理解nextDouble的局限性
在java中，我们经常使用threadlocalrandom.current().nextdouble(origin, bound)来生成指定范围内的随机双精度浮点数。然而，当需要生成覆盖整个正数双精度浮点数范围（从double.min_value到double.max_value）的随机数时，这种方法往往无法提供一个在“可表示值”层面的均匀分布。
问题现象： 考虑以下测试代码，它尝试在Double.MIN_VALUE和Double.MAX_VALUE之间生成随机数，并寻找每批次中的最小值：
import java.util.concurrent.ThreadLocalRandom;
public class RandomDoubleDistributionTest {
public static void testRandomDouble() {
double current;
for (int j = 0; j < 10; j++) {
double min = Double.POSITIVE_INFINITY;
for (int i = 0; i < 100_000_000; i++) {
current = ThreadLocalRandom.current().nextDouble(Double.MIN_VALUE, Double.MAX_VALUE);
if (current < min) {
min = current;
}
}
System.out.println(min);
}
}
public static void main(String[] args) {
testRandomDouble();
}
}运行上述代码，你会观察到输出的最小值通常都集中在1e299到1e300的数量级，例如：
1.2100736287390257E300 1.2292284466505449E300 1.4318629398915128E299 ...
这表明生成的随机数严重偏向于Double.MAX_VALUE附近，而很少产生接近Double.MIN_VALUE的值。
原因分析：nextDouble(origin, bound)方法旨在在origin和bound之间的“数轴”上实现均匀分布。然而，双精度浮点数在数轴上的分布并非均匀的。它们是浮点数，其精度（即两个相邻可表示数之间的间隔）随着数值的增大而增大。这意味着在1e300的数量级上，可表示的double值的数量远多于在1e-300的数量级上。
简单来说，如果你在0到100的数轴上均匀地随机选择一个点，那么这个点落在90到100的概率与落在0到10的概率是相同的。但如果你的目标是让每个“可表示的double值”被选中的概率相同，那么仅仅在数轴上均匀取样是无法实现的，因为在数轴高端有更多的可表示值。
立即学习“Java免费学习笔记（深入）”；
实现全范围正数双精度浮点数的均匀分布
为了实现所有可表示正数双精度浮点数的真正均匀分布（即让每个可表示的double值都有相同的机会被选中），我们需要一种不同的策略。这种策略的核心是利用long类型来生成随机位模式，然后将这些位模式解释为double值。
双精度浮点数在内存中由64位表示，这与long类型占用的空间相同。Java提供了Double.longBitsToDouble(long bits)方法，可以将一个long类型的位模式转换为对应的double值。通过生成一个随机的long值，然后将其转换为double，我们实际上是在所有可能的double位模式中进行均匀选择。
实现步骤：
- 生成随机long值： 使用ThreadLocalRandom.current().nextLong()生成一个随机的64位long整数。
- 转换为double： 使用Double.longBitsToDouble()将这个long值转换为double。
- 过滤无效/非正值： 转换后的double值可能包括NaN（非数字）、POSITIVE_INFINITY（正无穷大）、NEGATIVE_INFINITY（负无穷大）以及负数和零。根据需求，我们需要过滤掉这些值，只保留有效的正数。
代码示例：
import java.util.concurrent.ThreadLocalRandom;
public class UniformRandomDoubleGenerator {
/**
* 生成一个在所有可表示正数双精度浮点数中均匀分布的随机数。
* 该方法通过生成随机的long位模式，然后将其转换为double，
* 并过滤掉NaN、无穷大、负数和零。
*
* @return 一个均匀分布在所有可表示正数double范围内的随机double值。
*/
public static double generateUniformPositiveDouble() {
double d;
do {
// 生成一个随机的64位long值
long randomLongBits = ThreadLocalRandom.current().nextLong();
// 将long位模式转换为double
d = Double.longBitsToDouble(randomLongBits);
// 循环直到获得一个有效的、有限的、正数double值
} while (Double.isNaN(d) || Double.isInfinite(d) || d <= 0);
return d;
}
public static void main(String[] args) {
System.out.println("生成10个均匀分布的全范围正数双精度浮点数：");
for (int i = 0; i < 10; i++) {
System.out.println(generateUniformPositiveDouble());
}
System.out.println("\n验证最小值分布（可能需要大量样本才能看到效果）：");
double overallMin = Double.POSITIVE_INFINITY;
for (int j = 0; j < 10; j++) {
double currentMin = Double.POSITIVE_INFINITY;
for (int i = 0; i < 1_000_000; i++) { // 减少循环次数以加快演示
double val = generateUniformPositiveDouble();
if (val < currentMin) {
currentMin = val;
}
}
System.out.println("批次 " + (j + 1) + " 的最小值: " + currentMin);
if (currentMin < overallMin) {
overallMin = currentMin;
}
}
System.out.println("所有批次的最小值: " + overallMin);
}
}运行上述main方法，你会发现生成的随机数将涵盖从非常小（接近Double.MIN_VALUE）到非常大（接近Double.MAX_VALUE）的整个正数范围。在验证最小值的输出中，你会看到比之前nextDouble方法更小、更广泛分布的最小值，例如：
生成10个均匀分布的全范围正数双精度浮点数： 6.075908470505118E-16 1.7656627068591873E229 2.247346808799446E-219 4.620922852101015E285 1.3621438965934664E-100 ... 验证最小值分布（可能需要大量样本才能看到效果）： 批次 1 的最小值: 2.766187974378822E-242 批次 2 的最小值: 2.2274641666993175E-298 批次 3 的最小值: 1.1070857321528657E-105 ... 所有批次的最小值: 2.2274641666993175E-298
可以看到，最小值不再局限于1e299或1e300，而是能真正触及到非常小的正数范围。
注意事项
- Double.MIN_VALUE的含义： Double.MIN_VALUE实际上是最小的正规化双精度浮点数，其值为2^-1022。在它之下还有非正规化数，最小可表示的正数是2^-1074。本教程中的方法能生成包括这些非正规化数在内的所有正数双精度浮点数。
- 过滤条件： Double.isNaN(d) || Double.isInfinite(d) || d
- Double.isNaN(d)：过滤掉NaN。
- Double.isInfinite(d)：过滤掉正负无穷大。
- d
- 性能考虑： do-while循环在最坏情况下可能需要多次迭代才能找到一个符合条件的随机数。然而，由于NaN、Infinity、零和负数在所有可能的long位模式中所占比例相对较小（只有少数特定位模式对应这些特殊值），因此循环通常只会执行一两次。在大多数实际应用中，这种性能开销可以忽略不计。
- 随机源： 推荐使用ThreadLocalRandom.current()，它在多线程环境下性能更优，且避免了java.util.Random的竞争问题。
总结
当需要生成在所有可表示正数双精度浮点数中均匀分布的随机数时，直接使用ThreadLocalRandom.current().nextDouble(origin, bound)是不足的，因为它在数轴上均匀分布，而非在可表示值上均匀分布。正确的做法是利用ThreadLocalRandom.current().nextLong()生成随机的位模式，并通过Double.longBitsToDouble()将其转换为double，同时过滤掉特殊值（NaN、Infinity、非正数）。这种方法确保了每个可表示的正数双精度浮点数都有相等的生成概率，从而满足了更严格的随机分布需求。
