实现可趋近指定目标均值的JavaScript加权随机整数选择函数

原代码问题分析 #

你当前使用的1/|x-target|权重方式存在核心缺陷：概率分布的数学期望与目标值不匹配，尤其是当目标靠近数组边缘时，偏差会非常显著。比如目标值为0.2时，0的权重是5、1的权重是1.25，其他数权重递减，计算出的期望约为0.95，远高于目标值；虽然所有数都有被选中的可能，但这不是解决问题的核心。

解决方案：精确匹配期望的离散概率分布 #

该方案构建的概率分布能让所有整数的加权和（数学期望）恰好等于目标值，同时保证每个整数的概率都大于0（确保所有值都有被选中的机会）。

实现思路 #

1. 输入验证：检查数组有效性和目标值范围；
2. 定位目标区间：找到目标值所在的整数区间（如0.2在0和1之间）；
3. 分配极小概率：给非区间端点的整数分配固定极小概率ε，保证它们有被选中的可能；
4. 计算端点概率：根据剩余概率和期望要求，计算区间端点的概率，使整体期望等于目标值；
5. 随机选择：基于累积概率法随机选取整数。

代码实现 #

function weightedRandomInteger(arr, target) {
    // 输入合法性验证
    if (!Array.isArray(arr) || arr.length === 0 || typeof target !== "number") {
        return null;
    }
    const min = arr[0];
    const max = arr[arr.length - 1];
    if (target < min || target > max) {
        return null;
    }

    const n = arr.length;
    const t = target;
    const isIntegerTarget = Number.isInteger(t);
    let a, b;
    let aIndex, bIndex;

    if (isIntegerTarget) {
        // 处理目标为整数的情况
        a = t;
        aIndex = arr.indexOf(a);
    } else {
        // 目标为小数，找到所在的整数区间
        a = Math.floor(t);
        b = a + 1;
        aIndex = arr.indexOf(a);
        bIndex = arr.indexOf(b);
    }

    // 定义极小概率ε，确保所有数都有被选中的机会
    let epsilon = 1 / (100 * n);
    let sumEpsilon = 0;
    let sumOtherX = 0;
    const otherIndices = [];

    // 统计非端点元素的概率和与加权和
    for (let i = 0; i < n; i++) {
        if (isIntegerTarget) {
            if (i !== aIndex) {
                otherIndices.push(i);
                sumEpsilon += epsilon;
                sumOtherX += arr[i] * epsilon;
            }
        } else {
            if (i !== aIndex && i !== bIndex) {
                otherIndices.push(i);
                sumEpsilon += epsilon;
                sumOtherX += arr[i] * epsilon;
            }
        }
    }

    const remainingProb = 1 - sumEpsilon;
    const probabilities = new Array(n).fill(0);

    if (isIntegerTarget) {
        // 调整非端点元素的概率，使得整体期望等于目标整数
        const delta = t * sumEpsilon - sumOtherX;
        const adjust = delta / otherIndices.length;

        // 确保所有概率为正，若出现负概率则减小ε重新计算
        if (epsilon + adjust <= 0) {
            epsilon = 1 / (1000 * n);
            return weightedRandomInteger(arr, target);
        }

        probabilities[aIndex] = remainingProb;
        for (const i of otherIndices) {
            probabilities[i] = epsilon + adjust;
        }
    } else {
        // 计算区间端点的概率，满足期望要求
        const pa = (b * remainingProb) + sumOtherX - t;
        const pb = remainingProb - pa;

        // 确保端点概率为正，若不满足则减小ε重新计算
        if (pa <= 0 || pb <= 0) {
            epsilon = 1 / (1000 * n);
            return weightedRandomInteger(arr, target);
        }

        probabilities[aIndex] = pa;
        probabilities[bIndex] = pb;
        for (const i of otherIndices) {
            probabilities[i] = epsilon;
        }
    }

    // 基于累积概率随机选择元素
    const random = Math.random();
    let cumulativeProb = 0;
    for (let i = 0; i < n; i++) {
        cumulativeProb += probabilities[i];
        if (random <= cumulativeProb) {
            return arr[i];
        }
    }
}

测试验证 #

边缘目标值测试

let total = 0;
const trials = 10000;
for (let i = 0; i < trials; i++) {
    total += weightedRandomInteger([0, 1, 2, 3, 4, 5, 6, 7], 0.2);
}
console.log("Average is ", total / trials);
// 输出应接近0.2，且所有整数（包括7）都有概率被选中

中间目标值测试

let total = 0;
const trials = 10000;
for (let i = 0; i < trials; i++) {
    total += weightedRandomInteger([0, 1, 2, 3, 4, 5, 6, 7], 3.5);
}
console.log("Average is ", total / trials);
// 输出应接近3.5

备选方案：基于正态分布的权重（简单易实现） #

如果不需要严格匹配期望，仅希望长期平均值接近目标值，可使用正态分布权重。该方法实现简单，所有数都有被选中的可能，且目标值附近的数概率更高。

代码实现 #

function weightedRandomInteger(arr, target) {
    if (!Array.isArray(arr) || arr.length === 0 || typeof target !== "number") {
        return null;
    }
    const min = arr[0];
    const max = arr[arr.length - 1];
    if (target < min || target > max) {
        return null;
    }

    // 调整方差控制概率集中程度，值越小越集中在目标附近
    const variance = Math.pow(arr.length / 8, 2);
    // 计算正态分布权重
    const weights = arr.map(x => {
        const diff = x - target;
        return Math.exp(-(diff * diff) / (2 * variance));
    });

    // 归一化权重为概率
    const totalWeight = weights.reduce((acc, curr) => acc + curr, 0);
    const probabilities = weights.map(w => w / totalWeight);

    // 累积概率随机选择
    const random = Math.random();
    let cumulativeProb = 0;
    for (let i = 0; i < arr.length; i++) {
        cumulativeProb += probabilities[i];
        if (random <= cumulativeProb) {
            return arr[i];
        }
    }
}

说明 #

• 方差越小：概率越集中在目标值附近，长期平均值越接近目标，但边缘数的选中概率越低；
• 方差越大：概率分布越分散，边缘数的选中概率越高，但长期平均值偏差可能越大。

内容的提问来源于stack exchange，提问作者Matthew Dunson