怎么利用 Math.random() 配合权重变量实现不均匀概率的任务分配器算法

怎么利用 Math.random() 配合权重变量实现不均匀概率的任务分配器算法

想让任务分配器“看人下菜碟”，根据预设的权重来决定谁先谁后？一个经典且高效的思路是：先把权重换算成一系列不重叠的概率区间，然后让随机数去“投飞镖”，扎中哪个区间，就执行对应的任务。

把权重归一化为累积概率区间

道理其实很简单。假设我们有三个任务：A、B、C，想让它们被选中的机会分别是3、5、2份。第一步，算个总份数出来：3+5+2=10。接下来，关键操作来了——计算累积概率上界：

• 任务A：份额是3，占总份数的 3/10 = 0.3。所以，它的“地盘”是区间 [0, 0.3)。
• 任务B：份额是5，累积份额到了 (3+5)=8，占总份数的 8/10 = 0.8。它的地盘就是 [0.3, 0.8)。
• 任务C：最后份额是2，累积份额满额10，对应 10/10 = 1.0。它的区间是 [0.8, 1.0)。

你看，这样一来，三个任务就把从0到1（不含1）这条线段，严丝合缝地瓜分完了，而且彼此不重叠。

用 Math.random() 查找命中区间

接下来就是“投飞镖”环节。Math.random() 会生成一个 [0, 1) 范围内的随机浮点数。我们的任务就是找到这个随机数落在哪个任务的区间里。

最直接的方法是顺序遍历：从第一个任务开始，检查随机数是否小于其累积概率上界，一旦满足，它就是那个“幸运儿”。

const weights = [3, 5, 2];
const tasks = ['A', 'B', 'C'];

// 构建累积概率数组
const total = weights.reduce((a, b) => a + b, 0);
const cumProbs = [];
let sum = 0;
for (const w of weights) {
  sum += w / total;
  cumProbs.push(sum);
}

// 抽取任务
function selectTask() {
  const r = Math.random();
  for (let i = 0; i < cumProbs.length; i++) {
    if (r < cumProbs[i]) return tasks[i];
  }
}

优化：用二分查找提升大数据量性能

顺序查找在任务不多时没问题，但如果任务列表膨胀到成百上千个，每次都要从头遍历，效率就低了。好消息是，我们生成的累积概率数组天然是有序递增的，这正好是二分查找大展身手的舞台。

• 数据结构完全不用变，还是那个 cumProbs 数组。
• 只需要写一个二分查找函数，快速定位第一个大于等于随机数 r 的索引位置。
• 效果立竿见影：对于1000个任务，平均查找次数能从大约500次骤降到10次左右，性能提升非常可观。

注意事项与常见坑

第一个坑：别图省事直接用 Math.random() * weight。这方法听起来好像也对，但实际会导致概率分布扭曲，高权重的任务会过度重叠，低权重的则被严重挤压，最终结果完全不成比例。

第二个提醒：浮点精度问题。一般情况下，Ja vaScript的浮点数误差可以忽略不计。但如果是在金融、游戏等对概率极其敏感的场景，可以考虑改用整数随机：先 Math.floor(Math.random() * total) 得到一个整数随机值，然后在用整数权重构建的前缀和数组里查找，这样能完全避免浮点误差。

最后，这个方案非常灵活。如果任务权重需要动态调整（比如根据服务器实时负载来分配），完全没问题。只需要在每次选择前，根据最新的权重重新计算一次累积概率数组即可，整个架构可以轻松适应这种变化。