1. 简介
在很多场景中，生成随机数是非常有用的，例如游戏开发、统计分析、密码学等领域。在这些场景中，通常每个随机数的生成都是一个独立事件，与过去或未来的结果无关。比如掷骰子，每次掷出的数字都是独立的，不受之前结果的影响。
但在某些情况下，我们希望对随机数加以限制，确保生成的数值不会重复。例如模拟一副洗牌后的扑克牌、从播放列表中随机选择歌曲等，都需要每个元素只出现一次。
本文将介绍几种常见的实现方式，帮助你在不同场景下高效生成不重复的随机数。
2. 记录历史法
最直观的方法是记录所有已生成的数字，每次生成新数时都检查是否已存在：
algorithm RememberingHistory(maximum):
// INPUT
// maximum = 随机数的最大值
// rng = 用于生成随机数的函数
// history = 已生成数字的集合
// OUTPUT
// 返回一个未出现过的随机数，并更新 history
number <- rng(0, maximum)
while number in history:
number <- rng(0, maximum)
history.add(number)
return number
✅ 优点：实现简单，逻辑清晰❌ 缺点：性能差，尤其是当已生成数字很多时，碰撞概率高，循环次数剧增⚠️ **时间复杂度为 O(2n)**，当生成的数字接近最大值时效率急剧下降
3. 提前洗牌法
既然我们要的是一个不重复的随机序列，那我们可以先生成一个打乱顺序的数字列表，然后依次从中取出：
algorithm PreShufflingNumbers(maximum, shuffled):
// INPUT
// maximum = 数字最大值
// shuffled = 打乱顺序后的列表
// OUTPUT
// 返回下一个随机数，并更新 shuffled
if shuffled is empty:
shuffled <- shuffle([1, 2, ..., maximum])
return pop first element from shuffled
✅ 优点：每次取数时间复杂度为 O(1)，性能稳定❌ 缺点：初始化成本高，尤其当 maximum 很大但实际只需要取少量数字时⚠️ 如果 maximum 是 2^32，初始化几乎不可行
4. 动态洗牌法（推荐）
结合前两种方法的优点，在生成过程中动态洗牌，无需预先生成完整列表：
algorithm ShufflingDuringGeneration(maximum):
// INPUT
// maximum = 数字最大值
// numbers = [1, 2, ..., maximum]
// count = 当前可用数字的上限索引（初始为 maximum）
// OUTPUT
// 返回一个唯一的随机数
index <- rng(0, count)
count <- count - 1
swap(numbers[index], numbers[count])
return numbers[count]
这个算法的核心思想是：
每次从当前可用数字中随机选一个
将它交换到“已使用”区域的末尾
返回这个数字，并缩小可用区域
示例流程图：
初始状态：
第一次生成：
第二次生成：
后续生成示例：
最终状态：
✅ 优点：O(1) 时间复杂度，无初始化开销，内存占用合理⚠️ 适合大多数中等规模的随机数需求
5. 更进一步：内存优化方案
前面的方法都需要一个数组来保存所有可能的数字，当 maximum 是 2^32 时，内存占用会达到 16GB，显然不可行。
这时候我们只能放弃“动态洗牌”法，考虑以下替代方案：
✅ 方案一：使用记录法（即“记录历史法”）
仅记录已生成的数字
内存消耗取决于生成数量，而不是最大值
缺点：性能随生成数量增加而下降
✅ 方案二：使用伪随机函数 + 哈希
例如：使用一个递增计数器 + 加密哈希（如 SHA-256）生成伪随机数
可以保证唯一性（只要计数器不重复）
缺点：伪随机性质，不能保证真正的随机性
⚠️ 这些方法都不能保证真正的“随机”和“唯一”同时成立，需要根据业务场景权衡
6. 总结
方法
时间复杂度
内存消耗
适用场景
记录历史法
O(n^2)
中等（随生成数增长）
小规模、低性能要求
提前洗牌法
O(1) + O(n) 初始化
高
中小规模、需高性能
动态洗牌法
O(1)
中等
推荐方案，通用性强
哈希计数法
O(1)
极低
大规模、伪随机可接受
📌 选择建议：
如果你只需要从 1~100 中随机取 10 个不重复数，用“记录历史法”最简单
如果你需要从 1~10000 中取 5000 个不重复数，“动态洗牌法”是首选
如果你要生成 32 位随机数且不重复，“哈希 + 计数器”是唯一可行方案
📌 最后提醒：
不要盲目追求“完全随机”，很多场景伪随机就足够
如果你发现生成速度变慢，可能是你选错了算法，而不是随机函数的问题
希望你下次需要生成不重复随机数时，能快速想到这些方法中的一种。