对于无黑洞的随机游走问题可以使用线性方程组求解,对于有黑洞的随机游走问题就无法使用线性方程组进行求解了。
有黑洞的随机游走问题举例:
- 随机给定一个魔方状态,随机旋转期望通过多少步才能旋转到目标状态?
这个问题相当于有一个黑洞、有限状态的随机游走问题。只要把魔方还原了,那么游戏就结束了。 - 醉汉回家问题:一个人在x点处喝醉了,在N维无限空间中游走,它回到出发点的概率是多少?求p(N)
这个问题相当于有一个黑洞、无限空间的随机游走问题。 - 史莱姆自爆问题:每个时刻史莱姆有1/3概率分裂,有1/3概率保持不变,有1/3概率死亡,问史莱姆期望有多少只?
这个问题相当于一个黑洞、无限空间随机游走问题。
随机游走问题分类:
(有限空间+无限空间)×(有黑洞+无黑洞)
- 有限空间无黑洞随机游走:求解线性方程组
- 有限空间有黑洞随机游走:矩阵的N次幂
- 无限空间无黑洞随机游走
- 无限空间有黑洞随机游走:可能可以通过求解非线性方程解决
zhihu
一个整型数字x=6000,每次增长101的概率为49.32%,每次减少100元的概率为50.68%,问最终x&tt;7000的概率是多少?
显然,这个问题相当于一个随机游走问题,一共有100~7000共6900个结点,每个结点x有49.32%的概率走向x+101,有50.68%的概率走向x-100,当x<100或者x>=7000时游戏停止。
import numpy as np
import tensorflow as tf
lose = 0.4932
win = 1 - lose
win_value = 101
lose_value = 100
init_value = 6000
# 闭区间
ceil_value = 7000
floor_value = 100
A = np.zeros((7102, 7102))
for i in range(A.shape[0]):
if ceil_value >= i >= floor_value:
A[i - lose_value, i] = lose
A[i + win_value, i] = win
if not ceil_value >= i >= floor_value:
A[i, i] = 1
A = tf.constant(A, dtype=np.float32)
p = np.zeros((A.shape[0], 1), dtype=np.float32)
p[init_value, 0] = 1
p = tf.Variable(p)
assign = tf.assign(p, tf.matmul(A, p))
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for i in range(100):
sess.run(assign)
print(i)
p_value = sess.run(p)
print(np.sum(p_value[ceil_value:]), np.sum(p_value[floor_value:ceil_value]), np.sum(p_value[:floor_value]))
亏本这么少,是因为初始状态给的6000离7000非常近,本钱足够多,几乎不会亏本。
这种问题就像是一个带黑洞的随机游走问题,这个问题有两个黑洞,一个是足够大止盈黑洞一个是足够小止损黑洞,而中间部分几乎是慢慢往两边耗散的,最终中间部分应该是趋近于0。就像光线在一个管子里面来回反射,最后终将会从管子两边射出去,管子里面变得漆黑一片。由此推出:继续循环的概率这个数字可以看做此迭代结果的准确率指标。
在上面迭代过程中,只是简单的迭代,实际上可以使用快速幂进行加速。
import numpy as np
import tensorflow as tf
lose = 0.4932
win = 1 - lose
win_value = 101
lose_value = 100
init_value = 6000
# 闭区间
ceil_value = 7000
floor_value = 100
A = np.zeros((7102, 7102))
for i in range(A.shape[0]):
if ceil_value >= i >= floor_value:
A[i - lose_value, i] = lose
A[i + win_value, i] = win
if not ceil_value >= i >= floor_value:
A[i, i] = 1
A = tf.Variable(A, dtype=np.float32)
assign = tf.assign(A, tf.matmul(A, A))
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for i in range(1000):
sess.run(assign)
print(i)
a = sess.run(A)
p = a[:, init_value].reshape(-1)
print("overflow", np.sum(p[ceil_value:]), "loop", np.sum(p[floor_value:ceil_value]), "downflow", np.sum(p[:floor_value]))