如何高效生成满足欧氏距离约束的U(-1,1)均匀分布1D随机点对

你当前使用的拒绝采样方案逻辑正确，但当dist远小于采样区间长度（本题默认区间长度为2，dist=0.001）时，绝大多数采样结果都会被丢弃，运行效率极低，最坏情况需要循环数千次才能得到符合要求的点对。

针对1D场景可以直接实现无拒绝的O(1)效率采样，和原方案得到的点对分布完全一致，逻辑如下：

• 第一步：从U(low_, high_)中独立采样第一个点x
• 第二步：计算第二个点y的合法采样区间：左边界为max(low_, x - dist)，右边界为min(high_, x + dist)，保证y既满足和x的距离≤dist，又不会超出指定采样范围
• 第三步：在上述合法区间内均匀采样得到y即可

优化后的实现代码：

import numpy as np

def point_pair(low_=-1, high_=1, dist=0.001):
    # 边界处理：如果阈值大于区间总长度，所有点对都符合要求
    if dist >= high_ - low_:
        x = np.random.uniform(low=low_, high=high_)
        y = np.random.uniform(low=low_, high=high_)
        return x, y
    # 采样第一个点
    x = np.random.uniform(low=low_, high=high_)
    # 计算第二个点的合法采样区间
    y_low = max(low_, x - dist)
    y_high = min(high_, x + dist)
    # 采样第二个点
    y = np.random.uniform(low=y_low, high=y_high)
    return x, y

该方案没有任何循环和拒绝逻辑，不管dist多小都能单次采样得到结果，运行效率比原方案高几个数量级。如果需要批量生成多组点对，还可以进一步做向量化优化，一次性生成所有x后批量计算y的采样区间，再批量采样得到所有y值，效率更高。

内容的提问来源于stack exchange，提问作者Juan