Python游戏概率补偿算法-马尔科夫链

最新推荐文章于 2024-10-08 09:18:30 发布

Hwweic

最新推荐文章于 2024-10-08 09:18:30 发布

阅读量1.6k

点赞数

CC 4.0 BY-SA版权

分类专栏： Python 文章标签： python 游戏算法

本文链接：https://blog.youkuaiyun.com/FloatDreamed/article/details/126582953

本文探讨了如何使用Python实现游戏中的概率补偿算法，特别是通过马尔科夫链来调整概率。文章包含代码展示和日志输出，详细说明了随着概率增加0.05，如何计算相应的概率补偿值(P1, P2)。" 136681023,7592826,UG/NX二次开发：UF_UI_select_with_single_dialog选件教程,"['UG二次开发', 'C++编程', 'CAD开发', '软件设计', 'UG API']

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

代码展示

# _*_ coding: utf-8 _*_
# @Author : ******
# @Time   : 2022/8/27 14:47
# @File   : ProbabilisticCompensation.py
# @Project: TestCase
import numpy as np

class PC:

    """
    状态图如下（这里无法插入图片，也只能通过文字描述了）：
        上次暴击：P
        上次非暴击：1-P
        上次暴击，本次暴击：P1
        上次暴击，本次非暴击：1 - P1
        上次非暴击，本次暴击：P2
        上次非暴击，本次非暴击：1 - P2
    为了使得整体的暴击概率不发生变化，则有如下约束：
        P*P1 + (1-P)*P2 = P
    存在2种设定：
        A.P<=0.5时，上次暴击后，则本次暴击率下降50%
            P1 = P - P / 2
            通过约束条件可以求得P2
        B.P>0.5时，上次非暴击后，则本次暴击率增加初始非暴击概率的50%
            P2 = P + (1 - P) / 2
            通过约束条件可以求得P1
    """

    def __init__(self, p):
        # 初始概率
        self.p = p
        # 概率补偿
        self.p1, self.p2 = self.get_compensate()
        # 初始矩阵
        self.init_vector = np.matrix([[self.p, (1 - self.p)]])
        # 概率转移矩阵
        self.matrix = np.matrix([[self.p1, (1 - self.p1)],
                                 [self.p2, (1 - self.p2)]])