Java 与简单算术运算相比，Math.random（）运行所需的时间是多少？

在Java中，相对于一个简单的算术运算，Math.random（）生成一个数字需要多长时间？我尝试在已经包含值的ArrayList中随机分布对象，这样会创建一个稍微均匀但不完全均匀的分布，并且我不确定是否使用Math.random（）为每个插入点选择一个随机索引是最好的方法

---

澄清：插入对象的分布应足够均匀，使值不会全部集中在一个区域，但也应足够不均匀，使分布不可预测（如果有人一个接一个地检查这些值，他们将无法通过检测常量模式来确定下一个值是否是新插入的值）。

Java文档将此报告为实现，这就是

Math.random（）

最终调用的

 public double nextDouble() {
   return (((long)next(26) << 27) + next(27))
     / (double)(1L << 53);
 }

public double nextDouble（）{
返回（（（长）下一个（26）（48位））

---

正如您所看到的，它使用一个简单的算法来生成伪随机值。它只需要一些廉价的操作，因此我不会担心使用它。

创建一个随机数是一个简单的操作，您不应该担心它

但是你应该记住几件事

• 最好重用随机实例，每次需要随机值时创建

  新的Random（）

  实例通常是一个错误的决定

• 但是，不要同时跨多个线程使用同一个随机实例来避免争用，您可以使用

• 如果你真的这样做了，请改用

---

不要使用Math.random。它依赖于在引擎盖下使用的

java.util.random

的全局实例。虽然

java.util.random

中使用的PRNG算法是，但性能主要受原子CA和相关缓存一致性流量的影响

这对于多线程应用程序（如中）来说可能特别糟糕，但即使在单线程情况下也会受到惩罚

总是比Math.random更可取。它不依赖于原子操作，也不受争用的影响。它只更新一个，并使用两个

下面是一个JMH基准测试，用于将

Math.random（）

和

ThreadLocalRandom.current（）.nextDouble（）

的性能与一个简单的算术运算进行比较

package bench;

import org.openjdk.jmh.annotations.*;
import java.util.concurrent.ThreadLocalRandom;

@State(Scope.Thread)
public class RandomBench {
    double x = 1;

    @Benchmark
    public double multiply() {
        return x * Math.PI;
    }

    @Benchmark
    public double mathRandom() {
        return Math.random();
    }

    @Benchmark
    public double threadLocalRandom() {
        return ThreadLocalRandom.current().nextDouble();
    }
}

结果表明，ThreadLocalRandom的工作时间仅为几纳秒，其性能与简单的算术运算相当，并且与Math.random不同，它可以在多线程环境中完美地扩展

Benchmark                      Threads     Score     Error  Units
RandomBench.mathRandom            1       34.265 ±   1.709  ns/op
RandomBench.multiply              1        4.531 ±   0.108  ns/op
RandomBench.threadLocalRandom     1        8.322 ±   0.047  ns/op

RandomBench.mathRandom            2      366.589 ±  63.899  ns/op
RandomBench.multiply              2        4.627 ±   0.118  ns/op
RandomBench.threadLocalRandom     2        8.342 ±   0.079  ns/op

RandomBench.mathRandom            4     1328.472 ± 177.216  ns/op
RandomBench.multiply              4        4.592 ±   0.091  ns/op
RandomBench.threadLocalRandom     4        8.474 ±   0.157  ns/op

---

Math.random（）为您提供了一个随机位置。因此，如果您想要一致的输出（均匀分布），那么“有些”甚至不会每次都发生\您应该创建自己的操作…只需对其进行基准测试！它比一次添加慢得多，但速度足够快，可以多次采样。如果您需要一个以上的随机采样，则可以一次调用所有这些操作（例如，创建随机池）.我不知道你在做什么，但我怀疑这里有更多的算法问题。例如：很难实现正确的洗牌。生成随机值（通过Math.random）这是一个相当常见的操作，你也不必担心它，也没有很好的理由。它看起来像是过早的优化。你认为其他的方法是什么？在这种情况下随机是你最好的选择……虽然总是有一个机会，它不是均匀分布的。你可以用一个条件来控制它来重新滚动一个不同的索引。如果它太靠近其他索引，除非你想洗去数以百万计的问题，这不是性能关键。考虑到在鼠标点击的声波从鼠标到点击按钮的人的耳朵的时候，计算机可以创造成千上万（如果不是百万）。关于随机数。不管怎样：我建议根本不要使用

Math.random（）

。在大多数情况下，专用的

random

实例更通用（也更容易调试）。虽然该算法非常简单，但其性能受性能影响，即使在单线程应用程序中，性能也会受到影响，更不用说在多线程情况下可能存在的争用了。