如何基于自定义distribution函数创建指定分布的随机数生成函数

你的核心需求是根据给定的distribution(x)函数生成随机值，让y值越高的x出现概率越大，现有方案的问题出在固定阈值筛选逻辑和低效的样本生成方式上，以下是更可靠的实现思路和代码：

现有代码的问题 #

• 用固定的e值做筛选，没有把每个x对应的y值（概率密度）纳入判断，完全无法准确拟合目标分布
• 每次生成100个样本再排序筛选，不仅效率低，还可能因为运气差陷入无限循环
• 没必要依赖d3的range方法，纯JS就能完成核心逻辑

推荐方案：接受-拒绝采样（Accept-Reject Sampling） #

这是生成自定义分布随机数的标准方法，逻辑完全贴合你的需求，不需要手动调阈值：

1. 先确定distribution(x)在x∈[0,1]范围内的最大值M（确保M大于等于所有x对应的y值）
2. 生成一个随机x（范围[0,1]）
3. 生成一个随机u（范围[0,M]）
4. 如果u ≤ distribution(x)，就返回这个x；否则重复步骤2-4

实现代码 #

// 先实现一个工具函数，获取distribution的最大值M
function getDistributionMax(fn, sampleCount = 1000) {
  let maxY = 0;
  for (let i = 0; i < sampleCount; i++) {
    const x = Math.random();
    const y = fn(x);
    if (y > maxY) maxY = y;
  }
  // 留一点余量避免漏判
  return maxY * 1.05;
}

// 最终的distributor函数
function distributor(fn) {
  const M = getDistributionMax(fn);
  while (true) {
    const x = Math.random();
    const y = fn(x);
    const u = Math.random() * M;
    if (u <= y) {
      return x;
    }
  }
}

说明 #

• getDistributionMax通过采样1000个x值找到分布的近似最大值，乘以1.05是为了避免因为采样不够漏过真实最大值
• 循环里的逻辑完全基于每个x对应的y值判断：y值越高，u ≤ y的概率越大，x被选中的概率就越高，完美贴合你的需求
• 不需要再手动调e参数，所有逻辑都由目标分布本身决定

额外优化建议 #

如果你的distribution(x)有已知的理论最大值（比如你通过图形编辑器能直接看到峰值），可以直接把M设为这个值，省去采样找最大值的步骤，效率更高。

内容的提问来源于stack exchange，提问作者pernifloss