Algorithm 轮盘赌轮选择算法

有人能为轮盘赌选择函数提供一些伪代码吗？我该如何实现这一点：我真的不知道如何读取这个数学符号。我想用一般算法来实现这一点。

有两个步骤：首先创建一个包含轮子上所有值的数组。这可以是一个带有颜色和数字的二维数组，也可以选择将100添加到红色数字中

然后简单地生成一个介于0或1（取决于您的语言是从0还是1开始为数组索引编号）和数组中最后一个元素之间的随机数

大多数语言都有内置的随机数函数。在VB和

VBScript

中，函数为

RND（）

。在Javascript中，它是

Math.random（）

从数组中的该位置获取值，就得到了随机轮盘号码

---

最后注意事项：别忘了为随机数生成器设置种子，否则每次运行程序时都会得到相同的绘图序列。

随机数生成器伪代码

• 向顺序计数器添加一个
• 获取顺序计数器的当前值
• 通过计算机滴答计数或其他小间隔计时器值添加计数器值
• 可以选择添加加法，例如来自外部硬件（如等离子发生器）的数字或其他某种随机现象
• 将结果除以一个非常大的素数 例如，3593340859668622831041960188598043661065388726959079837
• 从结果小数点的最右边获取一些数字
• 将这些数字用作随机数

---

使用随机数数字为轮盘赌创建1到38（或37个欧洲）之间的随机数。

对于美国轮盘赌，您需要生成1到38之间的随机整数。有36个数字，0和00

然而，在美国轮盘赌游戏中，有很多值得考虑的事情是，他们可以做出很多不同的赌注。一次下注可以覆盖1、2、3、4、5、6、两个不同的12秒或18秒。您可能希望创建一个列表，其中每个数字都有额外的鞭毛来简化它，或者在编程中完成这一切

---

如果我用Python实现它，我只需要创建一个0、00和1到36的元组，并对每个旋转使用random.choice（）。

其他答案似乎假设您正在尝试实现一个轮盘赌游戏。我想你是在问进化算法中轮盘赌的选择

实现轮盘赌轮选择的

假设您有10项可供选择，并通过生成一个介于0和1之间的随机数进行选择。将范围0到1向上划分为十个不重叠的段，每个段与十个项目之一的适合度成比例。例如，这可能如下所示：

0 - 0.3 is item 1
0.3 - 0.4 is item 2
0.4 - 0.5 is item 3
0.5 - 0.57 is item 4
0.57 - 0.63 is item 5
0.63 - 0.68 is item 6
0.68 - 0.8 is item 7
0.8 - 0.85 is item 8
0.85 - 0.98 is item 9
0.98 - 1 is item 10

Map<A, B> roulette_wheel_schema = new LinkedHashMap<A, B>()

---

这是你的轮盘赌。你在0和1之间的随机数是你的自旋。如果随机数为0.46，则所选项目为项目3。如果它是0.92，那么它就是第9项。

首先，生成一个分配的百分比数组，比如说

p[1..n]

假设总数是所有百分比的总和

然后得到一个介于1到总数之间的随机数，比如说

r

现在，lua中的算法：

local  c  =  0
for i = 1,n do
    c = c + p[i]
    if r <= c then
        return i
    end
end

localc=0
对于i=1，n do
c=c+p[i]
如果r这假设某个类“分类器”，它只有一个字符串条件、字符串消息和双重强度。只需遵循逻辑即可

--保罗

公共静态列表轮盘选择（int分类器）{
List classifierList=新建LinkedList（）；
双强度sum=0.0；
双重概率总和=0.0；
//把地图的优点加起来
Set keySet=ClassifierMap.CLASSIFIER_MAP.keySet（）；
用于（字符串键：键集）{
/*用于调试以确保控制盘正常工作。
如果（强度sum==0.0）{
分类器映射。分类器映射。获取（键）。设置强度（8000.0）；
}
*/
分类器=分类器映射。分类器映射。获取（键）；
double-strength=分类器。getStrength（）；
strengthSum=strengthSum+强度；
}
System.out.println（“strengthSum:+strengthSum”）；
//计算总概率。这将是1.00或接近它。
用于（字符串键：键集）{
分类器=分类器映射。分类器映射。获取（键）；
双概率=（分类器.getStrength（）/strengthSum）；
概率总和=概率总和+概率；
}
System.out.println（“probabilitySum:+probabilitySum”）；
while（classifierList.size（）轮盘赌&&（winnerFound==false））{
System.out.println（“获胜者发现：+概率”）；
添加（分类器）；
winnerFound=true；
}
}
}
返回分类器列表；
}
以下是一些python代码：

def roulette_select(population, fitnesses, num):
    """ Roulette selection, implemented according to:
        <http://stackoverflow.com/questions/177271/roulette
        -selection-in-genetic-algorithms/177278#177278>
    """
    total_fitness = float(sum(fitnesses))
    rel_fitness = [f/total_fitness for f in fitnesses]
    # Generate probability intervals for each individual
    probs = [sum(rel_fitness[:i+1]) for i in range(len(rel_fitness))]
    # Draw new population
    new_population = []
    for n in xrange(num):
        r = rand()
        for (i, individual) in enumerate(population):
            if r <= probs[i]:
                new_population.append(individual)
                break
    return new_population

def轮盘赌_选择（人口、适合度、数量）：
“”“轮盘赌选择，根据以下内容实施：
"""
总适应度=浮动（总适应度）
相对适合度=[f/适合度中f的总适合度]
#为每个个体生成概率区间
probs=[i在范围内（len（rel_fitness））的总和（rel_fitness[：i+1]）]
#吸引新的人口
新人口=[]
对于X范围内的n（数量）：
r=rand（）
对于枚举（总体）中的（i，个人）：
如果r可以使用如下数据结构：

0 - 0.3 is item 1
0.3 - 0.4 is item 2
0.4 - 0.5 is item 3
0.5 - 0.57 is item 4
0.57 - 0.63 is item 5
0.63 - 0.68 is item 6
0.68 - 0.8 is item 7
0.8 - 0.85 is item 8
0.85 - 0.98 is item 9
0.98 - 1 is item 10

Map<A, B> roulette_wheel_schema = new LinkedHashMap<A, B>()

Map roule
class Roulette
{
    double[] c;
    double total;
    Random random;

    public Roulette(double[] n) {
        random = new Random();
        total = 0;
        c = new double[n.Length+1];
        c[0] = 0;
        // Create cumulative values for later:
        for (int i = 0; i < n.Length; i++) {
            c[i+1] = c[i] + n[i];
            total += n[i];
        }
    }

    public int spin() {
        double r = random.NextDouble() * total;     // Create a random number between 0 and 1 and times by the total we calculated earlier.
        //int j; for (j = 0; j < c.Length; j++) if (c[j] > r) break; return j-1; // Don't use this - it's slower than the binary search below.

        //// Binary search for efficiency. Objective is to find index of the number just above r:
        int a = 0;
        int b = c.Length - 1;
        while (b - a > 1) {
            int mid = (a + b) / 2;
            if (c[mid] > r) b = mid;
            else a = mid;
        }
        return a;
    }
}

static int selectRandomWeighted(double[] wts, Random rnd) {
    int selected = 0;
    double total = wts[0];

    for( int i = 1; i < wts.length; i++ ) {
        total += wts[i];            
        if( rnd.nextDouble() <= (wts[i] / total)) selected = i;
    }

    return selected;        
}

import java.util.ArrayList;
import java.util.Arrays;
import java.util.List;
import java.util.Random;
import java.util.logging.Level;
import java.util.logging.Logger;

/**
 * Roulette-wheel Test version.
 * Features a probability vector input with possibly null probability values.
 * Appropriate for adaptive operator selection such as Probability Matching 
 * or Adaptive Pursuit, (Dynamic) Multi-armed Bandit.
 * @version October 2015.
 * @author Hakim Mitiche
 */
public class RouletteWheel {

/**
 * Selects an element probabilistically.  
 * @param wheelProbabilities elements probability vector.
 * @param rng random generator object
 * @return selected element index
 * @throws java.lang.Exception 
 */
public int select(List<Double> wheelProbabilities, Random rng) 
        throws Exception{

    double[] cumulativeProba = new double[wheelProbabilities.size()];
    cumulativeProba[0] = wheelProbabilities.get(0);
    for (int i = 1; i < wheelProbabilities.size(); i++)
    {
        double proba = wheelProbabilities.get(i);
        cumulativeProba[i] = cumulativeProba[i - 1] + proba;
    }
    int last = wheelProbabilities.size()-1;
     if (cumulativeProba[last] != 1.0)
     {
            throw new Exception("The probabilities does not sum up to one ("
                    + "sum="+cumulativeProba[last]);
     }
    double r = rng.nextDouble();
    int selected = Arrays.binarySearch(cumulativeProba, r);
     if (selected < 0)
        {
            /* Convert negative insertion point to array index.
            to find the correct cumulative proba range index.
            */
            selected = Math.abs(selected + 1);
        }
     /* skip indexes of elements with Zero probability, 
        go backward to matching index*/  
    int i = selected; 
    while (wheelProbabilities.get(i) == 0.0){
        System.out.print(i+" selected, correction");
        i--;
        if (i<0) i=last;
    }
    selected = i;
    return selected;
}



   public static void main(String[] args){

   RouletteWheel rw = new RouletteWheel();
   int rept = 20;
   List<Double> P = new ArrayList<>(4);
   P.add(0.2);
   P.add(0.1);
   P.add(0.6);
   P.add(0.1);
   Random rng = new Random();
   for (int i = 0 ; i < rept; i++){
       try {
           int s = rw.select(P, rng);
           System.out.println("Element selected "+s+ ", P(s)="+P.get(s));
       } catch (Exception ex) {
           Logger.getLogger(RouletteWheel.class.getName()).log(Level.SEVERE, null, ex);
       }
   }
   P.clear();
   P.add(0.2);
   P.add(0.0);
   P.add(0.5);
   P.add(0.0);
   P.add(0.1);
   P.add(0.2);
   //rng = new Random();
   for (int i = 0 ; i < rept; i++){
       try {
           int s = rw.select(P, rng);
           System.out.println("Element selected "+s+ ", P(s)="+P.get(s));
       } catch (Exception ex) {
           Logger.getLogger(RouletteWheel.class.getName()).log(Level.SEVERE, null, ex);
       }
   }
}

 /**
 * {@inheritDoc}
 * @return 
 */
 @Override
 public String toString()
 {
    return "Roulette Wheel Selection";
 }
}