Java开发过程中，生成不重复随机数是高频业务需求，**基于洗牌算法生成不重复随机数的时间复杂度最低**，**Set去重方案仅适用于小规模随机数场景**，开发人员可根据业务规模灵活选择实现路径。其实，不同方案的性能差异直接影响系统响应速度，选型前需要明确业务场景的随机数量级与并发要求。

## 一、Java生成不重复随机数的核心逻辑与适配场景
### 1.1 不重复随机数的业务本质与底层要求
不重复随机数的核心要求是生成的数值序列满足唯一性与随机性双重属性，既要避免重复碰撞，也要符合均匀分布的统计学特征。不难发现，Java原生API中自带的Random类、ThreadLocalRandom类，本身生成的随机数存在重复概率，无法直接满足不重复需求，需要通过额外逻辑实现去重或预排序。值得注意的是，业务场景对不重复的要求分为两种：一种是指定范围内的全量不重复随机数，比如从100个候选人中抽取30个无重复名单；另一种是无边界的非连续不重复随机数，比如生成不重复的订单随机ID。这两种场景的实现逻辑存在本质差异，需要针对性选择方案。

### 1.2 随机数生成的合规边界与行业标准
开发人员在生成不重复随机数时，还要关注合规性要求。根据开源中国2024年《Java后端开发趋势报告》数据，国内63%的金融类Java应用要求随机数生成满足密码学安全标准，需要使用SecureRandom类替代普通Random类，避免出现可预测的随机数序列。其实，并非所有场景都需要密码学级别的安全随机数，普通业务场景使用ThreadLocalRandom即可平衡性能与随机性要求，但涉及用户身份验证、资金交易等敏感场景，必须采用合规的安全随机数生成逻辑，避免被攻击者通过随机数规律破解系统。

## 二、主流实现方案的性能对比与选型指南
### 2.1 Collections.shuffle洗牌算法实现不重复随机数
洗牌算法是生成指定范围不重复随机数的主流方案，其核心逻辑是先构造一个包含目标范围内所有数值的有序数组，再通过Collections.shuffle方法打乱数组顺序，从中截取需要的随机数长度。这种方案的优势在于完全避免重复碰撞，随机性符合均匀分布要求，代码实现简洁易维护。根据Gartner 2023年《企业级Java应用性能优化白皮书》数据，82%的企业级Java应用在中小规模不重复随机数场景中采用洗牌算法，因为其时间复杂度为O(n)，性能优于其他去重型方案。比如从1到100的范围内抽取20个不重复随机数，只需构造100长度的数组后打乱，直接截取前20个即可。值得注意的是，洗牌算法的内存占用与目标范围正相关，当目标范围超过10^5量级时，会占用较多堆内存空间，需要结合内存使用情况调整方案。

### 2.2 HashSet去重方案的适用场景与性能瓶颈
HashSet去重是Java开发者最容易想到的入门方案，其核心逻辑是通过循环生成随机数，将数值存入HashSet集合中，利用Set的唯一性特性自动过滤重复值，直到集合大小达到目标随机数数量。其实，这种方案仅适合10^3量级以内的小规模随机数生成场景，随着随机数数量接近范围上限，重复碰撞概率会急剧上升，最终导致循环次数激增，时间复杂度提升至O(nlogn)。比如从1到100的范围内抽取99个不重复随机数，Set去重方案的循环次数可能超过200次，性能远低于洗牌算法。此外，HashSet的底层实现依赖哈希表，当出现哈希冲突时会进一步降低写入效率，大规模场景下不建议采用。

### 2.3 数组标记法实现大规模不重复随机数
数组标记法是针对大规模随机数生成的优化方案，核心逻辑是构造一个布尔类型的标记数组，通过随机数生成器获取索引位置，将已使用的索引标记为true，避免重复抽取。这种方案的时间复杂度为O(n)，内存占用仅为布尔数组的字节数，相比洗牌算法节省3/4的内存空间，适配10^6量级以上的大规模随机数需求。不难发现，国内Java开发者更倾向于使用数组标记法处理高并发下的不重复随机ID生成，开源中国2024年《Java后端开发趋势报告》显示，国内Java后端开发人员选择数组标记法的占比达61%，主要用于电商订单ID、物流运单号的随机生成。此外，开发人员还可以使用BitSet替代普通布尔数组，将内存占用进一步降低至1/8，适合超大规模的随机数生成场景。

### 2.4 三种实现方案的横向对比
以下是三种主流实现方案的核心性能与适配场景对比，帮助开发人员快速选型：
| 实现方案       | 时间复杂度 | 内存占用 | 适配随机数规模 | 核心优势                     |
|----------------|------------|----------|----------------|------------------------------|
| Collections.shuffle洗牌算法 | O(n) | O(n) | 10^5量级以内 | 实现简洁、随机性均匀         |
| HashSet去重法  | O(nlogn)   | O(n)     | 10^3量级以内 | 代码成本低、入门门槛低       |
| 数组标记法     | O(n)       | O(n/8)   | 10^6量级以内 | 内存占用低、适配高并发场景   |

## 三、生产环境下的避坑优化策略
### 3.1 多线程场景下的随机数生成优化
值得注意的是，Java原生的Random类是线程不安全的，多线程环境下并发调用nextInt方法会出现线程竞争问题，导致随机数生成效率下降，甚至出现重复数值。开发人员应优先使用ThreadLocalRandom类替代Random类，ThreadLocalRandom为每个线程分配独立的随机数生成器，避免线程竞争，性能提升可达2倍以上。此外，在分布式系统中生成全局不重复随机数，可结合分布式ID生成算法，比如Snowflake算法，通过时间戳、机器ID、序列号组合实现全局唯一的随机ID，既满足不重复要求，也保证了随机性。

### 3.2 避免内存溢出与性能损耗
开发人员在生成大规模不重复随机数时，要避免构造超出堆内存上限的数组，比如目标范围超过10^7时，使用普通数组会占用超过10MB的内存空间，可能触发Full GC导致系统卡顿。其实，可以采用分段生成策略，将目标范围拆分为多个子范围，分批次生成不重复随机数，降低单次内存占用。另外，使用BitSet替代普通布尔数组可进一步压缩内存，BitSet的每个位仅占用1bit存储空间，10^7量级的随机数生成仅需约1.2MB内存，内存占用仅为布尔数组的1/8。

### 3.3 合规性与随机性校验
涉及金融、支付等敏感业务场景时，开发人员需要使用SecureRandom类生成不重复随机数，保证随机序列符合密码学安全标准，避免被攻击者通过逆向分析破解。其实，SecureRandom类支持多种随机数生成算法，国内合规场景下可选择SM3算法生成随机数序列，满足等保2.0的安全要求。此外，开发人员可以通过卡方检验、 Kolmogorov-Smirnov检验等统计学方法，校验生成的随机序列是否符合均匀分布要求，确保业务场景的随机性合规。

## 四、跨平台适配与国内外方案差异
### 4.1 国内Java环境下的合规适配
国内Java应用开发需要遵循《网络安全法》《数据安全法》的合规要求，随机数生成算法必须使用国家密码管理局认证的标准算法，比如SM2、SM3算法。其实，国内开源框架如Spring Security已内置SM系列算法的支持，开发人员可直接调用相关API实现合规的不重复随机数生成。此外，国内云厂商如阿里云、腾讯云提供的随机数生成服务，可直接对接获取合规的不重复随机序列，降低开发人员的合规校验成本。

### 4.2 国外开源方案的使用指南
国外开源社区提供了多种不重复随机数生成工具类，比如Apache Commons Lang库中的RandomUtils类，可直接生成指定范围的不重复随机数序列。值得注意的是，国外开源方案的随机数生成算法可能不符合国内合规要求，敏感业务场景下需要优先选择国内合规方案。此外，国外开源方案的性能优化主要针对多核CPU架构，开发人员可根据服务器硬件配置调整线程池参数，进一步提升多线程场景下的随机数生成效率。

### 4.3 跨平台部署的一致性保障
跨平台部署Java应用时，开发人员需要保证随机数生成结果的一致性，避免不同操作系统下的随机序列存在差异。其实，开发人员可通过指定随机数生成器的种子值，实现跨平台的随机序列一致性，在测试环境与生产环境使用相同种子值，即可复现完全一致的不重复随机数序列，提升测试效率与问题排查效率。

## 五、实战代码示例与落地指南
### 5.1 洗牌算法实现示例
洗牌算法的代码实现简洁易懂，适合中小规模不重复随机数生成场景，以下是基于Java 8的实现代码：
```java
import java.util.ArrayList;
import java.util.Collections;
import java.util.List;

public class UniqueRandomDemo {
    public static List<Integer> getUniqueRandomByShuffle(int start, int end, int count) {
        List<Integer> numList = new ArrayList<>();
        for (int i = start; i <= end; i++) {
            numList.add(i);
        }
        Collections.shuffle(numList);
        return numList.subList(0, count);
    }
}
```
其实，这段代码仅需3步即可生成不重复随机数：构造有序数组、打乱数组顺序、截取目标数量，开发人员可直接复用或根据业务需求调整范围参数。

### 5.2 数组标记法实现示例
数组标记法适合大规模不重复随机数生成场景，以下是基于BitSet的优化实现代码：
```java
import java.util.BitSet;
import java.util.Random;

public class LargeScaleUniqueRandomDemo {
    public static int[] getUniqueRandomByBitSet(int start, int end, int count) {
        int range = end - start + 1;
        BitSet bitSet = new BitSet(range);
        Random random = new Random();
        int[] result = new int[count];
        int index = 0;
        while (index < count) {
            int randomIndex = random.nextInt(range);
            if (!bitSet.get(randomIndex)) {
                bitSet.set(randomIndex);
                result[index] = start + randomIndex;
                index++;
            }
        }
        return result;
    }
}
```
不难发现，BitSet的使用大幅降低了内存占用，适合10^6量级以上的大规模随机数生成场景，开发人员可根据服务器硬件配置调整range参数的上限。

Gartner《企业级Java应用性能优化白皮书》(2023)
开源中国《Java后端开发趋势报告》(2024)

可以通过多种方式保证生成的随机数不重复。一种方法是使用一个集合（如HashSet）来存储已经生成的随机数，每生成一个随机数就检查集合中是否存在，若存在则重新生成，直到生成唯一的随机数。另一种方法是在一个范围内生成连续的数字列表，使用Collections.shuffle()打乱列表顺序，从中取所需数量的数字，这样生成的数字自然不会重复。

生成不重复随机数的方法

我需要在Java程序中生成一组随机数，但要求这些随机数彼此不重复，应该怎样实现？

如何在Java中生成不重复的随机数？

Random类生成的随机数根据种子值和调用次数产生，不能保证生成的数不重复。如果需要避免重复，可以结合使用数据结构来记录已生成的数字，或者改用SecureRandom增强随机性。也可以将随机数生成的范围限制得更适中，避免过多生成导致重复概率增大。

减少随机数重复出现的技巧

使用Java的Random类生成随机数时，有时会出现重复，如何调整代码避免这种情况？

Java中如何避免调用Random时生成重复值？

可以先创建一个数字列表表示所有可能的编号，然后将列表打乱，这样可以保证顺序独特且随机。若数值范围大且不能全部加载内存，采用数据库或文件系统存储已使用号码，并每次生成新号码后检查记录，确保唯一性。还可以考虑使用UUID类生成全局唯一标识符，避免数字重复问题。

管理唯一随机数序列的技巧

在项目中需要一组唯一的随机数，用于标识或编号，该如何管理和生成这类数列？

Java中如何有效管理和生成唯一的随机数序列？

PingCodeDocs

本文围绕Java生成不重复随机数的核心需求，梳理了洗牌算法、Set去重法、数组标记法三种主流实现方案，通过对比表格分析各方案的性能适配场景，结合权威行业报告的数据指出洗牌算法是中小规模场景的最优选择，数组标记法更适配大规模随机数生产，并分享了生产环境中的线程安全优化、内存规避策略与合规适配方案，同时提供可落地的实战代码示例，为Java开发者提供全面的选型与优化指南。

java如何不是随机数重复的

用户关注问题