原神“十盒半价”问题的兹白式建模分析

免责声明

博主仅为大三计算机学生,并无高代、数分等数学专业知识,数学水平仅仅停留在考研数一的水平。因此本文在力求内容表述浅显易懂 到初高中学生也能听懂的同时,可能造成内容表述不够严谨的情况,请见谅

题面描述

在某六字游戏中,有一个经典的"十盒半价"问题:

具体而言是买茶叶:3盒9折,4盒8折,10盒半价(5折)

那么兹白小姐姐开启超算模式,看到了一个数学规律,从而推出来了一个逆天结论:21盒0折。

建模分析

差后等差数列

那么兹白的思路是什么呢?我们来看看原话:

她是看成了两个数列:

从中找到规律:

然后**"假设间隔的差相等"** ,也就是她做了一个假设------数列的差是等差的,即差后等差(高中)。

所以可以求出a4:

与此同时,另外一边......

也就是说,n=4时,b4恰好为0,而此时a4=21,这样就得到了所谓的21盒免费,再后面老板倒贴的情况。

函数拟合

那么还有另一种解释方法:

已知三个点(1,3)(2,4)(3,10),那么可以确定x关于n的二次函数解析式:

同理已知三个点(1,9)(2,8)(3,5),那么可以确定y关于n的解析式

那么n=4是解得x=21,y=0。和先前结论一致。

在这里为什么能够确定一个二次函数的解析式呢?因为三个不共线的点,通过待定系数法(初中) 可以确定唯一的一条二次函数,但是无法确定更高阶的。如果深入探讨这个问题那就要说到线性代数的秩这一块了。

y与x的关系

我们从整体上看,现在已经得到了x和y关于n的参数方程x(n),y(n)。

那么稍微变一下形:

那么现在我们就可以尝试把t消掉(在这里可能要经过非常非常庞大的计算!),得到:

这是一个什么曲线?

如果对数学非常敏感你可能就看出来了:这是一条经过旋转后的抛物线,所以它的图像长这样:

如果你会线性代数的二次型,那么这里应该就可以通过正交变换可以消去交叉项(紫皮书线代第五章二次型),从而将方程化为标准抛物线形式,但是笔者很菜,忘完了。

那么y与x的关系,也就是打多少折买多少盒的关系,也就一目了然了。

Code

python 复制代码
import numpy as np
import matplotlib.pyplot as plt

t = np.linspace(-1.5,4.2,1000)
x = 2.5*t**2 - 6.5*t + 7
y = -t**2 + 2*t + 8

plt.figure(figsize=(8, 6))
plt.plot(x, y, label="Parametric Curve", color='#FFC82D')

points = [(3,9),(4,8),(10,5),(21,0)]
for px,py in points:
    plt.scatter(px, py)
    plt.text(px, py, f"({px},{py})", fontsize=10,
        verticalalignment='bottom', horizontalalignment='right')

plt.axhline(y=10,color='#953984',linestyle='--',linewidth=2,label='y=10')
plt.axhline(y=0,color='#953984',linestyle='--',linewidth=2,label='y=10')

plt.xlabel("x")
plt.ylabel("y")
plt.title("Parametric Curve with Marked Points")
plt.grid(True)
plt.axis("equal")
plt.legend()
plt.show()

问题假设

那么回到问题本身,为什么21盒0价是不对的?大家都可能知道,但很少人说得到点子上。如果你是商贩,你就要被白马仙人占便宜了(滑稽)!

因为兹白做了一个很重要的假设:买的盒数和打的折扣都是差后等差数列变化,或者说整个数量关系成呈二次函数变化,这两个说法实质是一样的。

但是:

1.怎么我们通过三个点,我们就默认存在了一个光滑的规律,并且把它延伸到第四项?

2.而且拟合为什么就恰好是二次函数,而并非三次甚至更高次?

所以说,这一步但在现实里,是一个很强的数学建模假设。如果这个假设不成立,那"21盒免费"就只是模型里的结果,而不是现实里的结论。或者说,正是因为现实生活中没办法打0折甚至打负折,所以说假设不成立,通过错误的假设得出来的所有数学结果那都是扯淡了。

后记

突然发现这是我的第100篇博客,写了这么一篇特殊的文章,也算是冥冥中的天意了吧。我前面的文章主要是梳理计算机科班生的书面知识,而不是所谓的技术博主。我知道自己在这方面仍是小白,并且觉得CSDN上讨论的大部分东西我都是几乎看不懂的状态,也因此无比羡慕那些能够自学技术的朋友的自驱力。或者说,我开始迷茫于现在这两年多所做的一切努力,是否入了计算机的门,是否能最终找到好的工作,我完全不知道这些,也隐隐有了放弃的念头。自以为数学好对它有兴趣,但实际上不会分析,自以为是计科科班生,却从未参与工程项目,真的啥也不是了。只有个聊以自慰的事:谁知道下一天甚至下个月,我的思想有没有改变呢?

人尽力之后,剩下的只能交给时间。

相关推荐
满怀冰雪16 小时前
06-自动微分入门:用 Paddle 计算梯度
人工智能·python·深度学习·paddle
可编程芯片开发18 小时前
基于MATLAB的PEF湍流风场生成器模拟与仿真
算法
罗西的思考19 小时前
【Agentic RL / 强化学习 / OPD】OpenClaw-RL 源码阅读笔记 --- (9)--- Reward Judging
人工智能·算法·机器学习
Mr.HeBoYan20 小时前
一次持续三天才出现的丢包故障——深入解析 DPDK Memory Ordering、rte_ring 与 CPU Memory Barrier (下)
linux·网络·算法·架构·dpdk
wabs66620 小时前
关于图论【深度优先搜索的理论基础】
算法·深度优先·图论
先吃饱再说21 小时前
LeetCode 101. 对称二叉树
算法
是Dream呀1 天前
人眼看不出的伪造,AI如何识别?实测合合信息跨模态鉴伪与去反光技术
算法
QN1幻化引擎1 天前
SFA 信号场注意力:用8KB参数换248x KV Cache压缩,边缘设备也能跑长序列
人工智能·算法·gitee·gitlab
xlrqx1 天前
家电清洗培训课程类别、培训方式及费用情况究竟有哪些
大数据·python
段一凡-华北理工大学1 天前
向量数据库实战:选型、调优与落地~系列文章03:向量相似度算法全解:余弦、欧氏、内积,到底该用哪个?
大数据·数据库·人工智能·算法·机器学习·向量相似度·高炉炼铁