UVA.1636 Headshot (概率)

本文分析了UVA.1636 Headshot问题中,已知第一枪打空的情况下,直接射击与随机转动后射击两种策略的概率,通过计算这两种情况下射击放空的概率来进行比较。

UVA.1636 Headshot (概率)

标签: 概率

题意分析

已知第一枪打空了,并且已知子弹序列,现在求解为了使下一枪不打空,现在是继续开一枪好,还是随机转动一下再开枪好,或者两者相等。

为了求解下一次是直接开枪,还是随机转动一下,就要计算出直接开枪放空的概率和随机转动后放空的概率。

开枪放空概率

由于第一枪是放空(设为事件A)的,所以现在的问题是下一枪(设为事件B)也放空的概率是多少。明显是条件概率。

P(B|A)=P(AB)P(A)

第一枪放空对应一个0,第二枪放空对应00,故可以得出。

P(B|A)=P(AB)P(A)=P(00)P(0)
.

遍历序列,统计出00和0的个数即可。

随机转动后放空的概率

考虑什么时候会随机转动下一枪会放空。那只能是随机转动到没有子弹的位置,所以也很容易得出。

P=P(0)n

其中n是字符串的总长度,即strlen(str).

然后比较两者大小,做出判断即可

代码总览

#include <bits/stdc++.h>
#define nmax 150
#define eps 1e-4
using namespace std;
char str[nmax];
int main()
{
//    freopen("in.txt","r",stdin);
//    freopen("out.txt","w",stdout);
    while(scanf("%s",str) != EOF){
        int len = strlen(str);
        int posOf00 = 0,posOf0 = 0;
        for(int i = 0;i<len-1;++i){
            if(str[i] == '0') posOf0++;
            if(str[i] == '0' && str[i+1] == '0') posOf00++;
        }
        if(str[len-1] == '0') posOf0++;
        if(str[len-1] == '0' && str[0] == '0') posOf00++;
        double posi1 = 1.0 * posOf00 / posOf0;
        double posi2 = 1.0 * posOf0 / len;
        if(fabs(posi1 - posi2) < eps){
            printf("EQUAL\n");
        }else{
            if(posi1 < posi2){
                printf("ROTATE\n");
            }else{
                printf("SHOOT\n");
            }
        }
    }
    return 0;
}
内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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