Nim博弈游戏

给定n堆石子,每次每人能从一堆石子中取若干个石子(不能不取),最后不能取石子者败

对于这个游戏,我们要判断的是,给定局势下,先手者胜还是败

设先手胜的局势为N-postion,先手败的局势为P-postion

可以移动到P-postion的局势叫做N-postion,只能移动到N-postion的局势叫做P-postion。

1、只有一堆的情况下先手胜

2、只有两堆

  a、数目相等的局势,先手败,因为不管先手怎么取,后手都能在另一堆中复制先手的取法

  b、数目不相等的局势,先手胜,先手可以在石子多的那一堆取走一定的石子,使得两堆的石子数相等,然后参考情况a分析,可知先手胜

3、两堆以上的情况。将局势分为两个子局势x,y

  那么来分析一下局势的加法与异或之间的关系,

  将局势分为两个子局势n和m,如果两个子局势相同,则表示n==m,将局势如果可以先手胜利,成为n胜或m胜

  局势异或等于0,表示先手败,不等于0,表示先手胜

  若n胜m胜 如果n==m ,n^m==0, 如果n!=m, n^m!=0 ,说明该情况下的局势加法满足异或

  若n胜m负 先手者在n局势先手获得胜利,然后使得后手者在m局势先手,获得失败,所以先手胜  n!=0,m==0, n^m!=0,说明该情况下的局势加法满足异或

  若n负m胜 同上

  若n负m负 先手者在n局势取得失败,然后又在m局势先手取得使得,所以最终失败。   n==0,m==0,n^m==0, 说明该情况下的局势加法满足异或

所以Nim游戏的判断是否先手胜就变成了判断n堆石子的异或是否不等于0

那么怎么获得必胜策略是怎么走的呢?即将某堆得石子取走k个,使得的石子异或等于0

设有n堆石子,a1,a2,...ai...an

对于ai,取得另外n-1堆得石子的异或s  

如果 ai > s   ,  那么k= ai - s,  这样子 (ai-k)==s  即 ai^s==0

转载于:https://www.cnblogs.com/justPassBy/p/4366524.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
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