4
这种混洗算法有什么问题（如果有的话），我怎么知道？
就像背景一样，我知道Fisher-Yates完美的随机播放。它的O（n）复杂度和保证的均匀性是一个很好的改组，如果在允许就地更新数组的环境中使用它，我真是个傻瓜（所以在大多数情况下，如果不是全部，命令式编程环境）。 遗憾的是，函数式编程世界无法让您访问可变状态。 但是，由于Fisher-Yates的缘故，我没有太多关于如何设计改组算法的文献。在解决这个问题的几个地方都做了简短的说明，然后才说“实际上是Fisher-Yates，这是您需要知道的所有内容”。最后，我必须提出自己的解决方案。 我想出的解决方案是这样的，它可以随机排列任何数据列表： 如果列表为空，则返回空集。 如果列表中有单个项目，则返回该单个项目。 如果列表非空，请使用随机数生成器对列表进行分区，然后将算法递归应用于每个分区，以组合结果。 在Erlang代码中，它看起来像这样： shuffle([]) -> []; shuffle([L]) -> [L]; shuffle(L) -> {Left, Right} = lists:partition(fun(_) -> random:uniform() < 0.5 end, L), shuffle(Left) ++ shuffle(Right). （如果对您来说，这看起来像是一种疯狂的快速排序，那么基本上就是这样。） 因此，这就是我的问题：使得费舍尔-耶茨（Fisher-Yates）很难找到改组算法的情况使寻找工具来分析改组算法同样困难。在分析PRNG的均匀性，周期性等方面，我可以找到很多文献，但是关于如何分析混洗的信息却很少。（实际上，我发现的有关分析混洗的一些信息完全是错误的，很容易通过简单的技术来欺骗。） 所以我的问题是：我该如何分析我的改组算法（假设random:uniform()调用是由生成具有良好特征的适当随机数的任务决定的）？我可以使用哪些数学工具来判断，例如，在1..100范围内的整数范围内的100,000次混洗运行是否给了我很好的混洗结果？我已经进行了一些测试（例如，将随机播放中的增量与减量进行比较），但是我想知道更多一些内容。 并且，如果对这种随机播放算法本身有任何见解，也将不胜感激。