权重变量配合Mathrandom实现不均匀概率任务分配算法

如何基于权重变量与 Math.random() 构建非均匀概率任务分配算法

你是否希望任务分配器能够“智能调配”，依据预设的权重比例来决定执行顺序？一种经典且高效的实现方案是：先将权重转换为一系列互不重叠的概率区间，再通过随机数进行“区间命中”检测，从而确定执行哪个任务。

将权重归一化为累积概率区间

原理其实非常直观。假设我们有三个任务：A、B、C，希望它们被选中的概率之比为 3:5:2。第一步，计算总权重：3+5+2=10。接下来是关键步骤——计算每个任务的累积概率上界：

• 任务A：权重为3，占总权重的 3/10 = 0.3。因此，其对应的概率区间为 [0, 0.3)。
• 任务B：权重为5，累积权重达到 (3+5)=8，占总权重的 8/10 = 0.8。其概率区间为 [0.3, 0.8)。
• 任务C：剩余权重为2，累积权重满额10，对应 10/10 = 1.0。其区间为 [0.8, 1.0)。

可以看到，通过这种方式，三个任务将 [0, 1) 这个连续概率空间完整且无重叠地划分完毕，每个区间的长度正好对应其权重比例。

利用 Math.random() 进行区间命中判断

接下来进入“随机命中”阶段。Math.random() 方法会生成一个位于 [0, 1) 范围内的均匀分布随机浮点数。我们的目标就是判断这个随机数落在哪个任务对应的概率区间内。

最直观的实现方式是顺序遍历：从第一个任务开始，依次检查随机数是否小于其累积概率上界，一旦条件成立，即返回该任务。

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);
}

// 根据随机数选择任务
function selectTask() {
  const r = Math.random();
  for (let i = 0; i < cumProbs.length; i++) {
    if (r < cumProbs[i]) return tasks[i];
  }
}

性能优化：使用二分查找应对大规模任务集

顺序查找在任务数量较少时完全可行，但当任务列表扩展到数百甚至上千个时，每次选择都需遍历整个数组，效率会成为瓶颈。值得庆幸的是，累积概率数组本身是严格单调递增的，这为二分查找算法提供了完美的应用场景。

• 数据结构无需调整，仍使用 cumProbs 数组。
• 只需实现一个二分查找函数，快速定位第一个大于等于随机数 r 的索引位置。
• 效果显著：对于包含1000个任务的列表，平均查找次数可从约500次降低至10次左右，性能提升极为明显。

注意事项与常见误区

误区一：避免直接使用 Math.random() * weight 进行分配。这种方法看似简便，但实际上会导致概率分布失真，高权重任务的区间容易重叠，低权重任务则被过度压缩，最终无法实现预设的比例分配。

提醒二：关注浮点数精度问题。在多数应用场景中，JavaScript 的浮点数误差可以接受。但在金融计算、游戏概率等对精度极其敏感的领域，建议改用整数随机方案：先通过 Math.floor(Math.random() * total) 生成一个整数随机值，然后在基于整数权重构建的前缀和数组中进行查找，从而彻底规避浮点误差。

最后，该方案具备良好的扩展性。如果任务权重需要动态调整（例如根据服务器实时负载进行弹性分配），也完全可以支持。只需在每次选择前，依据最新权重重新计算累积概率数组即可，整体架构能够轻松适应这类动态变化的需求。