats as stats
def chi_square_test(samples, bins):
observed = Counter(samples)
expected = len(samples)/bins
chi2 = sum((observed[i]-expected)**2/expected for i in range(1,bins+1))
p_value = 1 - stats.chi2.cdf(chi2, bins-1)
return p_value > 0.05 # 通过检验
7.2 实际测试案例
生成10,000个样本进行测试：
swift复制var counts = [Int](repeating: 0, count: 10)
for _ in 0..<10_000 {
let num = rand10()
counts[num-1] += 1
}
// 理想情况下每个count≈1000
8. 常见问题与调试技巧
8.1 为什么不能直接用rand7()相加？
两个rand7()相加的分布：
- 2: 1/49
- 3: 2/49
- ...
- 8: 7/49
- 9: 6/49
- ...
- 14: 1/49
明显不是均匀分布，会导致最终结果偏差。
8.2 如何处理rand7()性能瓶颈？
如果rand7()调用成本很高，可以考虑：
- 预生成随机数池
- 使用更高效的随机数算法
- 适当降低均匀性要求（根据业务场景）
8.3 如何验证实现的正确性？
验证步骤：
- 生成大量样本（至少10,000个）
- 统计每个数字出现频率
- 计算χ²值
- 检查p-value是否大于显著性水平（如0.05）
9. 扩展思考
9.1 反向问题：用rand10()实现rand7()
这是一个更简单的问题，可以直接使用拒绝采样：
swift复制func rand7() -> Int {
while true {
let num = rand10()
if num <= 7 {
return num
}
}
}
期望调用次数：10/7 ≈ 1.428次。
9.2 更一般的随机数转换
对于任意randN()到randM()的转换，通用方法是：
- 找到最小的k使得N^k ≥ M
- 构造[1,N^k]的均匀分布
- 拒绝采样保留[1,(N^k/M)*M]
- 取模映射到[1,M]
9.3 连续随机变量的转换
对于连续随机变量，我们可以使用逆变换采样：
python复制import random
import math
def rand_exp(lambd):
u = random.random() # [0,1)均匀分布
return -math.log(1-u)/lambd # 指数分布
10. 实际工程中的注意事项
- 随机种子管理：确保随机源的可重复性，特别是在测试环境
- 线程安全：多线程环境下要考虑随机数生成器的并发访问
- 性能权衡：在极高吞吐场景可能需要牺牲部分均匀性换取性能
- 统计监控：在生产环境监控随机分布情况，及时发现偏差
我在实际项目中曾遇到过因随机数生成不当导致的AB测试偏差，最终发现是因为直接使用了取模运算。改用本文介绍的拒绝采样方法后，各实验组的流量分布立即变得均匀。这也验证了正确理解概率分布的重要性。