随机洗牌算法
最近和同事讨论棋牌类游戏中的一些算法技巧和网络通信技巧，说到抽牌算法。如何每次洗牌更加平均，这是一个比较容易出问题的地方。我们有非常多的算法可以使用，算非常容易想到，使用一个随机数即可。但当你做千次以及上万次测试时会发现，概率并非平均分布，游戏数字出现几率非常高，而一些数字出现几率很低。如何解决这个问题。网上搜了一下，还真有不少方法，一些高级方法基于概率学，但通常情况下速度不理想。最终发现一个名为“Fisher–Yates”的算法，大概介绍如下：
Fisher–Yates随机置乱算法也被称做高纳德置乱算法，通俗说就是生成一个有限集合的随机排列。Fisher-Yates随机置乱算法是无偏的，所以每个排列都是等可能的，当前使用的Fisher-Yates随机置乱算法是相当有效的，需要的时间正比于要随机置乱的数，不需要额为的存储空间开销。
算法的过程如下：
- 需要随机置乱的n个元素的数组a
- 从0到n开始循环，循环变量为i
- 生成随机数K，K为0到n之间的随机数
- 交换i位和K位的值
使用JavaScript代码实现如下：
var a = [0,1,2,3,4,5,6,7,8,9];
function p(arr)
{
var k = 0;
var temp = 0;
for(var i=0;i
运行结果：
[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 ]
[ 9, 1, 0, 2, 4, 5, 6, 3, 7, 8 ]
看上去还可以，顺序被打乱了，我们来连续执行1000次，看一下各个数值的分布情况。
列代表对应位出现的次数，行代码数字。
0
1
2
3
4
5
6
7
8
9
0
94
85
109
108
85
103
105
113
107
91
1
100
106
103
106
84
103
105
113
107
91
2
100
114
96
87
103
105
88
103
101
103
3
105
92
105
99
117
103
103
87
83
106
4
100
99
95
108
112
105
88
94
98
101
5
88
120
91
111
100
106
103
92
100
89
6
102
113
96
90
97
107
88
110
100
97
7
104
94
103
91
98
76
114
108
106
196
8
112
93
97
89
99
107
97
104
95
107
9
95
84
105
111
105
102
113
85
99
101
我们可以看到，数组中一共10个数字，共执行1000次，如平均分布的话，出现次数为100次，根据表中的最大值计算，误差为20%左右。结果相对比较理想。我们再来做10000次运算测试。
0
1
2
3
4
5
6
7
8
9
0
1028
983
985
991
1022
1068
855
964
990
1014
1
1018
940
1020
1059
965
970
1008
1003
989
998
2
989
1048
987
1022
985
958
981
980
1051
999
3
937
994
1023
1110
1045
1004
1004
977
969
942
4
1004
1015
988
975
987
1020
1007
1033
986
985
5
1017
1010
1047
962
1063
993
982
922
993
1011
6
956
1018
966
1002
1037
1002
1018
1037
993
971
7
1005
1008
961
970
964
1009
1050
1039
986
1008
8
1043
990
997
970
943
965
985
1005
1043
1059
9
1003
994
1050
1026
924
970
1010
1010
1000
1013
10000次平均值应为1000，结果中误差为5%左右。当我们在服务器中进行大量随机元算时，此方法相对比较理想。
最后贴一下测试用例代码：
var a = [0,1,2,3,4,5,6,7,8,9];
function p(arr)
{
var k = 0;
var temp = 0;
for(var i=0;i
关于Fisher-Yates算法，可以参考这里
enjoy!
