• 一个基于容斥原理的概率模型


    为论述概率模型的思想,本部分以下图所描述的情况作为例子讲述,为简化图省略线路开关。
    在这里插入图片描述
    不同于单供网络,双供网络由于多条联络线,存在多个扩展供电方案。设供电路径 P = ( p 1 , p 2 , . . , p n ) P=(p_1,p_2,..,p_n) P=(p1,p2,..,pn),其中 p i p_i pi为子路径。用字母 a − g a-g ag表示子路径的可靠性(为了方便表达有时可指代路径本身),如字母 a a a表示从电源出发一直到首个联络点(不包含该联络点)之间路径的可靠性。假设目前需求解最右下角节点 i i i的可靠性 r i r_i ri,观察到存在 ( a , c , f , g ) (a,c,f,g) (a,c,f,g) ( a , b , d , g ) (a,b,d,g) (a,b,d,g),两条条电源 B 1 B_1 B1扩展供电路径,以及原先单供网络电源 B 2 B_2 B2的供电路径 ( e , f , g ) (e,f,g) (e,f,g),容易得到每条路径的可靠性:

    r 1 = r ( a , c , f , g ) = a c f g r_1=r(a,c,f,g)=acfg r1=r(a,c,f,g)=acfg r 2 = r ( a , b , d , g ) = a b d g r_2=r(a,b,d,g)=abdg r2=r(a,b,d,g)=abdg r 3 = r ( e , f , g ) = e f g r_3=r(e,f,g)=efg r3=r(e,f,g)=efg

    由于路径相互重叠,它们之间的可靠性不是相互独立的,如 r ( ( a , c , f , g ) ∩ ( a , b , d , g ) ) ≠ r ( a , c , f , g ) × r ( a , b , d , g ) r((a,c,f,g)\cap(a,b,d,g))\neq r(a,c,f,g)\times r(a,b,d,g) r((a,c,f,g)(a,b,d,g))=r(a,c,f,g)×r(a,b,d,g),但可以用两条路径包含的所有子路径可靠性之积表达,子路径之间是相互独立的!

    r ( ( a , c , f , g ) ∩ ( a , b , d , g ) ) = ∏ p ∈ ( a , c , f , g ) ∪ ( a , b , d , g ) r ( p ) = a c f g b d r((a,c,f,g)\cap(a,b,d,g))=\prod_{p\in (a,c,f,g)\cup(a,b,d,g)} r(p)=acfgbd r((a,c,f,g)(a,b,d,g))=p(a,c,f,g)(a,b,d,g)r(p)=acfgbd

    进一步,可通过容斥原理计算存在 ( a , c , f , g ) (a,c,f,g) (a,c,f,g) ( a , b , d , g ) (a,b,d,g) (a,b,d,g)两条供电线路时的节点的可靠性 r 12 r_{12} r12

    r 12 = r ( ( a , c , f , g ) ∪ ( a , b , d , g ) ) = r ( a , c , f , g ) + r ( a , b , d , g ) − r ( ( a , c , f , g ) ∩ ( a , b , d , g ) ) = a g × ( b d + c f − b d c f ) r_{12}=r((a,c,f,g)\cup (a,b,d,g))=r(a,c,f,g)+r(a,b,d,g)-r((a,c,f,g)\cap (a,b,d,g))=ag\times (bd+cf-bdcf) r12=r((a,c,f,g)(a,b,d,g))=r(a,c,f,g)+r(a,b,d,g)r((a,c,f,g)(a,b,d,g))=ag×(bd+cfbdcf)

    同理, r 13 = g × ( a b d + e f − a b d e f ) r_{13}=g\times (abd+ef-abdef) r13=g×(abd+efabdef) r 23 = f g × ( a c + e − a c e ) r_{23}=fg\times (ac+e-ace) r23=fg×(ac+eace)

    这里没有通过事件以及发生概率规范表述,特此补充。路径 ( a , c , f , g ) (a,c,f,g) (a,c,f,g) ( a , b , d , g ) (a,b,d,g) (a,b,d,g)其中之一可靠的事件发生概率为 r ( ( a , c , f , g ) ∪ ( a , b , d , g ) ) r((a,c,f,g)\cup (a,b,d,g)) r((a,c,f,g)(a,b,d,g)),即目标节点的用电可靠性,路径 ( a , c , f , g ) (a,c,f,g) (a,c,f,g) ( a , b , d , g ) (a,b,d,g) (a,b,d,g)同时可靠的事件发生概率为 r ( ( a , c , f , g ) ∩ ( a , b , d , g ) ) r((a,c,f,g)\cap (a,b,d,g)) r((a,c,f,g)(a,b,d,g)).

    进而3条供电路径可根据3元容斥原理计算 r i r_{i} ri
    在这里插入图片描述
    r i = r 123 = a c f g + a b d g + e f g − a c f g b d − a c f g e − a b d g e f + a b c d e f g r_{i}=r_{123}=acfg+abdg+efg-acfgbd-acfge-abdgef+abcdefg ri=r123=acfg+abdg+efgacfgbdacfgeabdgef+abcdefg

    以上讨论,可进一步拓展至 n n n条供电路径的情况。设对于目标供电节点 i i i,存在供电路径集合 P = { P 1 , P 2 , . . . , P n } P=\{P_1,P_2,...,P_n\} P={P1,P2,...,Pn},现求节点 i i i的用电可靠性 r i r_i ri。相应地,应用 n n n元容斥原理:

    r i = r ( P 1 ∪ P 2 ∪ . . . ∪ P n ) = ∑ r ( P i ) − ∑ r ( P i ∩ P j ) + ∑ r ( P i ∩ P j ∩ P k ) − . . . + ( − 1 ) n − 1 r ( P 1 ∩ P 2 ∩ . . . ∩ P n ) r_i=r(P_1\cup P_2 \cup ...\cup P_n)=\sum r(P_i)-\sum r(P_i \cap P_j)+\sum r(P_i \cap P_j \cap P_k)-...+(-1)^{n-1}r(P_1\cap P_2 \cap ... \cap P_n) ri=r(P1P2...Pn)=r(Pi)r(PiPj)+r(PiPjPk)...+(1)n1r(P1P2...Pn)

    a i ∈ { 1 , 2 , . . . , n } a_i\in\{1,2,...,n\} ai{1,2,...,n} ∀ i ≠ j \forall i\neq j i=j,有 a i ≠ a j a_i\neq a_j ai=aj,则 m ( m ≤ n ) m(m\leq n) m(mn)条供电路径 { P a 1 , P a 2 , . . . , P a m } \{{P_{a_1}},{P_{a_2},...,{P_{a_m}}}\} {Pa1,Pa2,...,Pam}同时可靠的概率描述为

    r ( P a 1 ∩ P a 2 ∩ . . . ∩ P a m ) = ∏ p ∈ { P a i ∣ i = 1 , 2 , . . . , m } r ( p ) r(P_{a_1}\cap P_{a_2}\cap...\cap P_{a_m})=\prod_{p\in \{P_{a_i}|i=1,2,...,m\}}r(p) r(Pa1Pa2...Pam)=p{Paii=1,2,...,m}r(p)

    其中 p ∈ { P a i ∣ i = 1 , 2 , . . . , m } p\in \{P_{a_i}|i=1,2,...,m\} p{Paii=1,2,...,m}为最小子路径,相互独立。

  • 相关阅读:
    vim的一些设置(持续更新
    【图像分割】基于和声搜索算法实现图像多级阈值分割附matlab代码
    客户案例 | 思腾合力助力深度图灵生成式AI应用平台建设
    【978.最长湍流子数组】
    Python集合详细教程
    Spring事务、设计模式以及SpringBoot自动装配原理
    Linux - nm命令
    代码随想录算法训练营day60|84.柱状图中最大的矩形 |完结撒花~
    etcd的mvcc源码剖析
    【统计学习方法】P2 监督学习
  • 原文地址:https://blog.csdn.net/qq_23096319/article/details/128050363