抽奖活动算法

A. 怎样根据物品价值制定抽奖概率

抽奖概率-三种算法一、逢“几”中奖逢“几”中奖，即通过预估抽奖人数和奖品数来判断，“几”=(抽奖人数/奖品数)*N。这是一种最简单抽奖算法，适合抽奖人数众多，而且互相无联系的情况。如今大为流行的微博转发得奖就常常使用这种算法，即根据转发次数来决定奖品归属，透明而且具有激励性。当然这个“几”也不单只次数，还可能是时间，逢某个时间点就可以抽中，不过这种方案可能产生无人中奖和很多人中奖的情况，时间点的安排很关键！这个时间点一旦公布出去，那就是秒杀，霍霍。。逢“几”中奖有很多弊端，但是非常简单，很容易实现，被很多抽奖活动所采用，有些会公布抽奖规则，激励抽奖，有些则不会公布，其实后台运行的可能也是这个算法，简单高效又不失公平。在信息不透明的情况下，鬼知道你是第几个抽奖的，哈哈。。二、概率抽奖所谓概率抽奖是最容易想到的抽奖算法了，这个概率可以是一成不变的，也可以是一直在变化调整的，最难的是采用多大的概率，何种情况下采用何种概率。这个也没有什么通用的方案，不同的应用场景，所用的概率算法不同。下面介绍一种算法，根据奖品的过期日期来计算它当前时间的中奖率，当时间逐渐接近奖品过期时间时，中奖概率会逐渐发生变化，如果设为1表示线性衰减，2为平方衰减，以此类推。

B. 有哪些经典的抽奖算法

常见的有两种

第一类是常见的有等级的抽奖活动，如一等、二等、三等奖等等

java">//分别为一、二、三、四等将的奖品数量，最后一个为未中奖的数量。
privatestaticfinalInteger[]lotteryList={5,10,20,40,100};

privateintgetSum(){
intsum=0;
for(intv:lotteryList){
sum+=v;
}
returnsum;
}

privateintgetLotteryLevel(){
Randomrandom=newRandom(System.nanoTime());
intsum=getSum();
for(inti=0;i<lotteryList.length;++i){
intrandNum=Math.abs(random.nextInt())%sum;
if(randNum<=lotteryList[i]){
returni;
}else{
sum-=lotteryList[i];
}
}
return-1;
}

第二类是不分等级的抽奖活动，仅需要参与人数与奖品总数，各奖品中奖概率相等。

//另一种抽奖算法，用于公司抽奖，即总参与人数与奖品数固定。
=75;
privatestaticfinalinttotal=175;
privatestaticSet<Integer>lotterySet=newHashSet<Integer>();
static{
for(inti=1;i<=lotteryNum;++i){
lotterySet.add(total*i/lotteryNum);
}
}
privateintgetLotteryNum2(){
Randomrand=newRandom(System.nanoTime());
intrandNum=Math.abs(rand.nextInt())%total;
if(lotterySet.contains(randNum)){
returnrandNum*lotteryNum/total;
}
return-1;
}

C. 抽奖活动的中奖几率是怎么算的

中奖的概率就是用奖品的数量除以参与抽奖的总人数，得到的结果就是抽到该奖品的中奖概率。如果参与抽奖人数有800个人，奖品有5件，那么中奖的概率就是：5/800=0.625%。

在国内彩市中头奖概率最低的是大乐透玩法，概率仅为2142万分之一。其次是双色球的头奖中出概率，为1772万分之一。

而美国最热门的两大彩种之一，兆彩（超级百万）的中头奖概率为1.75亿分之一，堪称史上难度最大的彩票玩法，也就是说，美国兆彩中头奖的概率仅为双色球的1/9.86。

概率，亦称“或然率”，它是反映随机事件出现的可能性大小。随机事件是指在相同条件下，可能出现也可能不出现的事件。

例如，从一批有正品和次品的商品中，随意抽取一件，“抽得的是正品”就是一个随机事件。设对某一随机现象进行了n次试验与观察，其中A事件出现了m次，即其出现的频率为m/n。

经过大量反复试验，常有m/n越来越接近于某个确定的常数（此论断证明详见伯努利大数定律）。该常数即为事件A出现的概率，常用P
(A) 表示。

D. 概率算法

最近做了一个活动抽奖需求，项目需要控制预算，概率需要分布均匀，这样才能获得所需要的概率结果。
例如抽奖得到红包奖金，而每个奖金的分布都有一定概率：

现在的问题就是如何根据概率分配给用户一定数量的红包。

算法思路 ：生成一个列表，分成几个区间，例如列表长度100，1-40是0.01-1元的区间，41-65是1-2元的区间等，然后随机从100取出一个数，看落在哪个区间，获得红包区间，最后用随机函数在这个红包区间内获得对应红包数。

时间复杂度 ：预处理O(MN)，随机数生成O(1)，空间复杂度O(MN)，其中N代表红包种类，M则由最低概率决定。

优缺点 ：该方法优点是实现简单，构造完成之后生成随机类型的时间复杂度就是O(1)，缺点是精度不够高，占用空间大，尤其是在类型很多的时候。

算法思路 ：离散算法通过概率分布构造几个点[40, 65, 85, 95,100]，构造的数组的值就是前面概率依次累加的概率之和。在生成1~100的随机数，看它落在哪个区间，比如50在[40,65]之间，就是类型2。在查找时，可以采用线性查找，或效率更高的二分查找。

算法复杂度 ：比一般算法减少占用空间，还可以采用二分法找出R，这样，预处理O(N)，随机数生成O(logN)，空间复杂度O(N)。

优缺点 ：比一般算法占用空间减少，空间复杂度O(N)。

算法思路 ：Alias Method将每种概率当做一列，该算法最终的结果是要构造拼装出一个每一列合都为1的矩形，若每一列最后都要为1，那么要将所有元素都乘以5（概率类型的数量）。

此时会有概率大于1的和小于1的，接下来就是构造出某种算法用大于1的补足小于1的，使每种概率最后都为1，注意，这里要遵循一个限制：每列至多是两种概率的组合。

最终，我们得到了两个数组，一个是在下面原始的prob数组[0.75,0.25,0.5,0.25,1]，另外就是在上面补充的Alias数组，其值代表填充的那一列的序号索引，（如果这一列上不需填充，那么就是NULL），[4,4,0,1,NULL]。当然，最终的结果可能不止一种，你也可能得到其他结果。

举例验证下，比如取第二列，让prob[1]的值与一个随机小数f比较，如果f小于prob[1]，那么结果就是2-3元，否则就是Alias[1]，即4。

我们可以来简单验证一下，比如随机到第二列的概率是0.2，得到第三列下半部分的概率为0.2 * 0.25，记得在第四列还有它的一部分，那里的概率为0.2 * (1-0.25)，两者相加最终的结果还是0.2 * 0.25 + 0.2 * (1-0.25) = 0.2，符合原来第二列的概率per[1]。

算法复杂度 ：预处理O(NlogN)，随机数生成O(1)，空间复杂度O(2N)。

优缺点 ：这种算法初始化较复杂，但生成随机结果的时间复杂度为O(1)，是一种性能非常好的算法。