相关阅读
【小家java】java5新特性（简述十大新特性） 重要一跃
【小家java】java6新特性（简述十大新特性） 鸡肋升级
【小家java】java7新特性（简述八大新特性） 不温不火
【小家java】java8新特性（简述十大新特性） 饱受赞誉
【小家java】java9新特性（简述十大新特性） 褒贬不一
【小家java】java10新特性（简述十大新特性） 小步迭代
【小家java】java11新特性（简述八大新特性） 首个重磅LTS版本
每篇一句
世界上唯一可以不劳而获的，就是贫穷。唯一可以无中生有的，就是梦想。虽然世界很残酷，但是只要你愿意走，总会有路
我们都知道，随机数在太多的地方使用了，比如加密、混淆数据等，我们使用随机数是期望获得一个唯一的、不可仿造的数字，以避免产生相同的业务数据造成混乱。
在Java项目中通常是通过Math.random方法和Random类来获得随机数的。那么本文针对于这两种产生随机数的方法进行源码级别的精度，让你以后不再犯错。
先说平时使用
绝大多数情况，我们其实是想通过此类来生成一个随机整数。此处不鳌诉推倒过程，直接公布一个公式：
Random rand = new Random(); int num = rand.nextInt(MAX - MIN + 1) + MIN;
因此，我们需要[min,max]之间的随机数，直接这么来使用就ok了 闭区间哦
java产生随机数的几种方式
1.使用Math.random()方法来产生一个随机数，这个产生的随机数是0-1之间的一个double，我们可以把他乘以一定的数，比如说乘以100，他就是个100以内的随机
2.使用java.util这个包里面提供了一个Random的类（最常用）
3.使用currentTimeMillis的取模算法（使用较少）
java中通过这几种方法产生的随机数叫伪随机数，并不是真正的随机数。这里简单科普一下伪随机和真随机的区别：
伪随机（preundorandom）：通过算法产生的随机数都是伪随机！！
真随机：比如，通过机器的硬件噪声产生随机数、通过大气噪声产生随机数。（只有通过真实的随机事件产生的随机数才是真随机）
一、java.lang.Math.Random;
调用这个Math.Random()函数能够返回带正号的double值，该值大于等于0.0且小于1.0，即取值范围是[0.0,1.0)的左闭右开区间，返回值是一个伪随机选择的数，在该范围内（近似）均匀分布。
public static void main(String[] args) { for (int i = 0; i < 3; i++) { int num = (int) (Math.random() * 10); System.out.println("num is:" + num); } } 输出： num is:1 num is:4 num is:3 第二次输出： num is:0 num is:6 num is:5
我们会发现，每次输出的值都是不一样的，但是都保持在[0,10)的区间里面
在使用Math.Random()的时候需要注意的地方时该函数是返回double类型的值，所以在要赋值给其他类型的变量的时候注意需要进行类型转换
二、java.util.Random;
1、java.util.Random类中实现的随机算法是伪随机，也就是有规则的随机，所谓有规则的就是在给定种(seed)的区间内随机生成数字（后面会有例子验证这一点）；
2、相同种子的Random对象，相同次数生成的随机数字是完全相同的（所以才叫伪随机嘛）；
3、Random类中各方法生成的随机数字都是均匀分布的，也就是说区间内部的数字生成的几率均等；
它提供了两种构造函数：
一、Random( )：无参构造方法（不设置种子）
虽然表面上看我们未设置种子，但Random构造方法里有一套自己的种子生成机制。参照内部源码如下
public Random() { this(seedUniquifier() ^ System.nanoTime()); } private static long seedUniquifier() { // L'Ecuyer, "Tables of Linear Congruential Generators of // Different Sizes and Good Lattice Structure", 1999 for (;;) { long current = seedUniquifier.get(); long next = current * 181783497276652981L; if (seedUniquifier.compareAndSet(current, next)) return next; } } private static final AtomicLong seedUniquifier = new AtomicLong(8682522807148012L);
这个其实就是取当前毫秒值，然后通过“线性同余算法”来生成的一个数字。下面摘抄了生成种子的过程，仅供参考：
1、获得一个长整形数作为“初始种子”（系统默认的是8682522807148012L）
2、不断与一个变态的数——181783497276652981L相乘（天知道这些数是不是工程师随便滚键盘滚出来的-.-）得到一个不能预测的值，直到 能把这个不能事先预期的值 赋给Random对象的静态常量seedUniquifier 。因为多线程环境下赋值操作可能失败，就for(;;)来保证一定要赋值成功
3、与系统随机出来的nanotime值作异或运算，得到最终的种子
因为取了机器当前的纳秒值nanoTime，所以不管运行多少次，出现的值都是不一样的。但是由于这随机数是通过算法计算出来的，所以其实是有规律性的，如果精通这个算法，是可以推测出下一个值是什么，所以我们才叫这种叫伪随机数。
