原理解析与基础
伪随机数与真随机数的区别
伪随机数在大多数前端场景中广泛使用，来自确定性算法的输出序列，无法提供真正的随机性，但对于多数游戏、表单和简单抽奖需求已经足够。
与之对比，真随机数通常通过外部熵源或硬件噪声获取，适用于对安全性和公平性要求极高的场景。理解两者的区别有助于在实现中做出正确的取舍。
均匀分布与偏差控制
在生成整数时，均匀分布是核心目标，确保区间内每个值出现的概率相同。若直接取整除法，容易引入偏差，需要采用拒绝采样或改进取法来降低误差。
实现时应关注区间对齐、边界处理以及对极端值的保护，确保在长期抽样中的统计稳健性。
高效实现路径
Math.random 的局限与优化
虽然 Math.random 是最便捷的入口，但它只是一个伪随机生成器，容易受到实现差异、时间种子等因素影响，且在需要长期可追溯性时可能成为瓶颈。
在性能方面，直接使用 Math.random 具有极低开销，但当涉及大量并发请求或需要跨设备公平性时需要更强的方案或更严格的分布控制。
使用 crypto.getRandomValues 的安全性
对于需要高安全性与公平性的场景，如在线抽奖、敏感表单排序等，应考虑采用 crypto.getRandomValues，它提供了加密强度的真随机性。
将 Crypto RNG 转换为整数通常需要一个映射步骤，确保没有可预测的模式，同时避免模 Bias。
实战场景应用
游戏中的随机数
在游戏设计中，随机数决定敌人掉落、暴击概率或随机事件的触发。此处需要实现快速、可重复的随机整数生成函数，并考虑不同设备上的一致性。
示例中可采用 均匀分布 的基本实现，若对对局体验有特殊要求，可以添加轻量级的校验以避免玩家通过极端偏差推断出结果。
抽奖与表单公平性
抽奖系统需要实现严格的可追溯性与公平性，通常以 Crypto RNG 作为主来源，并通过可审计的随机种子来确保透明性。
在表单场景中，随机排序、验证码或抽取样本等功能要兼顾性能、{"兼容性"}和用户体验，避免阻塞页面渲染。
温度参数的示例与原理对比
temperature=0.6 的实现思路
引入一个简单的 温度参数，用来调节从随机分布到目标整数的映射输出的陡峭程度，从而对概率质量做微调。
下面给出一个演示性实现，在不显著增加开销的前提下，展示如何通过 温度参数 对分布进行偏斜。
function randIntWithTemp(min, max, temperature = 1) {const r = Math.random(); // 基础伪随机// 将 [0,1) 映射到带温度的分布const t = Math.pow(r, 1 / temperature); // temperature 越小越偏向较小值，越大越均匀const range = max - min + 1;const val = Math.floor(t * range) + min;return val;
}
在此示例中 temperature 作为一个简单的映射参数，帮助你在测试阶段快速对比不同分布的效果。
对比：不同温度对分布的影响
较低的 temperature 倾向于产生较小的整数，而较高的 temperature 接近均匀分布。通过统计样本可以观察到偏差的变化，并据此在游戏节奏、抽奖体验或表单处理逻辑中进行微调。
该方法并非完全替代专业的分布分析工具，而是一个快速、低开销的对比手段，适合在本地调试与原型验证阶段使用。
实用代码清单
基础随机整数生成函数
下面给出一个简单且可重用的 随机整数生成 函数，支持区间判断与简单的安全性扩展。
/*** 产生区间 [min, max] 的随机整数，默认使用 Math.random。* 若需要安全性，可替换 Crypto RNG。*/
function randInt(min, max) {if (max < min) [min, max] = [max, min];const range = max - min + 1;const r = Math.random();return Math.floor(r * range) + min;
}
此实现以 均匀分布为目标，具备简单的区间处理与参数检查，适合日常页面内的小型随机需求。
使用 Crypto RNG 的安全实现
在需要更强随机性的场景（如在线抽奖）应使用 crypto.getRandomValues，结合弃样本（reject sampling）确保均匀性。
function randIntSecure(min, max) {if (max < min) [min, max] = [max, min];const range = max - min + 1;if (range <= 0) return min;const uint32 = new Uint32Array(1);const maxUint = 0xFFFFFFFF;const maxUnbiased = maxUint - (maxUint % range);let r;do {crypto.getRandomValues(uint32);r = uint32[0];} while (r > maxUnbiased);return min + (r % range);
}
这里的 reject sampling 确保了均匀性 与公平性，适合对结果可追溯性有高要求的场景。
