Swift 4中如何从正态分布返回Float或Double类型值？

嘿，我懂你想要的是连续型的正态分布数值，而不是整数对吧？你当前用的GKGaussianDistribution的nextInt()确实只能返回整数，不过有两个靠谱的方案可以拿到你要的Float/Double类型值：

方案一：基于GameplayKit生成连续正态分布 #

虽然GKGaussianDistribution没有直接返回连续值的方法，但我们可以借助GKRandomSource的nextUniform()（返回0到1之间的Double），再通过Box-Muller变换把均匀分布转换成符合需求的正态分布。代码示例如下：

import GameplayKit

class DistributionGenerator {
    let randomSource: GKRandomSource
    
    init() {
        randomSource = GKARC4RandomSource() // 也可以用GKMersenneTwisterRandomSource，随机性更强
    }
    
    // 生成Double类型的正态分布值
    func generateNormal(mean: Double, stdDev: Double) -> Double {
        // 先生成标准正态分布（均值0，标准差1）
        let u1 = randomSource.nextUniform()
        let u2 = randomSource.nextUniform()
        let z0 = sqrt(-2 * log(u1)) * cos(2 * Double.pi * u2)
        
        // 转换为指定均值和标准差的分布
        return z0 * stdDev + mean
    }
    
    // 生成Float类型的正态分布值
    func generateNormalFloat(mean: Float, stdDev: Float) -> Float {
        return Float(generateNormal(mean: Double(mean), stdDev: Double(stdDev)))
    }
}

// 使用示例
let generator = DistributionGenerator()
let epsilonDouble = generator.generateNormal(mean: 0.0, stdDev: 4.0)
let epsilonFloat = generator.generateNormalFloat(mean: 0.0, stdDev: 4.0)

方案二：手动实现（不依赖GameplayKit） #

如果不想引入GameplayKit框架，也可以用系统自带的随机数生成函数结合Box-Muller变换来实现，代码更轻量：

// 生成Double类型的正态分布值
func generateNormal(mean: Double, stdDev: Double) -> Double {
    // 辅助函数：生成0到1之间的均匀分布随机数
    func uniform() -> Double {
        return Double(arc4random()) / Double(UInt32.max)
    }
    
    let u1 = uniform()
    let u2 = uniform()
    let z0 = sqrt(-2 * log(u1)) * cos(2 * Double.pi * u2)
    return z0 * stdDev + mean
}

// 生成Float类型的正态分布值
func generateNormalFloat(mean: Float, stdDev: Float) -> Float {
    return Float(generateNormal(mean: Double(mean), stdDev: Double(stdDev)))
}

// 使用示例
let epsilon = generateNormal(mean: 0.0, stdDev: 4.0)

小补充 #

Box-Muller变换其实能一次性生成两个独立的标准正态分布值（另一个是sqrt(-2*log(u1))*sin(2*Double.pi*u2)），如果你的代码需要频繁生成随机数，可以缓存这个值下次复用，能提升一点效率。另外，不建议直接把GKGaussianDistribution生成的整数转成浮点型，这种方式本质是离散值的近似，精度很低，远不如上面的连续生成方法靠谱。

内容的提问来源于stack exchange，提问作者Charlie Roe