大师在抢红包，法式员在研讨红包算法

大年节全天微信誉户红包总发送量到达10.1亿次，摇一摇互动量到达110亿次，红包峰值发送量为8.1亿次/分钟。

抛开微信红包的市场代价不谈，红包自身的算法也激发了热议，由于官方不给出明白的说法，各家也是众说纷繁，小编上面也为大师带来几种阐发。

起首看看数据阐发帝

大大都人都做出自身的预测，这也是在不晓得外部随机算法的时辰的独一挑选，可是大大都人不给出自身亲身的查询拜访成果。这里给出一份100样本的查询拜访抽样样本数据，并提出自身的预测。

1. 钱包钱数知足截尾正态随机数散布。大抵为在截尾正态散布中取随机数，并用其乞降数除以总代价，取得批改因子，再用批改因子乘上一切的随机数，获得红包代价。

这类散布象征着：低于均匀值的红包多，可是离均匀值不远；高于均匀值的红包少，可是弘远于均匀值的红包偏多。

图1. 钱包代价与其频次散布直方图及其正态拟合

但看散布直方图并不能推出它合适正态散布，可是斟酌到法式的简练性和随机数的合感性，这是最符合道理的一种预测。越是前面的钱包，代价遍及更高

图2. 钱包序列数与其代价干系曲线

从图2中的线性拟合红线能够或许看到，钱包代价的整体变更趋向是在渐渐增大，其变更规模约莫是一个绿色虚线高低界划出的“通道”。(曲线能够或许被围在这么一个正符合惯例的“通道”中，也从正面反应了纪律1的合感性，说了然并不是均匀散布的随机数)从另外一个均匀数的图中也能够或许看出这一纪律。

图3. 均匀数随序列数的变更曲线

在样本中，1000代价的钱包被分红100份，均值为10。可是在图3中咱们能够或许看到在最初一个钱包之前，均匀数一向低于10，这就说了然一起头的钱包代价偏低，一向被后期的钱包代价拉着往上走，后期的钱包代价更高。

3. 固然均匀数的图还能够或许流露出另外一个纪律，那便是最初的那一小我常常轻易交运抽得比拟多。由于最初那一小我是钱包剩下几多就拿几多的，而之前一切人的均匀数 都低于10，以是最少保障了最初一小我会高于均匀值。在本样本中，98号钱包抽到35，而最初一份钱包抽到46。

综上，根据样本预测：

1. 抽到的钱大大都时辰跟别人一样少，但一旦一多，就轻易多良多。2. 越是抽前面的钱包，钱越轻易多。 3. 最初一小我常常轻易撞大运。

点评：这类较着很现实有差别，小编每次不论甚么时辰抢都是几毛钱。

第二位同窗写了一个简略python 代码

据察看，红包分钱知足以下几点：

1.不会有人拿不到钱

2.不会提早分完

3.钱的动摇规模很大

红包在一起头建立的时辰，分派计划就订好了。抢红包的时辰，不过是挨个pop up罢了。

是以 python 代码以下：

def weixin_divide_hongbao(money, n): divide_table = [random.randint(1, 10000)for x in xrange(0, n)] sum_ = sum(divide_table) return [x*money/sum_ for x in divide_table] 

不过上述算法另有两个小题目：

1.浮点数精度题目

2.边境值的处置

第三位同窗根据网下流传的python写了一个java的版本

int j=1; while(j<1000) { int number=10; float total=100; float money; double min=0.01; double max; int i=1;  List math=new ArrayList(); while(i<number) {  max = total- min*(number- i); int k = (int)((number-i)/2); if (number -i <= 2) {k = number -i;} max = max/k; money=(int)(min*100+Math.random()*(max*100-min*100+1)); money=(float)money/100; total=total-money; math.add(money); System.out.println("第"+i+"小我拿到"+money+"剩下"+total); i++; if(i==number) { math.add(total); System.out.println("第"+i+"小我拿到"+total+"剩下0"); } }  System.out.println("本轮发红包中第"+(math.indexOf(Collections.max(math))+1)+"小我手气最好"); j++; }

第四位同窗的这类算法看起来很是迷信。

他以为：

1、每小我都要能够或许付出到红包；

2、每小我付出到的红包金额总和=总金额；

3、每小我付出到的红包金额不等，但也不能差的太离谱，不然就没兴趣；

4、算法必然要简略，不然对不起腾讯这个招牌；

正式编码之前，先搭建一个递进的模子来阐发纪律

设定总金额为10元，有N小我随机付出：

N=1

则红包金额=X元；

N=2

为保障第二个红包能够或许一般收回，第一个红包金额=0.01至9.99之间的某个随机数

第二个红包=10-第一个红包金额；

N=3

红包1=0.01至0.98之间的某个随机数

红包2=0.01至(10-红包1-0.01)的某个随机数

红包3=10-红包1-红包2

……

int j=1; while(j<1000) { int number=10; float total=100; float money; double min=0.01; double max; int i=1;  List math=new ArrayList(); while(i<number) {  max = total- min*(number- i); int k = (int)((number-i)/2); if (number -i <= 2) {k = number -i;} max = max/k; money=(int)(min*100+Math.random()*(max*100-min*100+1)); money=(float)money/100; total=total-money; math.add(money); System.out.println("第"+i+"小我拿到"+money+"剩下"+total); i++; if(i==number) { math.add(total); System.out.println("第"+i+"小我拿到"+total+"剩下0"); } }  System.out.println("本轮发红包中第"+(math.indexOf(Collections.max(math))+1)+"小我手气最好"); j++; } 

输入一看，动摇太大，这数据太无趣了！

第1个红包：7.48 元，余额：2.52 元

第2个红包：1.9 元，余额：0.62 元

第3个红包：0.49 元，余额：0.13 元

第4个红包：0.04 元，余额：0.09 元

第5个红包：0.03 元，余额：0.06 元

第6个红包：0.03 元，余额：0.03 元

第7个红包：0.01 元，余额：0.02 元

第8个红包：0.02 元，余额：0 元

改进一下，将均匀值作为随机宁静下限来节制动摇差

int j=1; while(j<1000) { int number=10; float total=100; float money; double min=0.01; double max; int i=1;  List math=new ArrayList(); while(i<number) {  max = total- min*(number- i); int k = (int)((number-i)/2); if (number -i <= 2) {k = number -i;} max = max/k; money=(int)(min*100+Math.random()*(max*100-min*100+1)); money=(float)money/100; total=total-money; math.add(money); System.out.println("第"+i+"小我拿到"+money+"剩下"+total); i++; if(i==number) { math.add(total); System.out.println("第"+i+"小我拿到"+total+"剩下0"); } }  System.out.println("本轮发红包中第"+(math.indexOf(Collections.max(math))+1)+"小我手气最好"); j++; }

输入成果见下图

第1个红包：0.06 元，余额：9.94 元

第2个红包：1.55 元，余额：8.39 元

第3个红包：0.25 元，余额：8.14 元

第4个红包：0.98 元，余额：7.16 元

第5个红包：1.88 元，余额：5.28 元

第6个红包：1.92 元，余额：3.36 元

第7个红包：2.98 元，余额：0.38 元

第8个红包：0.38 元，余额：0 元

小结：

小编感觉这完整能够或许懂得成一个红包激发的血案，小编仅仅罗列了几个，另有一些工程学的同窗间接抛出了数学模子、团圆函数等等，可是不管算法是简略仍是庞杂，玩的高兴就够了。