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。