游戏中的随机:随机数生成器、权重随机、洗牌、伪随机分布与均匀采样

2171 字
11 分钟
游戏中的随机:随机数生成器、权重随机、洗牌、伪随机分布与均匀采样

一、随机数生成器#

计算机中的随机数都是伪随机:由一个确定的算法,从一个初始值(种子)开始,生成一串看起来随机的数。相同的种子,生成的序列完全相同。

UnityEngine.RandomSystem.Random
用法静态方法:Random.Range(0, 10)创建实例:new Random(seed).Next(0, 10)
状态全局共享一个,所有代码都在消耗同一个序列每个实例各自独立
设置种子Random.InitState(seed),会影响所有使用它的代码构造时传入
线程只能在主线程使用实例本身不是线程安全的
Range(int, int)不包含最大值Next(min, max) 同样不包含最大值
Range(float, float)包含最大值NextDouble() 返回 [0, 1)

需要可复现时,使用独立的随机数生成器:

  • 关卡生成、地图生成:用关卡编号作为种子,每次生成的地图都一样;
  • 回放和帧同步:所有客户端用相同的种子,逻辑中所有的随机都从它取(见 帧同步的确定性);
  • 不同系统使用不同的生成器:比如掉落和战斗各用一个。共用全局随机数时,任何一处多调用一次,后面所有的随机结果都会变化,难以复现问题。

帧同步中还要注意:.NET 不保证 System.Random 在不同版本、不同平台上的算法一致,需要确定性时应该自己实现一个简单的生成器(比如 xorshift),保证所有平台完全相同。

二、权重随机#

从一组选项中按权重抽取:普通 70、稀有 25、传说 5。

方法一:线性查找#

public static int WeightedPick(int[] weights, System.Random rng)
{
int total = 0;
foreach (int w in weights) total += w;
int r = rng.Next(0, total); // [0, total)
for (int i = 0; i < weights.Length; i++)
{
if (r < weights[i]) return i;
r -= weights[i];
}
return weights.Length - 1;
}

想象把所有权重首尾相接排成一条线段,随机一个点落在哪一段,就选中哪一项。O(n),选项不多时最简单实用。

方法二:前缀和 + 二分查找#

预先算好前缀和 [70, 95, 100],随机一个 [0, 100) 的数,二分查找第一个大于它的位置。预处理 O(n),每次抽取 O(log n)。适合选项多、抽取频繁、权重不常变的情况。

方法三:别名法(Alias Method)#

预处理 O(n) 之后,每次抽取 O(1)。

思路:把每个选项的概率乘以 n,变成”平均高度为 1”的 n 根柱子。高于 1 的柱子把多出来的部分切下来,补到低于 1 的柱子上,最终每一列都恰好高 1,且最多由两个选项组成。抽取时:随机选一列(O(1)),再随机一次决定取这一列的哪一个选项(O(1))。

适合选项非常多、抽取极其频繁的场景(比如大规模的掉落模拟)。一般游戏中,前两种方法已经足够。

三、洗牌#

Fisher-Yates#

把一个数组随机打乱,每种排列出现的概率相同:

public static void Shuffle<T>(IList<T> list, System.Random rng)
{
for (int i = list.Count - 1; i > 0; i--)
{
int j = rng.Next(0, i + 1); // 在 [0, i] 中选一个,包含 i 自己
(list[i], list[j]) = (list[j], list[i]);
}
}

从最后一个位置开始,每次从”还没确定的部分”中随机选一个放到这个位置。O(n)。

常见的错误写法#

for (int i = 0; i < n; i++)
{
int j = rng.Next(0, n); // 错误:每次都从整个数组中选
Swap(i, j);
}

这种写法会产生 n^n 种等可能的过程,而排列只有 n! 种。n^n 一般不能被 n! 整除,所以有些排列出现的概率比其他排列更高,结果有偏差。

list.OrderBy(_ => rng.Next()) 也能得到随机顺序,但开销较大,并且随机的 key 重复时结果依赖于排序的稳定性,不推荐。

洗牌袋#

“随机,但不要连续重复太多次”:

  • 俄罗斯方块:7 种方块放进一个袋子,洗牌后依次取出,取完再重新装满洗牌。保证每 7 个方块中每种恰好出现一次,不会连续很多次都不来长条。
  • 背景音乐、对话台词、关卡事件的随机播放,都可以用洗牌袋避免短时间内重复。

四、伪随机分布(PRD)#

问题#

“攻击有 25% 的概率暴击”,如果每次独立判定:

  • 运气差时可能连续十几次都不暴击;
  • 运气好时可能连续暴击好几次。

长期平均是 25%,但短期的波动会让玩家觉得”概率是假的”。

做法#

Dota 等游戏使用伪随机分布:每次失败后,下一次的概率增加;成功后概率重置:

第 N 次的触发概率 = C × N (N 是距离上次触发的次数)
以名义概率 25% 为例,C 约为 8.5%:
第 1 次:8.5%
第 2 次:17%
第 3 次:25.5%
……
第 12 次:100%(必定触发)

常数 C 是专门计算出来的,使得长期的平均触发率仍然等于 25%,但分布更集中:很少出现连续多次不触发,也很少连续触发。

public class PseudoRandom
{
readonly float _c;
int _n = 1;
public PseudoRandom(float c) { _c = c; }
public bool Roll(System.Random rng)
{
if (rng.NextDouble() < _c * _n) { _n = 1; return true; }
_n++;
return false;
}
}

C 和名义概率的对应关系可以预先用数值方法算好,做成一张表。抽卡中的保底也是类似的思路,见 抽卡与保底。

五、均匀采样#

圆内随机一点#

// 错误:点会集中在圆心附近
float r = Random.value * radius;
// 正确:半径要开平方
float r = Mathf.Sqrt(Random.value) * radius;
float angle = Random.value * Mathf.PI * 2;
Vector2 p = new Vector2(Mathf.Cos(angle), Mathf.Sin(angle)) * r;

半径为 r 的圆环的周长与 r 成正比,越外圈”面积”越大,应该有越多的点。半径均匀取值时,内圈和外圈分到的点一样多,内圈就显得更密集。开平方后,点在面积上才是均匀的。

Unity 中可以直接使用:

API结果
Random.insideUnitCircle单位圆内均匀的点
Random.insideUnitSphere单位球内均匀的点
Random.onUnitSphere单位球面上均匀的点(随机方向)
Random.rotationUniform均匀分布的随机旋转

正态分布#

很多”自然”的随机(身高、伤害浮动、射击散布)不是均匀的,而是集中在平均值附近。可以用 Box-Muller 变换由两个均匀随机数得到正态分布的随机数;简单的近似做法是取几个均匀随机数的平均值。

噪声#

需要连续变化的随机(地形起伏、火光闪烁、相机晃动)时,用 Perlin 噪声(Mathf.PerlinNoise):相邻的输入得到相近的输出,变化平滑(应用见 屏幕震动)。

六、随机与公平#

  • 影响收益的随机,必须在服务器进行:掉落、抽卡、强化成功率。客户端的随机可以被修改,也可以通过反复重启来”刷”结果。
  • 客户端的随机只用于表现:特效的变化、音效的选择、动画的细微差异。
  • 关键概率要能复现和审计:记录种子或结果日志,便于排查玩家投诉。

常见追问#

UnityEngine.Random 和 System.Random 有什么区别? 前者是全局共享状态的静态方法,只能在主线程使用;后者是独立的实例。需要可复现、不同系统互不干扰时,使用各自的实例。

权重随机怎么实现? 累加权重后随机一个数,线性查找落在哪一段,O(n);或者前缀和加二分查找,O(log n);别名法预处理后可以 O(1) 抽取。

怎么正确地洗牌? Fisher-Yates:从后往前,每次从 [0, i] 中随机选一个与第 i 个交换。每次都从整个数组中选是错误的,结果有偏差。

怎么实现”随机但不连续重复”? 洗牌袋:把所有选项放进袋子洗牌,依次取出,取完再重新洗。

什么是伪随机分布?为什么要用? 每次失败后提高下一次的概率,成功后重置,使得长期平均概率不变但分布更集中,避免连续多次不触发或连续触发带来的体验问题。

在圆内均匀取点为什么半径要开平方? 外圈的面积更大,应该分到更多的点。半径直接均匀取值会让点集中在圆心附近。

掉落、抽卡的随机应该放在哪里? 服务器。客户端的随机可以被篡改,或者被反复重启刷结果。

文章分享

如果这篇文章对你有帮助,欢迎分享给更多人!

游戏中的随机:随机数生成器、权重随机、洗牌、伪随机分布与均匀采样
https://xslab.cloud/posts/algorithms/randomness/
作者
LuxFire
发布于
2026-10-14
许可协议
CC BY-NC-SA 4.0
相关文章 智能推荐
1
游戏 AI 决策:状态机、分层状态机、行为树、效用 AI 与 GOAP
游戏算法 游戏 AI 要解决什么问题;有限状态机的实现与状态爆炸;分层状态机;行为树的节点类型、执行状态、Tick 机制、黑板与中断,以及一个最小实现;效用 AI 的打分机制;GOAP 的目标、动作与规划;各种方案的对比与选择。
2
定时器的实现:从逐帧计时到最小堆与时间轮
游戏算法 游戏中定时器的需求;逐帧计时、协程、统一管理器三种基础做法的问题;用最小堆管理大量定时器;时间轮的原理、轮数计算与分层时间轮;时间源(缩放时间、真实时间、服务器时间)的选择;暂停、取消与回调中的注意事项。
3
寻路算法:BFS、Dijkstra、A*、JPS、NavMesh 与流场
游戏算法 寻路问题的建模(网格、路点图、导航网格);BFS、Dijkstra、贪心与 A* 的区别;A* 的原理、启发函数的选择与可采纳性、完整实现;JPS 跳点搜索;Unity NavMesh、拐角算法与局部避障;大量单位的流场寻路;分层寻路;以及路径平滑和性能优化。
4
曲线与缓动:贝塞尔、Catmull-Rom、弧长参数化与缓动函数
游戏算法 游戏中曲线的用途;二次与三次贝塞尔曲线的公式、性质与德卡斯特里奥算法;经过所有点的 Catmull-Rom 样条与向心参数化;曲线上匀速运动的弧长参数化;沿曲线运动时的朝向;常用缓动函数与 AnimationCurve;以及 Unity Splines。
5
空间划分:网格、四叉树、八叉树、BVH 与 AOI
游戏算法 为什么需要空间划分;均匀网格与空间哈希、四叉树与八叉树、BVH、KD 树、排序扫描的原理、复杂度和适用场景;四叉树的完整实现与动态物体的处理;在碰撞检测、范围查询、最近邻查找中的应用;以及 MMO 中的 AOI(九宫格与十字链表)。
随机文章 随机推荐
Profile Image of the Author
LuxFire
Hello, I'm LuxFire.
公告
欢迎来到我的博客!这是一则示例公告。
音乐
封面

音乐

暂未播放

0:00 0:00
暂无歌词
分类
标签
站点统计
文章
60
分类
6
标签
164
总字数
171,869
运行时长
0 天
最后活动
0 天前

文章目录