std::piecewise_constant_distribution 生成速度慢因每次采样需两次二分查找、vector内存布局不友好、未对齐且权重未预归一化；手写优化应采用扁平数组预存归一化CDF，运行时单次lower_bound加线性插值，零分配、无异常、缓存友好。
为什么 std::piecewise_constant_distribution 生成速度慢？
直接用标准库的 std::piecewise_constant_distribution 做非均匀采样，常见于小规模模拟，但一旦每秒调用超 10⁶ 次，性能就明显拖后腿。它内部每次采样都做两次二分查找（先找区间，再在区间内线性插值），还依赖 std::vector 存储断点和密度，缓存不友好。
实测在 Intel i7-11800H 上，纯随机采样吞吐约 80 MB/s（按 double 输出计），不到手写二分+扁平数组的 1/3。
关键瓶颈不在算法逻辑，而在内存布局和分支预测失败：断点数组未对齐、密度权重未预归一化、每次调用都重复计算累积和。
如何手写一个零分配、缓存友好的 Piecewise 分布？
核心思路是把「累积分布函数（CDF）反查」拆成两步固化：预处理阶段构建扁平化的 std::array 或裸指针数组，运行时只做一次 std::lower_bound + 一次线性插值，全程无动态内存、无虚函数、无异常路径。
立即学习“C++免费学习笔记（深入）”；
- 输入必须是已排序且去重的断点数组
breaks（长度 n+1），和对应 n 个区间的密度值densities - 预计算长度为 n 的累积概率数组
cum_weights，其中cum_weights[i] = sum(densities[0..i]) * (breaks[i+1] - breaks[i])，即每个区间面积 - 把
cum_weights归一化为前缀和（最后一项为 1.0），存入std::array<double n></double>或对齐的double* - 采样时：先用均匀随机数
u在cum_weights中二分定位区间索引i，再用(u - cum_weights[i-1]) / (cum_weights[i] - cum_weights[i-1])算局部比例，最后线性映射回[breaks[i], breaks[i+1])
示例关键片段：
// 预处理（仅一次）
std::array<double, 4> breaks = {0.0, 1.0, 2.5, 4.0};
std::array<double, 3> densities = {0.2, 0.6, 0.2};
std::array<double, 3> areas;
double total = 0.0;
for (int i = 0; i < 3; ++i) {
areas[i] = densities[i] * (breaks[i+1] - breaks[i]);
total += areas[i];
}
std::array<double, 4> cdf = {0.0}; // cdf[0]=0, cdf[1..3] = prefix sum
for (int i = 0; i < 3; ++i) {
cdf[i+1] = cdf[i] + areas[i] / total;
}
使用 std::lower_bound 还是手工展开二分？
当区间数 ≤ 16，手工展开（unrolled binary search）比 std::lower_bound 快 15–20%，因为避免了函数调用开销和迭代器抽象；超过 32 区间后，std::lower_bound 在 O2 下会被内联且分支预测更稳。
更关键的是：必须确保 cdf 数组在内存中连续、对齐（用 alignas(64)），否则 SSE/AVX 加载会触发跨缓存行读取，反而变慢。
- 编译时已知区间数 → 用
if-else if链或 switch（Clang/GCC 能很好优化） - 运行时可变但 ≤ 32 → 用
std::lower_bound，传入cdf.data()和cdf.size()，别用 vector - 区间数 > 256 → 考虑 alias method 或分层 CDF（如 2-level tree），标准二分已到理论极限
为什么不能直接用 std::discrete_distribution 替代？
std::discrete_distribution 只支持离散点采样，而 Piecewise 分布本质是连续段上的密度函数。强行把连续区间离散成千个点，会导致：
— 内存占用暴涨（每个点存 double 权重 + 构造时 O(n) 构建 alias 表）
— 无法精确映射回原始区间（你得到的是“第 137 个点”，不是“在 [1.2, 1.8) 内某处”）
— 权重归一化误差累积，尤其当区间宽度差异大时（比如 [0,1) 密度 0.01，[1,1000) 密度 0.99）
真正需要的是「连续坐标 + 分段常数密度」的语义，不是「一堆离散支撑点」。混淆这两者，后期调试采样偏差时会卡在浮点精度和区间边界上，比如 breaks[i+1] 是否包含在第 i 区间里——标准库没定义，手写必须明确定义为左闭右开。
最易被忽略的一点：所有断点和密度必须用 double 表示，且密度非负；若输入含负值或 NaN，手写代码不会抛异常，但结果不可预测——这正是生产环境里最难复现的 bug 来源。
