ThreadLocalRandom.nextGaussian() 返回标准正态分布N(0,1)随机数，需自定义均值μ和标准差σ时使用线性变换μ+σ×nextGaussian()；它基于Box-Muller变换、线程安全、独立同分布，适用于批量生成与后处理（如截断、对数正态）。
Java 中 ThreadLocalRandom.nextGaussian() 直接返回标准正态分布（均值为 0、标准差为 1）的随机数，若需指定均值 μ 和标准差 σ，只需做线性变换：μ + σ * nextGaussian()。
理解 nextGaussian() 的输出特性
ThreadLocalRandom.current().nextGaussian() 使用 Box-Muller 变换生成双精度浮点数，服从标准正态分布 N(0, 1)。这意味着：
- 理论均值 ≈ 0，标准差 ≈ 1（大量采样后趋近）
- 结果可正可负，无上下界（但概率随绝对值增大急剧衰减）
- 每次调用独立，且线程安全，无需额外同步
生成自定义均值和标准差的正态随机数
对每个标准正态随机数 z，应用仿射变换即可：
- 目标分布：N(μ, σ²)
- 计算方式：
double value = mu + sigma * ThreadLocalRandom.current().nextGaussian(); - 例如生成体温数据（均值 36.5°C，标准差 0.3°C）：
double temp = 36.5 + 0.3 * ThreadLocalRandom.current().nextGaussian();
批量生成与注意事项
若需多个样本，应重复调用 nextGaussian()，不要复用同一个值：
立即学习“Java免费学习笔记（深入）”；
- ✅ 正确：
DoubleStream.generate(() -> 100 + 15 * ThreadLocalRandom.current().nextGaussian()).limit(1000).toArray(); - ❌ 错误：只调用一次
nextGaussian()然后反复使用该值 - 注意：极小概率出现远离均值 4σ 以上的值（如 μ=0, σ=1 时 z≈4.5），属正态分布正常现象，非 bug
替代方案与边界说明
如需截断（如不允许负数）、对数正态或其他变形，nextGaussian() 仅提供基础输入，需自行后处理：
- 截断示例（强制 ≥ 0）：
Math.max(0, mu + sigma * ThreadLocalRandom.current().nextGaussian()) - 对数正态：先生成正态数 z，再取
Math.exp(z)（对应对数均值 0、对数标准差 1） - 不推荐用
Random.nextGaussian()替代——它不是线程安全的，高并发下性能与正确性均不如ThreadLocalRandom
