如何修改带最小间隔的随机抽样算法，使其支持浮点数采样

错误原因 #

原适配版本直接照搬整数场景的计算逻辑，存在三点核心问题：

• 整数场景为了预留间隔使用的d-1偏移不适用于浮点数，浮点数场景直接使用最小间隔d计算预留空间即可
• 浮点数属于连续采样域，不需要从np.linspace生成的离散等间隔序列中采样，直接做连续均匀采样即可
• 未处理浮点数计算的精度误差，微小的舍入偏差会导致最终样本间隔不满足要求

正确实现 #

适配浮点数场景的实现如下，支持自定义采样上下限，自带参数合法性校验和精度误差兼容：

import random
import numpy as np

def sample_float_with_min_distance(low: float, high: float, k: int, d: float, eps: float = 1e-12) -> list[float]:
    """
    从[low, high]区间随机采样k个浮点数，任意两个数的间隔≥d
    :param low: 采样区间下限
    :param high: 采样区间上限
    :param k: 采样个数
    :param d: 最小间隔要求
    :param eps: 浮点数精度补偿值，避免舍入误差导致间隔不满足
    :return: 符合要求的随机浮点数列表
    """
    # 参数合法性校验
    total_length = high - low
    required_length = (k - 1) * d
    if total_length < required_length - eps:
        raise ValueError(f"区间长度不足，至少需要{required_length}，当前区间长度为{total_length}")
    
    # 压缩区间：减去所有需要预留的最小间隔，得到可自由采样的区间长度
    compress_length = total_length - required_length
    # 在[0, compress_length]区间采样k个均匀随机浮点数
    samples = [random.uniform(0, compress_length) for _ in range(k)]
    # 排序后依次叠加对应倍数的最小间隔+区间下限，完成展开
    samples.sort()
    res = [samples[i] + i * d + low for i in range(k)]
    
    # 精度校验修正，极端情况下消除舍入误差
    for i in range(1, k):
        if res[i] - res[i-1] < d - eps:
            res[i] = res[i-1] + d
    return res

如果需要和原函数保持一致的输入格式（采样区间为[0, n]），可以使用以下适配版本：

def sample_with_minimum_distance(n: float, k: int, d: float) -> list[float]:
    return sample_float_with_min_distance(low=0.0, high=n, k=k, d=d)

逻辑说明 #

核心沿用了原整数算法的「压缩-采样-展开」逻辑：

1. 先计算所有必须预留的最小间隔总长度(k-1)*d，从总区间长度中扣除后得到可自由分配的压缩区间
2. 在压缩区间采样k个随机值，排序后每个值依次加上i*d，相当于在每两个采样点之间插入要求的最小间隔
3. 增加了精度补偿和校验逻辑，彻底避免浮点数舍入误差导致的间隔不满足问题

内容的提问来源于stack exchange，提问作者Firas Bejar