概率分析:为什么葫芦娃救爷爷是一个一个地救成功率最高?

简介: 概率分析:为什么葫芦娃救爷爷是一个一个地救成功率最高?

前言

  过完年了返工后想起了小孩子们爱看的葫芦娃救爷爷的动画片,葫芦娃为什么是一个一个前去救爷爷,为什么不等着七个一起去救爷爷。带着这个疑问,我决定今天用数学的角度建模计算下哪种方式救爷爷成功率最高?

情节回顾

image.png   

故事开始时,爷爷被蛇精抓走,大娃(力大无穷)决定去救爷爷,但由于他轻敌,被蛇精骗入陷阱。接着,二娃(千里眼顺风耳)、三娃(铜头铁臂)、四娃(喷火)、五娃(喷水)、六娃(隐身)都分别去救爷爷,但都因为各自的弱点而失败。但最终七个葫芦娃在一起联手击败了蛇精。

建模

  这里我们进行精简情节回顾的逻辑并给出关键信息:

  1. 七个葫芦娃联手是100%击败蛇精;
  2. 单个葫芦娃击败蛇精的概率是1/7;
  3. 爷爷在第6天营救失败后必死;
  4. 爷爷在每天死的概率是1/6;

这里我们可以得到葫芦娃营救爷爷的成功的条件为:爷爷没死 + 葫芦娃击败蛇精 。在这里可以设置一个长度为6的数组(因为第七天七个葫芦娃会联手)对葫芦娃进行数据组合计算营救爷爷成功的概率,经过计算共有132种营救方式,其中成功概率最高的救是一个一个前去营救爷爷,在数组中表示为:[1,1,1,1,1,1] ;其概率为0.3965694566039661

python实现

shell

复制代码

def build_strategy(idx, sum_val, cur):
    global res
    if idx == N and sum_val == N:
        res.append(cur.copy())
        return
    if idx >= N:
        return
    for i in range(idx + 1, -1, -1):
        if sum_val + i <= idx + 1:
            tmp = cur.copy()
            tmp.append(i)
            build_strategy(idx + 1, sum_val + i, tmp)
def all_strategies(n):
    global N, res
    N = n
    res = []
    build_strategy(0, 0, [])
    return res
def calc_probability(strategy):
    prob = 0.0
    try_cnt = 0
    succ_prob = 1.0 / (N + 1)
    for i in range(len(strategy)):
        live_grandpa_prob = (N - i) * 1.0 / N
        save_prob = strategy[i] * succ_prob
        prob += (1 - succ_prob) ** try_cnt * live_grandpa_prob * save_prob
        try_cnt += strategy[i]
    return prob
N = 6
Strategy_list = []
probability_list = []
result = all_strategies(N)  # Get the list of strategies using the all_strategies function
for strategy in result:
    probability = calc_probability(strategy)
    Strategy_list.append(strategy)
    probability_list.append(probability)
    print(f"Strategy: {strategy}, Probability: {probability}")
max_probability = max(probability_list)
print(max_probability)


相关文章
|
存储 供应链 安全
区块链在物流管理中的应用:让货物管理变得更智能
区块链在物流管理中的应用:让货物管理变得更智能
2679 15
|
监控 测试技术
如何进行系统压力测试?
【10月更文挑战第11天】如何进行系统压力测试?
1301 34
|
Docker 容器
docker overlay2占用大量磁盘空间处理方法
docker overlay2占用大量磁盘空间处理方法
2756 0
|
安全 中间件 Shell
渗透测试-靶机DC-2-知识点总结
渗透测试-靶机DC-2-知识点总结
728 0
|
安全 Java Unix
log4cplus最新介绍、详细编译过程及使用(最全面)
log4cplus最新介绍、详细编译过程及使用(最全面)
|
Kubernetes 容器 Perl
技巧 | 使用Filebeat收集K8S应用日志
Logstash收集Kubernetes的应用日志, 发现logstash十分消耗内存(大约500M), 而改用filebeat(大约消耗10多M内存)。 在进行日志收集的过程中,我们首先想到的是使用Logstash,因为它是ELK stack中的重要成员,但是在测试过程中发现,Logsta.
7139 0
|
机器学习/深度学习 计算机视觉 网络架构
【YOLOv8改进 - 注意力机制】HCF-Net 之 PPA:并行化注意力设计 | 小目标
YOLO目标检测专栏介绍了HCF-Net,一种用于红外小目标检测的深度学习模型,它通过PPA、DASI和MDCR模块提升性能。PPA利用多分支特征提取和注意力机制,DASI实现自适应特征融合,MDCR通过多层深度可分离卷积细化空间特征。HCF-Net在SIRST数据集上表现出色,超越其他方法。论文和代码分别在[arxiv.org](https://arxiv.org/pdf/2403.10778)和[github.com/zhengshuchen/HCFNet](https://github.com/zhengshuchen/HCFNet)上。YOLOv8的PPA类展示了整合注意力机制的结构
|
机器学习/深度学习 算法 固态存储
深度学习算法工程师面试问题总结| 深度学习目标检测岗位面试总结
本文给大家带来的百面算法工程师是深度学习目标检测岗位面试总结,文章内总结了常见的提问问题,旨在为广大学子模拟出更贴合实际的面试问答场景。在这篇文章中,我们还将介绍一些常见的深度学习目标检测面试问题,并提供参考的回答及其理论基础,以帮助求职者更好地准备面试。通过对这些问题的理解和回答,求职者可以展现出自己的深度学习目标检测领域的专业知识、解决问题的能力以及对实际应用场景的理解。同时,这也是为了帮助求职者更好地应对深度学习目标检测岗位的面试挑战,提升面试的成功率和竞争力。
|
存储 机器学习/深度学习 人工智能
存内计算的应用:存算一体芯片的发展与挑战
存内计算的应用:存算一体芯片的发展与挑战
3486 4
|
机器学习/深度学习 算法 搜索推荐
【实操】数据扩增:Retinex算法用于图像颜色恢复和对比度增强
【实操】数据扩增:Retinex算法用于图像颜色恢复和对比度增强
1080 0
【实操】数据扩增:Retinex算法用于图像颜色恢复和对比度增强

热门文章

最新文章