После почти одного дня борьбы я нашел решение в совершенно отдельной теме WSO2. Включить синхронизацию артефактов
В этой теме они просят создать общий ресурс SMB (для Windows) для каталога развертывания и клиентов, для целей APIM нам необходимо создать общий ресурс SMB для каталога / repositiry / deploy / server каталог.
Это всего лишь одна команда, чтобы создать символическую ссылку, как показано ниже:
mklink /D /repositiry/deployment/server D:\WSO2\Shared\deployment\server
Нам нужно создать символическую ссылку в обоих узлах, чтобы указывать на одно и то же местоположение.
После этого не нужно вносить никаких изменений в конфигурацию на стороне APIM. Он будет работать по умолчанию, и у вас настроен следующий сценарий.
Как указал Дэвид, в поставляемом генераторе псевдослучайных чисел используется равномерное распределение.
Для остальных во-вторых, я бы использовал библиотечные функции Cern Colt :
Эти библиотечные функции легко позволяют вам найти случайное число, взятое из каждого распределения, а не дать вам функция плотности вероятности или кумулятивная функция плотности и ожидающая, что вы получите число самостоятельно (что, похоже, является подходом Apache Commons-Math):
RandomEngine engine = new DRand();
Poisson poisson = new Poisson(lambda, engine);
int poissonObs = poisson.nextInt();
Normal normal = new Normal(mean, variance, engine);
double normalObs = normal.nextDouble();
Также имейте в виду, что распределение Пуассона P (λ) для больших λ может быть очень хорошо аппроксимируется нормальным распределением N (λ, sqrt (λ)).
Стандартный Java RNG ( java.util.Random ) и его подклассы, такие как java.security.SecureRandom уже генерирует равномерно распределенные значения.
У них также есть метод, nextGaussian , который возвращает нормально распределенные значения. По умолчанию распределение имеет среднее значение нуля и стандартное отклонение 1, но это тривиально подправлено. Просто умножьте на требуемый сд и добавьте требуемое среднее. Так, например, если вам нужны нормально распределенные значения со средним значением 6 и стандартным отклонением 2,5, вы должны сделать это:
double value = rng.nextGaussian() * 2.5 + 6;
Распределение Пуассона явно не поддерживается, но вы можете подделать его, выполнив то же самое, что и Tom's Python code .
В качестве альтернативы, вас может заинтересовать моя библиотека необычных математик ,
На самом деле стандартный генератор предназначен для равномерного распределения. Базовый генератор случайных чисел в любом языке / библиотеке всегда (во всех известных мне случаях) будет использовать равномерное распределение, потому что это то, что исходит из всех популярных алгоритмов генератора псевдослучайных чисел - в основном, однородные случайные числа являются самыми простыми.
Я вижу, что Эдди уже указал вам ссылку на другие дистрибутивы, поэтому я пропущу написание остальной части этого ...
Позвольте мне предварить все это тем фактом, что все это не является действительно случайным, я говорю о генераторах псевдослучайных чисел
Позвольте мне также сказать, что мне никогда не приходилось делать это для производственного кода качества. Я сделал это для назначения hw, хотя, в Python. Я моделировал пуассоновские случайные величины.
В способе, которым я это сделал, использовались следующие факты:
В частности, вы можете использовать тот факт, что: если X 1 , ..., X n являются независимыми стандартными экспоненциальными случайными величинами, тогда Z = min (k: X 1 + ...