概述
先看实例，沾沾自喜得意洋洋的时候。
自己在测试过程中遇到个坑，这点需要注意。
在处理游戏战斗过程中解决服务器端与客户端同步问题的帖子
【小伟哥游戏之路】游戏中战斗回放与离线回放的实现机制总结
写完后，自己有所担心是否有遗漏的地方。哪里肯定会出问题，不能迷惑大家和以后的自己。
先看实例 Java实现过程
package yangww;
import java.util.Random;
public class RandomTest {
public static void main(String[] args) {
// java.util.Random 随机化的种子(seed) 的使用
long seed = 123456;
System.out.println("测试随机种子数据");
Random random = new Random(seed);
for (int i = 0; i < 10; i++) {
System.out.print(random.nextInt(100) + " ");
}
System.out.println("nn重新根据seed进行随机");
Random randomNew = new Random(seed);
for (int i = 0; i < 10; i++) {
System.out.print(randomNew.nextInt(100) + " ");
}
}
}输出结果
测试随机种子数据
23 47 67 85 38 83 97 96 4 7
重新根据seed进行随机
23 47 67 85 38 83 97 96 4 7 再看python2.7环境实现过程
import random
random.seed(123456)
for i in range(1, 10):
print(random.randint(1, 100))
输出结果
81 80 3 18 1 67 8 27 12
搞毛线，如果这样，服务器与客户端怎么进行同步，随机数序列完全不同。
不同开发语言产生的随机数序列又不相同，因此当结果出现差异时，很难分辨出是由于程序算法方面的原因造成的，还是由于随机数序列的不同造成的。
查资料后发现 python 中的numpy源码random模块实现方式和java的 不同。
经查阅numpy文档，可知numpy生成随机数采用的是MersenneTwister算法，这是随机数生成的经典方法，来自于1998年ACM Transactions on Modeling and Computer Simulation中的一篇论文，在维基上有详细介绍（https://en.wikipedia.org/wiki/Mersenne_Twister），论文也可在此处下载。其基本思路是，根据给定的随机数种子，先通过一系列运算，生成624个整数key；再以这624个key为基础，生成一系列满足均匀分布的、在0到2^32-1之间的伪随机整数。其他程序可以对这些伪随机整数进行再加工，生成符合其他概率分布形态的随机数。
经阅读numpy源码，其生成随机数的核心程序为numpy/random/mtrand目录下的randomkit.c，其中几个主要的函数如下：
1、rk_seed(unsigned long seed, rk_state *state)：基于Mersenne Twister算法，初始化624个整数key，放在state结构体中。
2、rk_random(rk_state *state)：基于Mersenne Twister算法，生成一个32位的、服从均匀分布的随机数。
3、rk_double(rk_state *state)：生成一个0到1之间的、服从均匀分布的随机数。基本原理是：首先调用rk_random()函数生成两个32个随机数a、b，然后将a右移5位、保留27位，将b右移6位、保留26位，再将a、b按位串接在一起，形成一个53位的整数，再除以2^53。源代码如下：
long a = rk_random(state)>> 5, b = rk_random(state) >> 6;
return (a * 67108864.0 +b) / 9007199254740992.0;4、rk_gauss(rk_state*state)：生成一个服从正态分布N(0, 1)的随机数。这一部分numpy利用了Box–Muller变换公式，它是一种将均匀分布转换成正态分布的经典方法，在维基上有详细介绍（https://en.wikipedia.org/wiki/Box%E2%80%93Muller_transform）。Box-Muller变换有基本公式和极坐标公式两种形态，numpy采用的是极坐标公式，即：假设u, v是两个服从均匀分布的、0到1之间的随机数，则以下z0、z1服从正态分布N(0, 1):
源代码如下：
do {
x1 = 2.0*rk_double(state) - 1.0;
x2 = 2.0*rk_double(state) - 1.0;
r2 = x1*x1 + x2*x2;
} while (r2 >= 1.0 || r2 == 0.0);
f = sqrt(-2.0*log(r2)/r2);
state->gauss = f*x1;
return f*x2;
三、Java apache math3源代码分析
经搜索，java社区的apache math3已经提供了一个Mersenne Twister算法的开源实现，于是下载源代码分析了一下。Apache math3的Mersenne Twister算法实现类为org.apache.commons.math3.random.MersenneTwister，其中主要方法有：
1、setSeed(intseed)：初始化624个整数key；
2、next(intbits)，生成不超过32位的伪随机整数。
经阅读源码，发现上述算法的具体实现虽然与numpy的C语言版本略有差异，但结果应该是一致的。经测试验证，果然如此，在给定相同seed情况下，两者生成的32位随机整数序列是相同的。
因此，numpy和math3随机数序列的差异，主要是由于对Mersenne Twister算法结果的后续加工处理方法不同。Apache math3生成其他形态随机数的方法在MersenneTwister的父类BitsStreamGenerator中定义，其中主要方法有：
1、nextDouble()：生成一个0到1之间的、服从均匀分布的随机数。基本原理是：首先调用MersenneTwister的next()函数生成两个26位的随机整数a、b，再将a、b按位串接在一起，形成一个52位的整数，再除以2^52。源代码如下：
final long high = ((long) next(26))<< 26;
final int low =next(26);
return (high | low) * 0x1.0p-52d;由此可见，math3和numpy的差异在于，math3使用的是52位随机数，而numpy使用的是53位随机数。
2、nextGaussian()：生成一个服从正态分布N(0,1)的随机数。这一部分math3也是利用了Box–Muller变换公式，但是与numpy不同的是，它没有采用Box–Muller极坐标公式，而是使用Box–Muller基本公式，即：假设x, y是两个服从均匀分布的、0到1之间的随机数，则以下z0、z1服从正态分布N(0, 1)：
源代码如下：
final double x = nextDouble();
final double y = nextDouble();
final double alpha = 2 *FastMath.PI * x;
final double r = FastMath.sqrt(-2 * FastMath.log(y));
random = r * FastMath.cos(alpha);
nextGaussian = r * FastMath.sin(alpha);
四、解决方案
基于以上分析，我们可以在自己的Java代码中继承MersenneTwister类，覆盖其中的nextDouble、nextGaussian等方法，将其改为与numpy一致的算法即可。源代码如下：
public class NumpyRandom extends MersenneTwister {
private boolean has_gauss = false;
private double gauss = 0;
public double nextDouble() {
int a = next(32) >>> 5;
int b = next(32) >>> 6;
return (a * 67108864.0 + b) / 9007199254740992.0;
}
public double nextGaussian() {
if (has_gauss) {
double tmp = gauss;
gauss = 0;
has_gauss = false;
return tmp;
} else {
double x1, x2, s;
do {
x1 = 2.0 * nextDouble() - 1.0;
x2 = 2.0 * nextDouble() - 1.0;
s = x1 * x1 + x2 * x2;
} while (s >= 1.0 || s == 0.0);
double f = Math.sqrt(-2.0 * Math.log(s) / s);
gauss = f * x1;
has_gauss = true;
return f * x2;
}
}
public static void main(String[] args) {
NumpyRandom rand = new NumpyRandom();
rand.setSeed(1000);
for (int i = 0; i < 10; i++)
System.out.println(" " + rand.nextGaussian());
}
}经测试，上述程序产生的正态分布随机数与python numpy的结果完全相同。
最后
以上就是暴躁雪碧为你收集整理的【小伟哥游戏之路】Java与Python实现seed()随机数序列同步问题的解决方案的全部内容，希望文章能够帮你解决【小伟哥游戏之路】Java与Python实现seed()随机数序列同步问题的解决方案所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
发表评论 取消回复