最稳妥方案是使用 std::discrete_distribution，它基于别名法实现 O(1) 抽样，自动归一化、处理零权重和负权重报错；手动前缀和+二分仅适用于学习或受限环境。
用 std::discrete_distribution 做带权重的随机抽样最稳妥
标准库已提供成熟方案，无需手写轮子。它专为离散权重抽样设计，底层使用别名法（Alias Method）或查表法，时间复杂度 O(1) 每次抽样，且自动处理浮点精度归一化、零权重、负权重报错等边界。
常见错误是手动累加权重再二分查找——逻辑对但易出界、慢、且没处理 weight[i] == 0 或全零时的未定义行为。
实操建议：
- 权重可为
double或int，构造时会自动归一化，传入负数会抛std::invalid_argument - 必须配合
std::random_device和std::mt19937使用，不能用rand() - 若权重在运行时动态变化，需重建 distribution 对象（它不支持在线更新）
std::vector<double> weights = {1.0, 3.0, 2.0};
std::random_device rd;
std::mt19937 gen(rd());
std::discrete_distribution<size_t> dist(weights.begin(), weights.end());
<p>for (int i = 0; i < 5; ++i) {
size_t idx = dist(gen); // 返回 0, 1 或 2，概率比为 1:3:2
std::cout << idx << " ";
}手写前缀和 + 二分查找适合学习或极简依赖场景
当无法用 C++11 以上标准库（如嵌入式限制），或想理解原理时，可用前缀和 + std::lower_bound 实现。本质是把权重映射到 [0, sum) 区间，再随机选点落哪个段。
立即学习“C++免费学习笔记（深入）”；
容易踩的坑：
- 前缀和用
int累加导致溢出，应统一转为double或用long long -
std::lower_bound返回的是第一个 ≥ 目标值的迭代器，必须用- prefix.begin()才得索引 - 若所有权重为 0，前缀和全零，
uniform_real_distribution生成 [0,0) 会未定义；需提前检查
std::vector<double> weights = {1.0, 3.0, 2.0};
std::vector<double> prefix = {weights[0]};
for (size_t i = 1; i < weights.size(); ++i) {
prefix.push_back(prefix.back() + weights[i]);
}
double total = prefix.back();
std::uniform_real_distribution<double> uni(0.0, total);
// ... 然后每次：auto it = std::lower_bound(prefix.begin(), prefix.end(), uni(gen)); return it - prefix.begin();权重为整数且范围不大时，可展开成均匀数组（仅限教学/小规模）
比如权重是小整数 {2, 1, 3}，可构造数组 {0,0,1,2,2,2}，再用 std::uniform_int_distribution 随机取下标。直观但空间爆炸——权重和为 1e6 就要开百万大小的 vector。
适用场景极少：
- 权重固定、极小（总和 ≤ 100）、且对内存不敏感
- 用于单元测试造数据，或教学演示“权重即重复次数”
- 绝不可用于线上服务或权重动态场景
注意权重归一化与浮点误差的隐含影响
std::discrete_distribution 内部归一化用的是 sum = accumulate(...)，然后每个权重除以 sum。若原始权重含大量极小值（如 1e-15）或数量级差异极大（1 vs 1e12），可能因浮点舍入导致某个非零权重被归一化为 0。
对策：
- 预处理：过滤掉
abs(weight) 的项 - 改用对数权重 + Gumbel-Max 技巧（适用于 softmax 类场景，但需自己实现采样逻辑）
- 确认业务是否允许近似：比如权重本就是统计频次，直接用
int权重并接受std::discrete_distribution<int></int>的整数归一化即可
真正麻烦的不是算法本身，而是权重来源是否可靠、是否需要动态更新、以及浮点下溢是否会影响业务语义——这些往往比“怎么抽”更早决定技术选型。
