洗牌偏差检测：找出最被高估的排列

蒙特卡洛模拟里有一类极其隐蔽的 bug：你以为自己在均匀洗牌，但你写的洗牌函数其实有偏。这种 bug 在交易策略回测、组合实验、A/B 测试随机分组等场景都出现过——某个本该等概率出现的事件被持续高估或低估，模拟结果和现实悄悄走偏，而你完全不知道。本题的目标是模拟一个标准的「偏差侦测」流程：给一个已知有偏的洗牌函数，跑大量样本，统计每个排列出现频次，找出最被高估的那一个。

stub.py 里给了一个故意写错的洗牌函数 biased_shuffle(deck, rng)：

def biased_shuffle(deck, rng):
    n = len(deck)
    a = list(deck)
    for i in range(n):
        j = rng.randrange(n)        # bug: 应该是 rng.randrange(i, n)
        a[i], a[j] = a[j], a[i]
    return tuple(a)

这是经典的「naive shuffle」错误：对每个位置 i，j 是从 整个 [0, n) 里抽，而正确的 Fisher-Yates 应该从 [i, n) 里抽。直观地讲，这版洗牌总共有 $n^n$ 条等概率执行路径，但只有 $n!$ 个不同的排列结果，$n^n$ 不能被 $n!$ 整除（除了 $n=1, 2$ 这种边界情况），所以分配给各排列的路径数必然不均等。具体到 $n=3$：27 条路径分配为 {4, 4, 4, 5, 5, 5}——三个排列每个占 5/27、另外三个每个占 4/27，前者的真实概率是 0.1852、后者只有 0.1481，相差近 25%。

请实现 solution(D, K, seed) -> list[int]：用一个 random.Random(seed) 跑 K 次 biased_shuffle((0, 1, ..., D-1), rng)，统计每个排列出现的次数 $c(p)$，对每个观察到的排列 $p$ 计算

$$\mathrm{excess}(p) \;=\; c(p) - \frac{K}{D!}$$

返回 excess 最大的那个排列（不是绝对值最大——被低估的排列 excess 是负数，不参与）。如果多个排列 excess 并列最大，按字典序最小的那个返回。返回类型是 list[int]（不是 tuple）。

例子：solution(3, 6000, 42) 应返回 [1, 0, 2]。$D=3$ 时三个高频排列 (0,2,1)、(1,0,2)、(1,2,0) 的真实概率都是 5/27，而种子 42 下经过 6000 次模拟后 (1,0,2) 的样本计数恰好略高于另外两个。再看 solution(2, 1000, 5) 应返回 [0, 1]：$D=2$ 是个有趣的小例外——朴素 shuffle 的 4 条等概率路径里恰好 2 条产生 (0,1)、2 条产生 (1,0)，真实分布完全均匀；K=1000 次后两个排列计数差几个、但期望偏差是 0；按 tie-break 规则返回字典序更小的 [0, 1]。

实现陷阱有三：(1) 必须只创建一个 random.Random(seed) 并在所有 K 次循环之间共用——每次重新 seed 会让 K 次结果完全相同，统计意义全失。(2) 「最大 excess」是带符号的最大，不是 |excess| 最大；写 max(counts.values(), key=...) 时 key 必须是 c - K/D!，不能是 abs(c - K/D!)。(3) 不要枚举 $D!$ 个排列再查表——未出现的排列 excess = $-K/D!$ 已经是最差，最优排列必然在你 Counter 里观察到的那些当中；总复杂度 $O(K \cdot D)$ 即可。