std::discrete_distribution不适用于高频采样场景，因其每次构造需O(n)预处理且不支持动态权重更新；超大数组下double累积和易致浮点误差异常；别名法实现须过滤零概率项、维护索引映射、谨慎处理小数精度与堆划分。
为什么 std::discrete_distribution 不能直接用在高频采样场景
它每次构造都需 O(n) 预处理（归一化 + 构建别名表或前缀和），且内部存储冗余——比如你只改一个概率权重，却要重建整个分布。工程中常见需求是「动态更新权重后快速重采样」，这时标准库方案会成为瓶颈。
实操建议：
立即学习“C++免费学习笔记（深入）”；
- 若概率权重长期不变，用
std::discrete_distribution完全没问题；但一旦涉及每秒千次级的权重更新，就得换方案 - 避免在循环内重复构造该对象，提取为成员变量或静态局部变量
- 注意其默认使用
double精度做累积和，对超大数组（>1e6 项）可能因浮点误差导致operator()抛出std::invalid_argument
手写 alias method（别名法）时最关键的三处边界处理
别名法理论上支持 O(1) 采样 + O(n) 初始化，但实现时极易在小数精度、索引越界和零概率项上翻车。
实操建议：
立即学习“C++免费学习笔记（深入）”；
- 预处理阶段必须先过滤掉所有
prob[i] == 0的项，否则别名表中会出现未定义引用；保留原始索引映射关系用std::vector<:pair double>></:pair>而非压缩数组 - 计算「小堆」和「大堆」时，用
std::abs(prob[i] - 1.0) 判断是否恰好为 1，而非 <code>==—— 浮点累加误差会让本该精确的 1.0 变成 0.999999999 - 采样时生成两个随机数：
u = uniform_real_distribution<double>(0, 1)(rng)</double>和k = uniform_int_distribution<size_t>(0, n-1)(rng)</size_t>，然后查表：若u 返回 <code>k，否则返回alias[k]；这里prob_alias存的是缩放后的条件概率，不是原始输入值
如何让非均匀采样在多线程下既安全又不锁表
共享一个别名表本身是只读的，真正冲突点在于随机数引擎——std::mt19937 不是线程安全的。
实操建议：
立即学习“C++免费学习笔记（深入）”；
- 每个线程持有一个独立的
std::mt19937实例（用std::random_device或 thread_id 哈希初始化），不要共用全局引擎 - 别名表结构（
std::vector<double></double>和std::vector<size_t></size_t>）可全局 const，无锁访问 - 若需运行时热更新概率，用「原子指针交换」替代锁：新表构建完后，用
std::atomic_store_explicit(&table_ptr, new_table, std::memory_order_release)，读侧用std::atomic_load_explicit(&table_ptr, std::memory_order_acquire)
当概率分布稀疏（如百万项中仅百项非零）时该选哪种结构
别名法空间复杂度 O(n)，对稀疏场景浪费严重；而二分查找前缀和虽是 O(log k)（k 为非零项数），但常数极小，且内存友好。
实操建议：
立即学习“C++免费学习笔记（深入）”；
- 若非零项数
k ，直接用 <code>std::vector<:pair size_t>></:pair>存（概率累积值, 原始索引），配合std::lower_bound查找；比别名法少一半内存，cache 更友好 - 避免用
std::map或std::unordered_map存稀疏分布——前者插入慢，后者无法按累积概率有序遍历 - 如果后续还要支持「按原始索引查当前概率」，额外维护一个
std::vector<double></double>（稀疏索引到值的映射），用 0 填充空位，比哈希表更快定位
别名法的初始化开销和内存占用，在稀疏场景下反而成了负优化。真正决定性能的从来不是理论渐近复杂度，而是 cache line 命中率和分支预测成功率——这两点在紧凑的 vector + 二分里通常更优。
