Random类和Math.random生成的随机数

简介: Random类和Math.random生成的随机数

Random这个类包含于(import java.util.Random;)

Random random=new Random();

Random产生随机数是伪随机数,产生的随机数是根据时间戳作为种子而产生一个32位的随机数所以范围是-2147483648~2147483647,如果每次的种子相同产生的随机数就是相同的,我们也可以主动设置种子,在new Randow(seed:num)填入num,也可以改变产生随机数的范围

int num=random.nextInt();

在()中间填入值,注意!随机数值是前闭后开的区间。

boolean nextBoolean()返回下一个伪随机数,从这个随机数发生器的序列中均匀分布 boolean值。
void nextBytes(byte[] bytes)生成随机字节并将它们放入用户提供的字节数组中。
double nextDouble()返回下一个伪随机数,从这个随机数发生器的序列中 0.01.0之间的 double0.0分布。
float nextFloat()返回下一个伪随机数,从这个随机数发生器的序列中 0.01.0之间的 float0.0分布。
double nextGaussian()从该随机数发生器的序列返回下一个伪随机数,高斯(“正”)分布 double值,平均值为 0.0 ,标准差为 1.0
int nextInt()返回下一个伪随机数,从这个随机数发生器的序列中均匀分布 int值。
int nextInt(int bound)返回伪随机的,均匀分布 int值介于0(含)和指定值(不包括),从该随机数生成器的序列绘制。
long nextLong()返回下一个伪,均匀分布 long从这个随机数生成器的序列值。
void setSeed(long seed)使用单个 long种子设置该随机数生成器的种子。


Math.random

产生一个double类型01.0不包括1.0的随机数字 Random产生随机数是伪随机数,产生的随机数是根据时间戳作为种子而产生一个32位的随机数所以范围是-21474836482147483647,如果每次的种子相同产生的随机数就是相同的,我们也可以主动设置种子,在new Randow(seed:num)填入num,也可以改变产生随机数的范围

double mathRandom = Math.random();

我们要想转化为int或者其他类型需要进行强转

相关文章
|
XML JSON 前端开发
dom4j - 使用详解与xml-json转换
dom4j - 使用详解与xml-json转换
296 1
|
存储 监控 安全
单点登录的安全性如何保证?有哪些常见的安全风险
单点登录的安全性如何保证?有哪些常见的安全风险
895 2
|
安全 前端开发 Devops
【devops】七、集成Sonar Qube(上)
【devops】七、集成Sonar Qube(上)
400 0
|
安全 Java Python
sonarqube扫描Python项目代码
sonarqube扫描Python项目代码
sonarqube扫描Python项目代码
|
6月前
|
存储 缓存 人工智能
《让内容“活”起来:Flutter社交应用瀑布流布局的破界实践》
瀑布流布局是社交应用中常见的展示方式,如Instagram、Pinterest和小红书等,以其自然韵律的视觉效果深受用户喜爱。在Flutter中实现这一布局需深入理解Box与Sliver体系,Viewport管理不同高度子项,确保布局和谐且富有变化。传统方案基于SliverMultiBoxAdaptor,但存在性能瓶颈;创新方案通过分页加载、懒加载优化内存管理,并结合缓存机制提升效率。未来,结合AI技术的瀑布流布局将更加智能化,为用户提供个性化社交体验。
161 4
|
安全 物联网 Linux
带你读《物联网渗透测试》之三:固件分析与漏洞利用
本书介绍物联网渗透测试的原理和实用技术。主要内容包括IOT威胁建模、固件分析及漏洞利用、嵌入式web应用漏洞、IOT移动应用漏洞、IOT设备攻击、无线电入侵、固件安全和移动安全最佳实践、硬件保护以及IOT高级漏洞的利用与安全自动化。
|
7月前
|
数据采集 JavaScript 前端开发
Pyppeteer实战:基于Python的无头浏览器控制新选择
本文详细讲解了如何使用 Pyppeteer 结合爬虫代理高效采集小红书热点推荐信息。通过设置代理 IP、Cookie 和自定义 User-Agent,突破目标网站的反爬机制,实现标题、内容和评论的数据提取。文章结合代码示例与技术关系图谱,清晰展示从数据采集到分析的全流程,为复杂网站的数据获取提供参考。读者可在此基础上优化异常处理、并发抓取等功能,提升爬虫性能。
458 8
|
消息中间件 druid Kafka
从Apache Flink到Kafka再到Druid的实时数据传输,用于分析/决策
从Apache Flink到Kafka再到Druid的实时数据传输,用于分析/决策
295 0
|
SQL 关系型数据库 数据库
【一文搞懂PGSQL】4.逻辑备份和物理备份 pg_dump/ pg_basebackup
本文介绍了PostgreSQL数据库的备份与恢复方法,包括数据和归档日志的备份,以及使用`pg_dump`和`pg_basebackup`工具进行逻辑备份和物理备份的具体操作。通过示例展示了单库和单表的备份与恢复过程,并提供了错误处理方案。此外,还详细描述了如何利用物理备份工具进行数据损坏修复及特定时间点恢复(PITR)的操作步骤,以应对误操作导致的数据丢失问题。
|
机器学习/深度学习 计算机视觉
【YOLOv8改进 - 注意力机制】ECA(Efficient Channel Attention):高效通道注意 模块,降低参数量
YOLO目标检测专栏聚焦模型创新与实战,介绍了一种高效通道注意力模块(ECA),用于提升CNN性能。ECA仅用少量参数实现显著性能增益,避免了维度缩减,通过1D卷积进行局部跨通道交互。代码实现展示了一个ECA层的结构,该层在多种任务中展现优秀泛化能力,同时保持低模型复杂性。论文和代码链接分别指向arXiv与GitHub。更多详情可查阅CSDN博主shangyanaf的相关文章。