博客
关于我
巴什博弈
阅读量:286 次
发布时间:2019-03-01

本文共 677 字,大约阅读时间需要 2 分钟。

巴什博弈:游戏规则与胜利条件

巴什博弈是一种经典的博弈论问题,它以其简单的规则和复杂的策略著称。游戏规则通常是这样的:一堆Initially有n个物品,两名玩家轮流从这堆物品中取走物品。每次取的物品数量必须在1到m个之间(包括1和m)。最后取光者获胜。

理解巴什博弈的关键在于寻找“奇异局”(Nim-losing positions)。奇异局是指当前玩家无论采取什么样的合法移动,对手都能通过适当的策略确保胜利的状态。我们需要通过分析,找出这些必败的位置。

要理解奇异局,我们可以从简单的情况入手。假设物品堆的大小为m+1(其中m是每次可以取的最大数量),那么无论当前玩家取走1到m个物品,对手都可以取走剩下的物品,从而取得胜利。这意味着m+1个物品的堆是必败的位置。

将这一概念推广,我们可以得到所有形如k*(m+1)(k=1,2,3,...)的堆大小都是必败的状态。如果先手的玩家面对这样的堆大小,无论他采取什么样的移动,对手都能将堆大小恢复到另一个k*(m+1)的状态,最终导致先手的失败。

然而,事情并没有这么简单。在实际游戏中,堆的大小通常不是m+1的整数倍,而是加上一个余数r(0 < r < m)。这个时候,聪明的玩家可以采取以下策略:先手玩家首先取走r个物品,使得剩下的物品数量为k*(m+1),这样对手就处于一个必败的状态。因此,初始堆大小如果是k*(m+1)的形式,先手玩家将处于劣势,无法避免失败。

总结来说,巴什博弈的胜利关键在于让对手陷入奇异局。玩家需要通过分析堆的大小和移动策略,找到最佳的起始移动,确保对手无法摆脱被动状态。

转载地址:http://rwlo.baihongyu.com/

你可能感兴趣的文章
OpenCV与AI深度学习 | 基于YOLOv8 + BotSORT实现球员和足球检测与跟踪 (步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 基于YOLOv8的停车对齐检测
查看>>
OpenCV与AI深度学习 | 基于机器视觉的磁瓦表面缺陷检测方案
查看>>
OpenCV与AI深度学习 | 基于深度学习的轮胎缺陷检测系统
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV传统方法实现密集圆形分割与计数(详细步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV实现扫描文本矫正应用与实现详解(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | 使用YOLOv8 Pose实现瑜伽姿势识别
查看>>
OpenCV与AI深度学习 | 实战 | 使用YoloV8实例分割识别猪的姿态(含数据集)
查看>>
OpenCV与AI深度学习 | 实战 | 使用姿态估计算法构建简单的健身训练辅助应用程序
查看>>
OpenCV与AI深度学习 | 实战 | 基于YoloV5和Mask RCNN实现汽车表面划痕检测(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | 基于YOLOv9和OpenCV实现车辆跟踪计数(步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 实践教程|旋转目标检测模型-TensorRT 部署(C++)
查看>>
OpenCV与AI深度学习 | 干货 | 深度学习模型训练和部署的基本步骤
查看>>
OpenCV与AI深度学习 | 手把手教你用Python和OpenCV搭建一个半自动标注工具(详细步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 深度学习检测小目标常用方法
查看>>
Opencv中KNN背景分割器
查看>>
OpenCV中基于已知相机方向的透视变形
查看>>
OpenCV中的监督学习
查看>>
opencv中读写视频
查看>>
opencv之cv2.findContours和drawContours(python)
查看>>