random helper：范围、权重随机算法

inlay::random

https://github.com/kinly/random_helper.git

一个高性能、线程安全的 C++ 随机数工具库，支持线程局部随机引擎、通用区间采样函数 range，以及三种不同策略的权重采样器（Alias、Expansion、Binary）。

特性 Features

💡 线程局部随机引擎封装：thread_rng()
🎲 通用区间采样函数：range(min, max)
📦 三种权重采样器：
- weight_faster_alias: O(1) 采样，适合频繁调用
- weight_faster_expansion: 极致快速采样，适合小权重集合
- weight_faster_binary: 适合通用场景，支持整数/浮点权重

示例 Example

#include "random.hpp"
#include <iostream>

int main() {
  std::vector<int> values{1, 2, 3, 4};
  std::vector<double> weights{0.1, 0.2, 0.3, 0.4};

  inlay::random::weight_faster_alias<int> sampler(
      values.begin(), values.end(),
      weights.begin(), weights.end()
  );

  for (int i = 0; i < 10; ++i) {
    std::cout << sampler() << " ";
  }
}

性能比较 Benchmark

方法	初始化复杂度	采样复杂度	适用场景说明
`Alias`	O(n)	O(1)	高频采样、浮点权重
`Expansion`	O(n × w)	O(1)	小权重集合、最快采样
`Binary`	O(n)	O(log n)	通用、整数权重优先

编译要求

C++20 及以上（仅少量语法）
无第三方依赖（仅 STL）

TODO

添加更多采样策略支持
支持分布策略插件式扩展

信息备忘

引擎（Engine）：像是一台骰子机，不停地吐出“基础随机数”。

分布（Distribution）：是一个数学过滤器，告诉你“这些随机数应该分布成什么样子”。

如何选择随机引擎

应用场景	推荐引擎	原因
游戏中的非关键随机行为	default_random_engine 或 minstd_rand	快速，易于使用
科学模拟	mt19937 或 ranlux48	高质量随机数
加密相关	❌ 不使用这些引擎	请使用 std::random_device + 专业加密库
教学 / 学习	minstd_rand, knuth_b	简单，容易理解
嵌入式系统	minstd_rand0	小内存，占用低
跨平台一致性要求	明确指定 mt19937 并使用固定种子	保证可重现性

常见分布种类及用途

分布名称	类名	描述	典型用途
均匀整数分布	std::uniform_int_distribution	等概率生成某范围内的整数	抽奖、骰子、游戏事件
均匀实数分布	std::uniform_real_distribution	生成实数范围内等概率值	物理模拟、归一化值
伯努利分布	std::bernoulli_distribution	成功概率 p 的二项分布（0 或 1）	掷硬币、概率判断
二项分布	std::binomial_distribution	n 次试验中成功次数	离散事件成功次数模拟
几何分布	std::geometric_distribution	成功一次前失败的次数	等待第一次成功的模型
泊松分布	std::poisson_distribution	单位时间内事件发生次数	网络包、电话中心模拟
正态分布（高斯）	std::normal_distribution	钟形曲线	噪声、误差模拟、机器学习初始化
对数正态分布	std::lognormal_distribution	变量对数正态分布	股票收益、金融模型
指数分布	std::exponential_distribution	时间间隔模拟	排队、寿命建模
gamma 分布	std::gamma_distribution	广义泊松时间间隔	生物模型、贝叶斯方法
Weibull 分布	std::weibull_distribution	产品寿命分析	工业可靠性
extreme value 分布	std::extreme_value_distribution	极端事件概率	风速、洪水预测