本文介绍一种高效、无循环的方案，解决骰子随机数生成时因用户设定的 max 值超过实际面数而导致越界的问题，通过数学截断与 threadlocalrandom 的区间 api 实现 o(1) 时间复杂度的正确取值。
本文介绍一种高效、无循环的方案，解决骰子随机数生成时因用户设定的 max 值超过实际面数而导致越界的问题，通过数学截断与 threadlocalrandom 的区间 api 实现 o(1) 时间复杂度的正确取值。
在实现自定义骰子（如 MinMaxDice）时，一个常见需求是：允许用户指定理论上的最小值（min）和最大值（max），但最终结果绝不能超过骰子的实际面数 sides。例如，一个 20 面骰（d20）即使被配置为 min=16, max=25，合法输出也应严格限制在 [16, 20] 区间内，且各值等概率出现。
原方案使用 do-while 循环反复重试，虽逻辑直观，但存在理论上的无限等待风险（尽管概率极低），且违背了均匀随机的本质——它隐式地“丢弃”了部分随机样本，导致实际分布可能偏离预期（尤其当 max ≫ sides 时，采样效率骤降）。
✅ 正确解法是主动约束随机区间，而非被动过滤：
public int rollDie() {
int effectiveMax = Math.min(this.max, this.sides);
return ThreadLocalRandom.current()
.nextInt(this.min, effectiveMax + 1); // [min, effectiveMax] inclusive
}该实现的关键在于：
- Math.min(this.max, this.sides) 动态计算出真正可用的上限；
- ThreadLocalRandom.current().nextInt(origin, bound) 生成 [origin, bound) 范围内的整数，因此需将 effectiveMax 加 1 作为 bound，确保 effectiveMax 可被包含；
- 整个过程仅一次随机调用，时间复杂度恒为 O(1)，无任何分支重试开销；
- 所有合法值（即 [min, effectiveMax] 内的整数）保持严格等概率，符合离散均匀分布要求。
⚠️ 注意事项：
- 必须保证 this.min ≤ effectiveMax，否则 nextInt() 将抛出 IllegalArgumentException。建议在构造函数中校验：
if (min > Math.min(max, sides)) { throw new IllegalArgumentException("min cannot exceed constrained max: " + Math.min(max, sides)); } - 若 min 超过 sides（如 d6 设 min=10），则有效区间为空，应提前报错而非静默失败；
- 不要使用 Random.nextInt(int bound) 配合偏移计算（如 min + rand.nextInt(effectiveMax - min + 1)），虽然等效，但 ThreadLocalRandom.nextInt(origin, bound) 更语义清晰、线程安全且避免整数溢出风险。
综上，通过数学截断 + 标准库区间 API，我们以简洁、高效、可验证的方式解决了骰子上限越界问题，既保障了功能正确性，又提升了代码健壮性与性能可预测性。
