炉石传说的竞技场模式平均胜场

本文探讨了炉石传说竞技场模式中玩家的平均胜场计算问题,基于假设分析了不同胜场的概率,并计算出数学期望约为2.99场。讨论了12胜玩家比11胜玩家多的现象,以及实际平均胜场可能因玩家提前退出而低于理论值3场。

炉石传说的竞技场模式平均胜场

这是我在网易游戏策划第二轮面试中遇到的一道题目。
炉石传说的竞技场规则如下:每个玩家通过付费150金币或者12战网点获得一张门票,消耗门票开启一轮游戏,并和系统匹配到的其他竞技场玩家进行对战,每次胜利会使奖励升级,最多可以获得12场胜利后退出本轮游戏,如果此过程中失败三场,同样会退出。
通过计算玩家的平均胜场,可以平衡奖励的投放。
可惜我在面试时考虑的并不周全,现在重新做一下解答:
要解决这个问题,我们不妨进行以下两个假设:

(1)每个玩家总是会匹配到胜场数和他一样的玩家。
(2)没有人提前退出。
在(1)假设的基础上,胜场数和败场数是一样的,我们可以认为玩家在任何胜场数的时候,获得下一场游戏的玩家都是上一场玩家人数的一半。例如,每当两个3胜的玩家对战,获得4胜的必然只有其中一个。
以下的计算中,用计算概率的方法进行了计算,需要注意,此处的概率并不是指某一玩家个体下一场获胜的概率,而是全部玩家中获胜的玩家的比例。
玩家进行了m场游戏,败场数为n(n<3)的概率为:
P(n,m)=C (n,m)/2^m;
而当n=3时,第三场的失败必然是最后一场,也就是概率为:
P(3,m)=P(2,m-1)/2;
那么玩家以N(N<12)场胜利结束游戏的时候,概率为:
P(N)=P(3,N+3)=P(2,N+2)/2;
12胜的情况分为12胜0败,12胜1败,12胜2败,概率为:
P(12)=(P(0,11)+P(1,12)+P(2,13))/2;
好了,所有情况总结完毕;
概率的计算结果如下:

<
胜场 概率(%)
0 12.5
1 18.75
2
MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
评论 1
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