如何模拟高斯分布概率的分组随机抽取？.NET 6是否有对应函数？

.NET 6原生支持情况 #

.NET 6的System.Random类没有直接提供生成高斯（正态）分布随机数的方法，但可以通过经典算法手动实现，或结合概率权重表完成带权重的随机抽取。

核心实现思路 #

要实现「50附近概率最高，越偏离概率越低」的分组，核心是生成符合均值为50、可自定义标准差的高斯分布随机数，再将其映射到1-100的物品编号范围，最后完成无重复抽取分组。

方法一：Box-Muller变换动态生成高斯数 #

这是生成高斯分布随机数的经典算法，通过两个均匀分布随机数转换得到，无需预计算概率表，适合动态生成场景。

1. 扩展Random类添加高斯数生成方法

public static class RandomExtensions
{
    private static bool _hasSpare;
    private static double _spareValue;
    private static readonly object _lock = new object();

    // 生成指定均值和标准差的高斯分布浮点数
    public static double NextGaussian(this Random random, double mean, double stdDev)
    {
        lock (_lock)
        {
            if (_hasSpare)
            {
                _hasSpare = false;
                return _spareValue * stdDev + mean;
            }

            double u1 = random.NextDouble();
            double u2 = random.NextDouble();

            double z0 = Math.Sqrt(-2.0 * Math.Log(u1)) * Math.Cos(2.0 * Math.PI * u2);
            double z1 = Math.Sqrt(-2.0 * Math.Log(u1)) * Math.Sin(2.0 * Math.PI * u2);

            _spareValue = z1;
            _hasSpare = true;

            return z0 * stdDev + mean;
        }
    }

    // 将高斯数映射到1-100的整数范围，超出则重新生成
    public static int NextGaussianIntInRange(this Random random, int min, int max, double mean, double stdDev)
    {
        while (true)
        {
            double gaussian = random.NextGaussian(mean, stdDev);
            int value = (int)Math.Round(gaussian);
            if (value >= min && value <= max)
            {
                return value;
            }
        }
    }
}

2. 完成分组逻辑

var random = new Random();
var selectedGroup = new HashSet<int>();
int targetCount = 50; // 每组50个物品
int minItem = 1;
int maxItem = 100;
double mean = 50; // 概率峰值对应数值
double stdDev = 15; // 标准差：越小越集中在50附近，越大越分散

// 无重复抽取直到凑够50个物品
while (selectedGroup.Count < targetCount)
{
    int item = random.NextGaussianIntInRange(minItem, maxItem, mean, stdDev);
    selectedGroup.Add(item);
}

// 另一组为未被选中的物品
var otherGroup = Enumerable.Range(1, 100).Except(selectedGroup).ToList();

方法二：预计算概率权重表（累积分布法） #

先预计算1-100每个物品的高斯概率，再通过累积概率区间匹配随机数，适合需要固定权重规则的场景。

实现代码

public static int WeightedGaussianSelect(Random random, int min, int max, double mean, double stdDev)
{
    var values = Enumerable.Range(min, max - min + 1).ToList();
    
    // 计算每个数值的高斯概率密度
    var probabilities = values.Select(x => 
        Math.Exp(-Math.Pow(x - mean, 2) / (2 * Math.Pow(stdDev, 2))) 
        / (stdDev * Math.Sqrt(2 * Math.PI))
    ).ToList();

    // 归一化概率（确保总和为1）
    double totalProb = probabilities.Sum();
    var normalizedProbs = probabilities.Select(p => p / totalProb).ToList();

    // 生成累积概率数组
    var cumulativeProbs = new List<double>();
    double currentCumulative = 0;
    foreach (var prob in normalizedProbs)
    {
        currentCumulative += prob;
        cumulativeProbs.Add(currentCumulative);
    }

    // 匹配随机数到对应的数值区间
    double randomValue = random.NextDouble();
    for (int i = 0; i < cumulativeProbs.Count; i++)
    {
        if (randomValue <= cumulativeProbs[i])
        {
            return values[i];
        }
    }

    return values.Last(); // 兜底返回最后一个数值
}

分组调用示例

var random = new Random();
var selectedGroup = new HashSet<int>();
int targetCount = 50;

while (selectedGroup.Count < targetCount)
{
    int item = WeightedGaussianSelect(random, 1, 100, 50, 15);
    selectedGroup.Add(item);
}

var otherGroup = Enumerable.Range(1, 100).Except(selectedGroup).ToList();

关键参数说明 #

• 均值（mean）：设为50，确保概率峰值集中在中间位置。
• 标准差（stdDev）：控制分布宽窄：
  • 取值10：大部分抽取集中在40-60之间
  • 取值20：抽取范围扩展到30-70左右
  • 可根据实际需求调整，数值越小越集中，越大越分散。

内容的提问来源于stack exchange，提问作者Leandro Bardelli