一、前言
只是一些自己的理解,并不知正确与否。
首先期望 分为 伪期望 和真期望
二、伪期望
对于伪期望 来说,其在定义状态之后,一般可以认为状态之间的转移是 线性 的,即每一个 状态转移到何处具有 唯一对应性,只不过具体的实现上经过了概率论的包装。这样的 的本质是概率 ,套了一个计算期望的贡献,原因是概率的转移是正向的。
三、真期望
对于真期望 来说,一个状态往往可以转移到 个状态去,并不具有 唯一对应性。
3.1 树形
因此我将真期望 理解为了具象的 树形 。
不难发现两者的转移具有相似性:若将 每一个状态具象化为树上的一个节点 ,那么这个状态所转移到的每一个状态分别对应 个子结点, 我们知道树形 的常见套路是在 回溯的过程中统计答案,这样做的本质是 倒序地枚举树的每一层节点,只不过在期望 中我们的层数对应的是往往题目中出现的每一个阶段,因此我们可以用 看似是倒序线性 的方法真正实现了对一颗状态树的枚举,这也是一般的真期望 通常都可以用记忆化搜索来解决的原因。对于节点 ,通过树形 得到了每一个转移对象 的贡献 ,就可以采用期望的定义来进行计算 了。最终和树形 一样,根节点 的 值就是答案。因此我认为将 P4316 绿豆蛙的归宿 作为真期望 的模板题目是十分合适的,因为这道题目展现了期望 的本质和一般性解法。
3.2 考虑地深一些
那我就是任性,偏偏要正序 怎么办?
考虑到部分树形 也可以按 序来正序转移。考虑当树形 的答案统计的实质为 某一条树上最满足某种性质的链 时,我们完全可以正序枚举统计答案到每一个根节点再求出最终解。我们可以通过这种思路来正序枚举解期望
显然期望 的每个期望正好对应着状态树上每一条链的期望。 由 期望的线性性质 可以得到,最终状态的期望 本质上是 上文所说状态树中所有叶节点的期望之和。 因此我们需要算出每一个最终状态的期望值。由公式 ,我们还需要维护 根节点到达节点 的概率 ,与 相乘即可算出期望 ,那么加和就能算出最终答案了。
四、推导过后的思考
推导这些东西的来源是做 SCOI2008 奖励关 时对期望 产生了各种各样的疑问,遂开始思考期望 的本质,便得到上方的拙见,个人以为大概可以解释期望 一些概念上的问题了。不过期望 的题目刷了二十余道才生出这些见解,直接反映出我刷题质量的堪忧,今后还是一定要多思考啊。
【推荐】国内首个AI IDE,深度理解中文开发场景,立即下载体验Trae
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· 阿里最新开源QwQ-32B,效果媲美deepseek-r1满血版,部署成本又又又降低了!
· 单线程的Redis速度为什么快?
· SQL Server 2025 AI相关能力初探
· AI编程工具终极对决:字节Trae VS Cursor,谁才是开发者新宠?
· 展开说说关于C#中ORM框架的用法!