用有向图分析概率决策过程的一个简单框架
petersburg的Python项目详细描述
彼得堡版本号：0.0.1作者：威尔·麦金尼斯
模拟不确定的决策
你没有无限的时间玩，等等）。其思想是，我们可以将决策和它们导致的
决策表示为有向无环图，其中节点有收益，边有成本，并且在每个节点上，
要前进到的边是随机选择的（带权重）。
通过这样一个组合图，我们可以模拟不同的第一选择，以了解每个节点的预期（模拟）结果是什么。
比加权随机更复杂的节点切换逻辑，更复杂的成本和收益模型（效用），
以及构建复杂图的更好方法。
当然，具有极高风险的正期望值与没有风险的同一期望值是不同的。我们希望能简明扼要地抓住这一点。
安装/使用
=====
===pip要安装，请使用pip:
$pip install petersburg
或克隆repo:
$git clone https://github.com/wdm0006/petersburg.git
$python setup.py install
贡献
==
在这种情况下，报名费是10美元，而游戏最多只有10000次翻转，并且是10000次，000次。
“成本”：入口费用}}}
nn=3
范围（10000）内的idx：
节点id=2*（idx+1）
付款=2**（idx+1）
gd[nn]={'payoff'：付款，'：[{'node id'：节点id，'cost'：0，'weight'：1}}
nn+=1
gd[nn]={'payoff'：0，'after'：[{node\u id'：node\u id，'cost'：0，'weight'：1}}}
n n+=1
g.from_dict（gd）
outcomes=[]
对于范围内的（10000000）：
outcomes.append（g.get_outcomes（））
打印（'\n\nsulated output'）
打印（sum（outcomes））
其结果是利润：197592288美元。当然，这取决于运行情况，但是随着游戏数量的增加，无论游戏的成本如何，
都将接近无穷大。
模拟不确定的决策
你没有无限的时间玩，等等）。其思想是，我们可以将决策和它们导致的
决策表示为有向无环图，其中节点有收益，边有成本，并且在每个节点上，
要前进到的边是随机选择的（带权重）。
通过这样一个组合图，我们可以模拟不同的第一选择，以了解每个节点的预期（模拟）结果是什么。
比加权随机更复杂的节点切换逻辑，更复杂的成本和收益模型（效用），
以及构建复杂图的更好方法。
当然，具有极高风险的正期望值与没有风险的同一期望值是不同的。我们希望能简明扼要地抓住这一点。
安装/使用
=====
===pip要安装，请使用pip:
$pip install petersburg
或克隆repo:
$git clone https://github.com/wdm0006/petersburg.git
$python setup.py install
贡献
==
在这种情况下，报名费是10美元，而游戏最多只有10000次翻转，并且是10000次，000次。
“成本”：入口费用}}}
nn=3
范围（10000）内的idx：
节点id=2*（idx+1）
付款=2**（idx+1）
gd[nn]={'payoff'：付款，'：[{'node id'：节点id，'cost'：0，'weight'：1}}
nn+=1
gd[nn]={'payoff'：0，'after'：[{node\u id'：node\u id，'cost'：0，'weight'：1}}}
n n+=1
g.from_dict（gd）
outcomes=[]
对于范围内的（10000000）：
outcomes.append（g.get_outcomes（））
打印（'\n\nsulated output'）
打印（sum（outcomes））
其结果是利润：197592288美元。当然，这取决于运行情况，但是随着游戏数量的增加，无论游戏的成本如何，
都将接近无穷大。
欢迎加入QQ群-->： 979659372
