自 Spotify 服务推出以来，我们使用 Fisher-Yates shuffle 来生成播放列表的 完全随机随机 播放。
Fisher-Yates shuffle 是最漂亮的随机算法之一，令人惊讶的是，如此复杂的问题可以解决在某些编程语言中用 3 行代码解决。这是通过使用最佳操作次数和最佳随机数来实现的。
收听音乐的用户并不喜欢完美的随机性。
算法
这似乎是一个以前必须由其他人解决的问题。事实上，我们发现了一篇博客文章 The art of shuffling music by Martin Fiedler，它解决了同样的问题。但是，他的算法很复杂，在某些情况下可能会非常慢，因此我们对其进行了修改以更好地满足我们的需求。
主要思想与抖动中使用的方法非常相似。假设我们有一张黑白图片，使用了几百个灰色阴影。
我们想通过仅使用黑色和白色两种颜色的像素来进一步简化图片。我们可以使用 随机采样：假设一个像素有 80% 的灰色阴影，那么它将有 80% 的机会变成黑色，20% 的机会变成白色。我们一个一个地处理像素，并根据原始灰度为每个像素随机决定其新颜色。然而，结果远不能令人满意。
如您所见，黑色像素形成簇，并且还有大白点。如果黑点和白点分布得更均匀一些就更好了。Floyd–Steinberg 抖动等其他算法 避免了聚类并产生了更好的结果。
在上一张图片中看到的集群几乎完全消失了。
我们可以从抖动算法中获得灵感来解决同一艺术家的歌曲集群问题；我们将尝试将它们分布在整个播放列表中。
详细点击标题
用户反馈：
1、我不得不说，他们为洗牌所做的事情真的很糟糕。我有一个很大的健身房播放列表，经常听到相同的曲目，通常顺序相同，现在需要向下滚动并在随机曲目上按播放才能获得“新”顺序。
我理解他们所做的事情的动机，一个加权洗牌，只是在那个洗牌中使用我最听/最受欢迎的是愚蠢的。
2、这是我对 Spotify 的不满。我有一个播放列表，其中包含大约 800 首我喜欢的歌曲。它总是从大约 100 首最近添加的歌曲中播放。给我完全随机的。
3、我相信 Spotify 积极建议用户缓存歌曲作为带宽/成本节省措施。
我切换到 Apple Music 并用我最少播放的歌曲创建了一个智能播放列表，我对它的多样性感到非常满意。
4、多年前我放弃 Spotify 的原因之一是他们的 shuffle 非常糟糕。