北京大学程序设计实习2017期末考试 5:表达式的期望值-CSDN博客

本文链接：https://blog.csdn.net/weixin_40116174/article/details/91451171

程序设计实习 5:表达式的期望值

AC代码
解题思路
其他

AC代码

#include <iostream>
#include <cstring>
#include <iomanip>

using namespace std;

inline double fuzzy_logic(double lhs, char op, int rhs) {
    switch (op) {
        case '^':
            return rhs ? 1 - lhs : lhs;
        case '|':
            return rhs ? 1 : lhs;
        case '&':
            return rhs ? lhs : 0;
        default:
            return 0;
    }
}

int arr[210];
char ops[210];
double prob[210];

int main() {
    int n, n_cases = 0;
    while (cin >> n) {
        ++n;
        double result = 0;
        int digit = 0;
        for (int i = 0; i < n; ++i)
            cin >> arr[i];
        for (int i = 1; i < n; ++i)
            cin >> ops[i];
        for (int i = 1; i < n; ++i)
            cin >> prob[i];
        for (int i = 0; i < 21; ++i) {
            double E = (double)((arr[0] >> i) & 1);
            for (int j = 1; j < n; ++j)
                E = prob[j] * E + (1 - prob[j]) * fuzzy_logic(E, ops[j], (arr[j] >> i) & 1);
            result += E * (double)(1 << digit);
            ++digit;
        }
        cout << "Case " << ++n_cases << ":" << endl << setiosflags(ios::fixed) << setprecision(6) << result << endl;
    }
}

解题思路

这道题笔者去年想了很久才也没有想出怎么解，也因为题目形式过于不按套路，当年北京大学程序设计实习期末考试中也仅有不足20人解出此题。但事实上，这道题目的设计非常漂亮，创造性地融合了动态规划和位运算，并且事实上也不是十分困难。

求离散随机变量的期望很自然的想法就是把分布列求出来，然后 $\sum_{x \in \Omega} x\cdot p(x)$ 暴力求解。然鹅，对于这个问题，所有的可能的值有 $2^n$ 种，而 $n$ 的范围是2~200，所以该方法是不可取的。

按位与、按位或、按位异或的位间独立性

这是这道题最为巧妙的地方——题目设计中涉及的3个符号：&、|、^都有一个共同的特点，就是都是位间独立的，更具体地讲，a ^ b的第 $k$ 位仅与a和b的第 $k$ 位有关。这使我们可以把这个问题拆解成更为精细的子问题：对 $[0, 20)$ 内的每个 $i$ ，求20个整数第 $i$ 位 $X_i$ 的期望（ $X_i$ 只可能为0或1，故这个期望是一个 $[0, 1]$ 之间的实数。那么最后求得的期望就是：
$E[\sum_{i = 0}^{20}2^i X_i] = \sum_{i = 0}^{20}2^i E[X_i]$

这个求和当然是很简单的。

动态规划

现在的事情就是对这样一个问题设计动归：
一个0, 1序列， $a_0, a_1, \cdots, a_n$ ，除 $a_0$ 外每个 $a_i$ 对应一个按位运算符 $o_i$ ，它有 $p_i$ 的概率消失

如果动归子问题设计为：求前 $a_0, a_1, \cdots a_k$ （即前 $k + 1$ 个 $a_i$ ）经过可能消失的运算后所得结果（这是一个随机变量，后记为 $\xi_i$ ）的期望 $x_k$ （即 $E[\xi_i] = x_i$ ），那么显然 $x_0 = a_0$ （ $a_0$ 是固定且没有消失概率的），而 $x_n$ 则是我们想要的结果，接下来就是需要给 $x_k$ 到 $x_{k+1}$ $\cdots, n-1)$ 设计递推公式了，这里就是这个问题的巧妙之处叻

0-1分布的逻辑运算

既然已经将问题转化为对一串0, 1序列进行期望求解，问题便突然简单了起来：如果一个分布是0, 1二值分布，那它的期望不就是为1的概率嘛？所以， $x_k$ 也是 $\xi_k = 1$ 的概率，那么第 $k + 1$ 位显然分2种情况：

$o_{k + 1} a_{k + 1}$ 消失了，这件事发生的概率为 $p_{k + 1}$ ，在该条件 $\xi_{k + 1}$ 的期望仍为 $x_k$
$o_{k + 1} a_{k + 1}$ 没有消失，这件事发生的概率为 $1 - p_{k + 1}$ ，此时 $\xi_{k + 1}$ 的期望 $\xi_{k}o_{k + 1} a_{k + 1}$ 的期望——比如如果 $o_{k + 1}$ 是^， $a_{k + 1}$ 是1，那么一定有
$P(\xi_{k + 1} = 1) = P(\xi_{k} = 0) = 1 - x_k$
类似地，可以用仅与 $x_{k + 1}$ 有关的表达式来来表示 $o_{k + 1} a_{k + 1}$ 为“与0”、“与1”、“或0”、“或1”、“异或0”时 $\xi_{k}o_{k + 1} a_{k + 1}$ 的期望值（分别为 $0, x_k, x_k, 1, x_k$ ），见AC代码中fuzzy_logic函数

第二种情形稍微复杂一些。这样，我们可以得到 $x_{k+1}$ 与 $x_k$ 的关系式：
$x_{k+1} = p_{k+1}x_k + (1 - p_{k + 1}) E[\xi_{k+1}o_{k+1}a_{k+1}]$
其中 $E[\xi_{k+1}o_{k+1}a_{k+1}]$ 可以用 $x_k$ 表示.