Python案例如何结合士气指数做决策？

本文目录导读：

1. 案例 1：量化决策权衡（加权评分法）
2. 案例 2：概率型决策（蒙地卡罗模拟）
3. 案例 3：动态系统模拟（反馈循环）
4. 应用到实际项目的步骤

在Python中结合“士气指数”做决策，通常用于模拟复杂的系统（如团队管理、游戏AI或公司运营），其中非金钱或非纯理性的因素（如团队情绪、激励程度）会影响最终结果。

核心思路是：将士气指数作为一个动态的权重或概率调节器，影响决策的成本、收益或成功率。

下面提供几种典型的结合案例,从简单到复杂，并配有代码示例。

案例 1：量化决策权衡（加权评分法）

场景：项目经理需要决定是“加班赶工”还是“正常推进”，单纯考虑进度（收益）是加班好，但士气指数低时，加班会导致未来效率下降或人员流失。

实现：决策函数返回一个“综合得分”，其中士气指数作为调节因子。

# 士气指数范围 0-100
morale = 65
def evaluate_decision(option_name, speed_gain, moral_cost, morale):
    """
    评估决策的综合效用
    """
    # 基础收益：速度带来的进度
    base = speed_gain
    # 士气成本：如果士气低，成本放大；士气高，成本缩小
    # 成本权重与士气成反比
    morale_penalty = moral_cost * (100 / max(morale, 1))
    # 最终得分 = 收益 - 士气惩罚
    score = base - morale_penalty
    print(f"{option_name}: 基础收益={base:.1f}, 士气惩罚={morale_penalty:.1f}, 综合得分={score:.1f}")
    return score
# 两种决策方案
options = [
    {"name": "加班赶工", "speed_gain": 80, "moral_cost": 50},
    {"name": "正常推进", "speed_gain": 50, "moral_cost": 10}
]
# 当前士气
current_morale = 35  # 士气很低
best_option = max(options, key=lambda opt: evaluate_decision(opt["name"], opt["speed_gain"], opt["moral_cost"], current_morale))
print(f"\n✅ 推荐决策: {best_option['name']}")

结果分析：当士气很低时，“加班赶工”的士气惩罚巨大，综合得分反而低于“正常推进”，AI系统会选择后者。

案例 2：概率型决策（蒙地卡罗模拟）

场景：游戏或战场模拟，一个士兵/小队的士气指数决定了它“成功执行高风险指令”的概率。

实现：基于士气指数生成一个随机概率，高于阈值则冒险行动，否则采取保守策略。

import random
def make_combat_decision(morale):
    """
    基于士气做出战斗决策
    """
    # 士气越低，决策越偏向保守
    # 士气 > 70 才会考虑突击等高风险动作
    if morale > 70:
        # 士气高：有 80% 概率选择冲锋（高收益高风险）
        if random.random() < 0.8:
            return "选择冲锋 🚀 (高收益风险大)"
        else:
            return "选择稳扎稳打 🛡️ (中等收益)"
    elif morale > 40:
        # 士气中等：优先选择防守反击
        if random.random() < 0.6:
            return "选择防守反击 ⚔️ (中等收益)"
        else:
            return "选择撤退准备 🏃 (低收益安全)"
    else:
        # 士气低：大概率选择撤退或休整
        if random.random() < 0.8:
            return "选择撤退或防御 🛑 (无收益，避免损失)"
        else:
            return "选择拼死一搏 💀 (低成功率)"
# 模拟多次决策
for morale_value in [20, 50, 85]:
    print(f"\n士气指数: {morale_value}")
    for _ in range(3):
        decision = make_combat_decision(morale_value)
        print(f"  -> {decision}")

结果分析：通过随机数，士气指数决定了行动选择的概率分布，符合“士气低落时更保守”的现实逻辑。

案例 3：动态系统模拟（反馈循环）

场景：公司或组织根据连续决策调整士气，而士气又反过来影响后续决策的效果。

实现：创建一个 Organization 类，其士气根据决策结果动态变化。

class Organization:
    def __init__(self, morale=60):
        self.morale = morale
        self.productivity = 1.0
    def update_morale(self, delta):
        self.morale = max(0, min(100, self.morale + delta))
        # 士气影响生产率：士气每降低 10 点，生产率下降 5%
        self.productivity = 0.5 + (self.morale / 100) * 0.5
        print(f"  士气更新: {self.morale:.0f}, 当前生产率: {self.productivity:.2f}")
    def make_decision(self):
        # 士气高才尝试创新，士气低只能维持
        if self.morale > 60:
            # 决策：创新 (收益高但风险大)
            success = random.random() < 0.7  # 70%成功率
            if success:
                self.update_morale(10)   # 成功提升士气
                return f"创新成功 🎉 (收益+20%), 士气+10"
            else:
                self.update_morale(-15)  # 失败大幅打击士气
                return f"创新失败 💥 (损失-5%), 士气-15"
        else:
            # 决策：保守运营（稳定但低收益）
            self.update_morale(2)  # 稳定增长一点士气
            return f"保守运营 📈 (收益+3%), 士气+2"
# 模拟10轮决策
org = Organization(morale=55)
print("开始模拟...")
for round_num in range(10):
    print(f"\n回合 {round_num+1} (当前士气: {org.morale:.0f}, 生产率: {org.productivity:.2f})")
    result = org.make_decision()
    print(f"  结果: {result}")
    # 根据生产率计算最终收益
    revenue = 100 * org.productivity
    print(f"  本轮收益: {revenue:.1f}")

结果分析：这个循环展示了士气如何与决策、结果相互影响，初始士气低时，不敢冒险，虽然稳定但收益低；当士气因保守积累到高位，系统尝试创新，可能形成正向或负向螺旋。

在实际项目中,你可以使用以下通用公式来抽象“士气指数”的影响：

应用到实际项目的步骤

1. 定义士气指数：确定取值范围（如0-100）、初始值是什么、更新规则（哪些事件增减士气、是否有自然衰减）。
2. 建立映射关系：决定士气影响哪些决策参数（成功率、收益率、人员流失风险等）。
3. 实现决策引擎：在每次需要决策时，调用包含士气参数的计算函数。
4. 可视化监控：利用 matplotlib 将士气变化和决策结果绘制成折线图，直观分析动态过程（例如士气崩溃点）。

进阶技巧：可以加入噪声（随机波动）和滞后效应（士气变化需要时间影响决策），让模型更逼真。