本文介绍一种高效、可控的方法，生成一组满足行和为1且列均值精确等于给定目标（如[0.5, 0.5, 0.0]）的随机概率数组，适用于蒙特卡洛模拟、分布鲁棒优化等场景。
本文介绍一种高效、可控的方法，生成一组满足行和为1且列均值精确等于给定目标（如[0.5, 0.5, 0.0]）的随机概率数组，适用于蒙特卡洛模拟、分布鲁棒优化等场景。
在概率建模与随机采样中，常需生成多个满足硬约束的随机概率向量：每行必须是合法概率分布（非负、元素和为1），同时整体样本的列均值需严格匹配预设目标（如 [0.5, 0.5, 0.0]）。这与标准 Dirichlet 采样不同——Dirichlet 只能控制期望均值（由浓度参数决定），无法保证有限样本的实际均值精确达标。
关键洞察在于：当目标均值含零分量（如第三维恒为 0）时，问题维度可降阶。此时每行形如 [x, 1−x, 0]，仅需控制一维变量 x 的均值为 0.5。具体步骤如下：
-
生成初始独立样本：用
np.random.default_rng().random(size=n)生成n个[0,1)均匀随机数作为第一列候选； -
均值校准：对第一列整体平移
0.5 − mean(x)，使其均值精确为 0.5； -
构造完整行：第二列为
1 − x，第三列为0； -
合法性验证：检查所有元素是否 ∈ [0,1]；若越界（如平移后
x 或x > 1），则重采样（实践中失败概率低，可加 while 循环保障）。
以下是完整可运行示例（支持任意 n 和目标均值）：
[0.4, 0.4, 0.2]
