Left-Right-Win

题目链接

神奇的题解

看了两天也没看懂上面链接的大佬的公式,直到我动手写了遍模拟。。

本文就当是上面题解的读后感吧,请先看完链接的题解,如果也像我一样一脸懵圈,再来看这一篇。下面主要分析五个公式的由来(我猜的)

公式一二先画图再解释

对不起,画完图我也晕了,不过我解释一下,一共6个人,赢的概率为w,左边概率为l,右边概率为r,最内圈的意思是第一次就能中奖概率,第二圈的意思是第二次中奖的概率,依次类推(我写晕了,再外圈就没写)箭头是如果上一次没中奖那么可以转移到这一次,那么总体中奖概率就是把1/6圆中所有的值加起来,这里先设状态为dp[i][j]表示i在第j次可能中奖的概率,显然第一层中dp[0][1]=w,其余全为0,其他层需要由[j-1]层转移而来,由图中1和5(其他的不明显)的中奖转移可以看出

dp[1][2] = dp[2][1]*r+dp[0][1]*l    dp[1][4] = dp[2][3]*r+dp[0][3]*l   ...

原因就是如果上一次没中奖,那么本次中奖概率就是

(dp[(i+1)%n][j-1]/w*r+dp[(n+i-1)%n][j-1]/w*l)*w,

化简便得到了dp[(i+1)%n][j-1]*r+dp[(n+i-1)%n][j-1]*l

\sum_{i=1}^{2n}dp[j][i]也可以实现降维得到dp[(i+1)%n]*r+dp[(n+i-1)%n]*l。原因就是所有的转移都是通过上一次左右不中奖来的(太晚了,写的不太明白,好好理解一下)本题限制了最长天数2^{n}天也就是说第2^{n}天的转移不需要再乘以w但是2^{n}个l或r相乘之后就很小了*1和*w不会影响结果(也是我猜的),所以忽略了,至此,公式一推出。而由于所有的dp[i]都是通过dp[0]得到的,而dp[0]比着其他人多了w的概率中奖(因为第一次就是他整的,如果第一次没中奖才会有以后的dp[0]),至此,公式二也出来了。

公式三我是想不到的,下次再写吧,我困死了

以下是根据dp[i][j]来做的,注意maxn不要取太大了,由于样例上给的n最大15,所以我一开始全部给的1<<15,一直WA,但是上界只有1<<n的话样例过不了,所以我写了1<<10就A了,原因就是如果层数过大的话,dp[i][j]会很小,不会影响结果,以上,公式三四五先不推了(因为我真的想不明白,或许这就是大佬吧)

#include <bits/stdc++.h>
using namespace std;
const int maxn = 1<<10;
double dp[20][maxn+3];
double solve(int n, int k, double gl, double gr){
	dp[0][1] = 1-gl-gr;
	for (int i = 2;  i <= maxn; ++i) {
		for (int j = 0;  j < n; ++j)
			dp[j][i] = gr*dp[(j+1)%n][i-1] + gl*dp[(n+j-1)%n][i-1];
	}
	double sum = 0;
	for (int i = 1; i <= maxn; ++i) {
		sum += dp[k][i];
	}
	return sum;
}
int main () {
	int t,k,n,no;
	double gl,gr,gw;
	scanf("%d",&t);
	while(t--) {
		scanf("%d%d%d%lf%lf",&no,&n,&k,&gl,&gr);
		printf("%d %.2lf\n", no, 100* solve(n,k,gl,gr));
	}
	//system("pause");
	return 0;
}

经验:

1.动手写写画画,思路才可能出来

2.除法精度会有问题,类似分子分母也都是分数的情况下(特别是分母是分数)类似a/(b/c)的形式,先化成a*c/b再计算(本题就会遇到这样的坑)

3.如果遇到过多小数相乘,注意当个数到达一定值时就不会影响精度了

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
### 支持向量机非线性回归通用MATLAB程序解析 #### 一、概述 本文将详细介绍一个基于MATLAB的支持向量机(SVM)非线性回归的通用程序。该程序采用支持向量机方法来实现数据的非线性回归,并通过不同的核函数设置来适应不同类型的数据分布。此外,该程序还提供了数据预处理的方法,使得用户能够更加方便地应用此程序解决实际问题。 #### 二、核心功能与原理 ##### 1. 支持向量机(SVM) 支持向量机是一种监督学习模型,主要用于分类和回归分析。对于非线性回归任务,SVM通过引入核技巧(kernel trick)将原始低维空间中的非线性问题转换为高维空间中的线性问题,从而实现有效的非线性建模。 ##### 2. 核函数 核函数的选择直接影响到模型的性能。本程序内置了三种常用的核函数: - **线性核函数**:`K(x, y) = x'y` - **多项式核函数**:`K(x, y) = (x'y + 1)^d` - **径向基函数(RBF)**:`K(x, y) = exp(-γ|x - y|^2)` 其中RBF核函数被广泛应用于非线性问题中,因为它可以处理非常复杂的非线性关系。本程序默认使用的是RBF核函数,参数`D`用于控制高斯核函数的宽度。 ##### 3. 数据预处理 虽然程序本身没有直接涉及数据预处理的过程,但在实际应用中,对数据进行适当的预处理是非常重要的。常见的预处理步骤包括归一化、缺失值处理等。 ##### 4. 模型参数 - **Epsilon**: ε-insensitive loss function的ε值,控制回归带宽。 - **C**: 松弛变量的惩罚系数,控制模型复杂度与过拟合的风险之间的平衡。 #### 三、程序实现细节 ##### 1. 函数输入与输出 - **输入**: - `X`: 输入特征矩阵,维度为(n, l),其中n是特征数量,l是样本数量。 - `Y`: 目标值向量,长度为l。 - `Epsilon`: 回归带宽。 - `C`: 松弛变量的惩罚系数。 - `D`: RBF核函数的参数。 - **输出**: - `Alpha1`: 正的拉格朗日乘子向量。 - `Alpha2`: 负的拉格朗日乘子向量。 - `Alpha`: 拉格朗日乘子向量。 - `Flag`: 标记向量,表示每个样本的类型。 - `B`: 偏置项。 ##### 2. 核心代码解析 程序首先计算所有样本间的核矩阵`K`,然后构建二次规划问题并求解得到拉格朗日乘子向量。根据拉格朗日乘子的值确定支持向量,并计算偏置项`B`。 - **核矩阵计算**:采用RBF核函数,通过`exp(-(sum((xi-xj).^2)/D))`计算任意两个样本之间的相似度。 - **二次规划**:构建目标函数和约束条件,使用`quadprog`函数求解最小化问题。 - **支持向量识别**:根据拉格朗日乘子的大小判断每个样本是否为支持向量,并据此计算偏置项`B`。 #### 四、程序扩展与优化 - **多核函数支持**:可以通过增加更多的核函数选项,提高程序的灵活性。 - **自动调参**:实现参数自动选择的功能,例如通过交叉验证选择最优的`Epsilon`和`C`值。 - **并行计算**:利用MATLAB的并行计算工具箱加速计算过程,特别是当样本量很大时。 #### 五、应用场景 该程序适用于需要进行非线性回归预测的场景,如经济预测、天气预报等领域。通过调整核函数和参数,可以有效应对各种类型的非线性问题。 ### 总结 本程序提供了一个支持向量机非线性回归的完整实现框架,通过灵活的核函数设置和参数调整,能够有效地处理非线性问题。对于需要进行回归预测的应用场景,这是一个非常实用且强大的工具。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值