需用预计算分段线性cdf与静态桶划分实现o(1)首层定位+o(log k)区间内解析求逆，构造piecewise_sampler模板类，支持百万级/秒采样、零动态分配、高局部性。

需要在C++中生成服从指定非均匀概率分布的随机数，且要求每秒能产出百万级以上样本、内存访问局部性好、无动态分配、支持任意分段线性PDF——这必须绕过std::discrete_distribution的堆分配和O(log n)查找，用Piecewise常数/线性CDF逆变换+二分预计算实现。

构建分段线性CDF并预计算逆查找表

第一步：将目标PDF离散化为n个连续区间，每个区间i对应左端点x_i、右端点x_{i+1}、PDF值p_i（常数）或斜率k_i（线性）。【必须保证所有x_i严格递增，且p_i ≥ 0】

第二步：遍历区间，累加面积计算CDF值F_i = ∫_{x₀}^{x_i} PDF(x)dx，存入vector cdf_prefix，长度为n+1；同时记录每个区间的积分表达式（常数区间用p_i*(x_{i+1}-x_i)，线性区间用梯形公式）。

第三步：对cdf_prefix执行std::partial_sum，得到严格递增的CDF节点数组；取其最大值F_max = cdf_prefix.back()，后续所有随机U需缩放到[0, F_max)范围。

实现O(1)首层桶定位 + O(log k)区间内解析求逆

方法一：静态桶划分（推荐）
将[0, F_max)等分为B=64个桶，每个桶存对应CDF值区间[min_F, max_F)及起始索引low_idx；生成U后先用U * B / F_max得桶号，再在该桶覆盖的至多⌈n/B⌉个区间内二分查找首个满足cdf_prefix[i] > U的i——实测B=64时平均比较次数压到3.2次以下。

方法二：线性扫描（仅适用于n ≤ 32）
直接for循环遍历cdf_prefix，找第一个大于U的下标i；虽为O(n)，但n很小时分支预测成功率高，比二分还快。

C++14

C++14 对 C++11 的修正与增强版本，适合旧系统维护和较老工具链兼容。

下载

在定位区间内解析解出原始x值

步骤一：获取区间i对应的CDF子段：已知U落在[cdf_prefix[i], cdf_prefix[i+1])，记delta_U = U - cdf_prefix[i]。

步骤二：若原PDF在该区间为常数p_i，则x = x_i + delta_U / p_i；【此处p_i必须≠0，否则cdf_prefix[i] == cdf_prefix[i+1]，该区间应被预处理剔除】

步骤三：若原PDF为线性：设PDF(x) = a + b·x，则CDF增量为∫_{x_i}^x (a + b·t)dt = a(x−x_i) + b(x²−x_i²)/2，整理成关于x的二次方程b·x²/2 + a·x − (a·x_i + b·x_i²/2 + delta_U) = 0，取在[x_i, x_{i+1}]内的实根。

封装为零成本抽象类模板

定义template class piecewise_sampler { public: explicit piecewise_sampler(vector> segs); Real operator()(); private: vector cdf_prefix; vector bucket_first; vector bucket_last; array bucket_max; }; 构造函数内完成前述所有预计算，operator()内执行U生成→桶定位→区间二分→解析求逆四步流水。

调用时只需piecewise_sampler gen{segments}; auto x = gen(); 这一步操作起来很简单，编译器能将整个流程内联展开为约15条x86-64指令。

C++免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 C++ 的入门与实战技巧！