直接用std::discrete_distribution最稳妥，需确保权重≥0且至少一个>0，用double避免整数精度丢失，构造后复用、勿频繁重建，并配mt19937等现代引擎。
std::discrete_distribution 怎么用才不踩坑
直接用 std::discrete_distribution 是最稳妥的选择，它专为带权重的离散随机采样设计，底层已处理归一化、累积和、二分查找等细节。别自己手写轮子——权重和为 0、浮点精度误差、越界访问这些坑它都帮你挡了。
常见错误是传入负权重或全零权重，这时构造函数会抛出 std::invalid_argument；另外，权重用的是 double，如果用 int 初始化但值很大（比如超 2⁵³），可能丢失精度。
实操建议：
- 权重容器用
std::vector<double></double>显式构造，避免隐式类型转换引入意外截断 - 提前校验权重：用
std::all_of确保每个权重 ≥ 0，且总和 > 0 - 构造一次后可复用，不要每次采样都重建分布对象（有 O(n) 构建开销）
权重是整数时，能不能跳过浮点运算
可以，但得手动做。如果所有权重都是非负整数且总和不太大（比如 ≤ 10⁶），用“累加数组 + std::lower_bound”更轻量，也避免浮点误差。
立即学习“C++免费学习笔记（深入）”；
典型场景：配置表里几个固定选项，权重是小整数（如 1/3/2），不需要高精度或动态更新。
示例逻辑：
std::vector<int> weights = {1, 3, 2};
std::vector<int> prefix(1, 0); // 前缀和，首项为 0
for (int w : weights) prefix.push_back(prefix.back() + w);
int total = prefix.back();
int r = rand() % total; // 或用更好的随机引擎
auto it = std::lower_bound(prefix.begin(), prefix.end(), r + 1);
int idx = std::distance(prefix.begin(), it) - 1;
注意：r + 1 是关键——因为 prefix 是左闭右开区间划分，lower_bound 找第一个 ≥ 目标值的位置。
std::discrete_distribution 的性能和线程安全怎么把握
构建耗时 O(n)，采样耗时 O(log n)（内部用二分），比手写 O(n) 线性扫描快得多；但若只有 2–3 个选项，线性扫描反而更省——别盲目优化。
线程安全方面：std::discrete_distribution::operator() 是 const 成员函数，但依赖传入的随机引擎（如 std::mt19937）。引擎本身不是线程安全的，必须每个线程独享引擎实例，或加锁。
容易被忽略的点：
- 权重向量内容变化后，必须重新构造
std::discrete_distribution，它不会自动监听变化 - 移动构造后原对象处于有效但未指定状态，别再调用其
operator() - 如果权重动态变化频繁，考虑用 alias method（别名法），但 C++ 标准库没提供，需自行实现或引入第三方
为什么 rand() % N 不适合做加权随机的基础
因为 rand() 周期短、低位随机性差，且 % 操作在 RAND_MAX + 1 不能被 N 整除时会引入偏差。加权场景下这个偏差会被权重放大，导致低权重项实际出现概率进一步偏离预期。
正确做法是用 std::uniform_int_distribution 或 std::uniform_real_distribution 配合现代引擎（如 std::mt19937）。
例如生成 [0, total) 区间整数：
std::mt19937 gen{std::random_device{}()};
std::uniform_int_distribution<int> dist(0, total - 1);
int r = dist(gen);
权重越大，对应区间越宽，被选中的自然概率越高——这才是加权的本质，不是靠“多试几次”。
