该算法的功能明显不同于其他两个——它充分利用现有采样点逐步生成新的采样点，而不是在整个采样区域随机生成新的采样点。这使其进展具有准生物学外观，如在培养皿中分裂的细胞。注意，也没有采样点彼此太接近；这是定义由算法实施的泊松盘分布的最小距离约束。

　　这就是它的工作原理：

　　红点表示“活跃”采样点。在每次迭代中，从所有活跃采样点的集合中随机选择一个。然后，在围绕所选采样点的环内随机生成一些数量的候选采样点（用空心黑点表示）。环从半径r延伸到2r，其中r是样本之间的最小允许距离。

　　来自现有采样点的距离r内的候选采样点被拒绝；这个“禁止区”以灰色显示，用黑线连接将被拒绝的候选采样点和附近的现有采样点。网格加速每个候选采样点的距离检查。网格尺寸r /√2确保每个单元可以包含至多一个采样点，并且仅需要检查固定数量的相邻单元。

　　如果候选采样点是可以接受的，它被添加作为一个新的采样点，然后随机选择一个新的活跃采样点。如果没有一个候选采样点是可以接受的，所选择的活跃采样点被标记为无效（颜色从红色变为黑色）。当没有采样点保持活跃时，该算法终止。

　　面积用着色表示的Voronoi图显示了泊松盘采样算法相对于最佳候选算法的改进，没有深蓝色或浅黄色细胞：

　　泊松盘采样下的《星夜》最大地保留了细节和引入了最少的噪音。它让人想起美丽的罗马马赛克：

　　现在，你已经看到了一些例子，让我们简要地思考一下为什么要把算法可视化。

　　▼娱乐

　　我发现可视化的算法有无穷的魅力，甚至令人着迷。特别是在涉及随机性时。虽然这看似是一个牵强的理由，但不要低估了快乐的价值！此外，尽管这些可视化甚至在不理解基础算法的情况下也可以参与，但是掌握算法的重要性可以给出更深的理解。

　　▼教学

　　你发现代码或动画更有帮助吗？伪代码（ 不能编译的代码的委婉语）怎么样？ 虽然形式描述在明确的文档中有它的位置，可视化可以使直观的理解更容易。

　　▼调试

　　你有没有实现基于形式描述的算法？ 可能很难！ 能够看到你的代码在做什么可以提高生产力。 可视化不能取代测试需求，但测试主要用于检测故障而不是解释它。即使输出看起来正确，可视化还可以在实现过程中发现意外的表现（参看Bret Victor的《可学习的编程》和为了优秀的相关工作的《发明原理》）。

　　▼学习

　　即使你只是想为自己学习，可视化会是一个很好的方式来得到深刻的理解。教学是最有效的学习方法之一，实现可视化就像教自己。我发现看到它，而不是熟记小而容易忘记细节的代码，更容易直观地记住一个算法。

　　洗牌

　　洗牌是随机重新排列一组元素的过程。例如，你可以在打牌之前洗牌。一个好的洗牌算法是无偏的，其中每个排序都有相同的可能性。

　　Fisher-Yates shuffle是一个最佳的洗牌算法。 它不仅是无偏的，而且在线性时间内运行，使用恒定的空间，并且易于实现。

　　▼代码如下——

　　function shuffle(array) {

　　varn = array.length, t, i;

　　while (n) {

　　i= Math.random() * n-- | 0; // 0 ≤ i < n

　　t= array[n];

　　array[n] = array[i];

　　array[i] = t;

　　}

　　return array;

　　}

　　以上是代码，下面是一个可视化的解释：