# 动态权重调整随机点名

**Repository Path**: Nept-Epslion/Adaptive-weight-random-roll-call

## Basic Information

- **Project Name**: 动态权重调整随机点名
- **Description**: 短期内更加公平的随机点名系统
- **Primary Language**: Python
- **License**: EPL-1.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2024-08-18
- **Last Updated**: 2025-09-16

## Categories & Tags

**Categories**: Uncategorized

**Tags**: Python, 实用, 点名, 课堂, 随机

## README

# 自适应权重随机点名

[github](https://github.com/Epslion404/Adaptive-weight-random-roll-call)

#### 介绍

短期内更加公平的随机点名系统  
**使用了Minecraft的幸运方块MOD作为图标，如果不能使用，请立即告诉我**

#### 软件架构

使用python 3.8开发。

#### 安装教程

1. 安装python 3.8
2. 运行文件 `install modules.bat` 来安装库
3. 按照main.py文件内的指示填写名单和分隔符
4. 运行main.py文件，检验程序是否可以运行
5. 运行命令 `pyinstaller -F -w -i favicon.ico main.py` 或运行文件 `pack to exe.bat` 以打包成可执行文件

#### 使用说明

直接运行 `main.py` 文件或打包后的文件

#### TO DO

- [x] 初始化仓库
- [x] 让老代码能看懂(80%)
- [x] 修改BUG（结束主进程后子进程报错不能退出）
- [x] 加密配置文件
- [x] 使用未被点名次数调节
- [x] 分科记录数据
- [x] 使用JSON格式记录数据
- [x] 不重复启动
- [x] 最小化为图标
- [x] 自定义频率调节与未被点名次数调节的比例
- [x] 自定义调节比例
- [ ] 可视化调节效果
- [ ] 自定义加密密钥

#### 原理

由于随机函数短期内的随机结果并不均匀，容易引起同学与老师们引入某些不切实际的猜想与偏见——认为随机点名并不“随机”。因此我们需要在保留随机功能的前提下对系统添加负反馈调节，即使用加权随机函数。  
  
最先想到的方法是利用频率倒数调节法(Reciprocal frequency adjustment method, RFA)。即利用所有人被抽取的频率的倒数作为权重来调节，唯一需要注意的是需要处理的是频率为0的情况。在这里我选择在计算时将所有人的频率加一。即：
$$
w=\frac{1}{f_n+1}
$$
事实上，控制反馈调节的强度也同样重要，引入负反馈强度$\Psi$，于是权重可以表示为：
$$
w_n=\frac{\hat f_n}{\Sigma f}
$$
其中$\hat f_n$为加入反馈的频率，若使用$\bar{f}$表示总体平均频率，则$\hat f_n$可以表示为：
$$
\hat f_n=\begin{cases}
\ \frac{\Psi}{f_n+1}, & f_n < \bar{f} \\
\ \frac{1}{\Psi(f_n+1)}, & f_n > \bar{f} \\
\ \frac{1}{f_n+1}, & f_n = \bar{f}
\end{cases}
$$  
$\Sigma f$为：
$$
\Sigma f = \sum_{i=0}^{m} \begin{cases}
\ \frac{\Psi}{f_i+1}, & f_i < \bar{f} \\
\ \frac{1}{\Psi(f_i+1)}, & f_i > \bar{f} \\
\ \frac{1}{f_i+1}, & f_i = \bar{f}
\end{cases}
$$。

但随着软件的使用，经常发现很长一段时间内抽不到某位同学，之后又在一段较短的时间内被频繁抽取，个人频率迅速追平平均频率。因此，我们不仅要考虑宏观调节，也需要考虑微观调节，为此，我选择记录每位同学距离上一次被抽到的次数$\mu$来调节(NLT)。在这种情况下，权重可以表示为：
$$
w_n=r_f\cdot\frac{\hat f_n}{\Sigma f}+r_\mu\cdot\frac{\hat\mu_n}{\Sigma\mu}
$$
其中$r_f$、$r_\mu$分别为RFA调节与NLT调节的占比，$\hat\mu_n$为加入反馈的距离上一次被抽到的次数。若使用$\bar{\mu}$表示距离上一次被抽到的次数的总体平均，用同样的方法处理初始情况下所有人的$\mu=0$的情况，则$\hat\mu_n$可以表示为：
$$
\hat\mu_n=\begin{cases}
\ \frac{\Psi(\mu_n+1)}{\Sigma\mu}, & \mu_n < \bar\mu \\
\ \frac{\mu_n+1}{\Psi\Sigma\mu}, & \mu_n > \bar\mu \\
\ \frac{\mu+1}{\Sigma\mu}, & \mu_n = \bar\mu
\end{cases}
$$
$\Sigma\mu$为：
$$
\Sigma\mu = \sum_{i=0}^{m} \begin{cases}
\ \Psi(\mu_i+1), & \mu_i < \bar{\mu} \\
\ \frac{\mu_i+1}{\Psi}, & \mu_i > \bar{\mu} \\
\ \mu_i+1, & \mu_i = \bar{\mu}
\end{cases}
$$

#### 效果（老版本）

不带负反馈调节的随机测试（控制台的输出结果是方差）：
![img](img/自然随机%20重复%20100次.png)

负反馈强度为3的随机测试（控制台的输出结果是方差）：
![img](img/反馈随机%20重复%20100次.png)

#### 效果（新版本）

不带负反馈调节的随机测试（频率方差为0.8461538461538461）
![img](img/新版%20自然随机%2026次.png)

负反馈强度为2，$r_u=r_f=0.5$的随机测试（频率方差为0.3076923076923077）
![img](img/新版%20反馈随机%2026次.png)

#### 参与贡献

除了我自己暂时还没人 φ(゜▽゜*)♪