0

0
1

文字

分享

0
0
1

情人的理型:讓數學告訴你,遇見完美情人有多難?

賴 以威
・2016/04/02 ・3386字 ・閱讀時間約 7 分鐘 ・SR值 509 ・六年級

隨著年齡增長,我認知到兩件事實:第一、味全龍不會復活;第二、戀愛是場妥協的過程。

高二那年,我第一次去光華商場

「我要組一台完美的電腦。」

「完美是怎樣,記憶體、螢幕、CPU要衝多快、主機板、音效卡、顯示卡、鍵盤、滑鼠?」

「滑鼠跟鍵盤那種事情不重要啦!」

我心虛地反駁老闆,根本沒想過原來「完美」是由眾多細節構成。

完美的情人也是如此吧。每個人想找到完美情人,但具體地說又是怎樣呢?

我思索了好久,深夜夢到完美情人,醒來便記下她的樣貌、感覺,我彷彿在寫生,景物是藏在腦海深處的她:清澈的雙眼,我可以在她瞳孔中看見自己的幸福表情;挺拔的鼻子,親吻時我們的鼻尖會微微碰到;總是帶著淺淺的笑,不刻意,像中餐吃了頓好的,或順利完成工作,對生活滿足的笑容;孝順善良,為了小事感傷,面臨抉擇時有主見。

還有他的身高應該要是 158 公分,據說 12 公分是最佳的擁抱差距。最重要的是,她會像我愛她一樣地愛著我

關於完美情人,你得像組裝電腦一樣列出所有細節,再將它們統整成一個多重最佳化(multi-objective optimization)問題。列出來就好了,幹嘛變成最佳化問題?

-----廣告,請繼續往下閱讀-----

因為世界上不存在完美情人。柏拉圖曾說過,這世界上沒有完美的直線。再精確的尺也只能畫出近似的直線,無限放大後必然會看到抖動。

任何感官能體會到的事物都是表象,是完美的理型(form)的投影。直線的理型,存在於抽象的數學世界中。情人的理型,只存在於每個人的腦海裡。現實中我們尋求的,是最接近理型的情人。

5614208322_59fcecb902_z
每個人心中都曾出現過完美情人的樣子,但遇到她的機率有多少呢? 圖/John Hope@flickr

我們想最佳化數個目標函數,或是說,想找到一位情人能在各方面都最接近理型。如果有這麼一位對象,恭喜你。但現實中常常事與願違,你可能找到一位外表很相似,但現在同時有兩位男友而你只能排到星期六下午三點到五點,跟吃到飽下午茶的時段差不多;你可能找到一位很聊得來的女孩,但懊惱自己為何都三十歲了還在意外表。你可以找到許多帕累托最佳解(Pareto Optimality)。但真正的理想情人只有一位,越多「一樣好」的帕累托最佳解,只更證明了他們距離理型更遠。

你終究要從眾多的「帕累托情人」當中挑出一位,我們進一步將多重最佳化改成階層最佳化(hierarchal optimization),把目標分等級,依序追求,先是個性、再來是外表、再來是喜不喜歡狗……很多人交往或結婚後感情生變,我認為很大一部分就是階層最佳化的順序改變了。交往前最在意的是長相,但交往後相處卻認為個性最重要,原本喜歡的對象就變得不再那麼美好。

-----廣告,請繼續往下閱讀-----

這是妥協的下場,奈何我們只能跟這個下場妥協。

讓我繼續來潑冷水。當我們從理型退到帕累托最佳解,再用階層最佳化求得一位對象,且稱她為「最佳解情人」。

問題是,你不一定能遇到她。更糟糕的是,遇到了也不一定知道是她

-----廣告,請繼續往下閱讀-----

哪怕你覺得眼前的對象已經很不錯了,但她終究跟理型有一段差距,這差距會讓你心底永遠存留一個小小的疑問。

娶了紅玫瑰,久而久之,紅的變了牆上的一抹蚊子血,白的還是『床前明月光』;娶了白玫瑰,白的便是衣服上沾的一粒飯黏子,紅的卻是心口上一顆硃砂痣。——〈紅玫瑰與白玫瑰〉

是否存在一位更好、更接近理型的情人?

秘書問題(secretary problem)試圖解決這個問題:假設一輩子交往 100 位女朋友,而且分手了就不能復合,那麼前 37 位都不能定下來,只能將他們作為你的參考指標。第 38 位起,倘若有一位比前 37 位都要好的對象出現,立刻下跪求婚,如此將可最大化你和最佳解情人定下來的機率。

8316230145_f74e9f1299_z
遇見最最最理想的另一半,會有多難?圖/Victor U@flickr

這是一套經過數學嚴謹計算的最佳策略,使用起來的成效是—— 1/e,e 是歐拉數(Euler’s number),趨近 2.718,換算起來 1/e 是 37%。表示你有高達六成的機率會錯過她

-----廣告,請繼續往下閱讀-----

夠沮喪了嗎?讓我再推你一把。

方才的 37% 是指你跟最佳解情人交往過的前提下才成立,換句話說這是條件機率。有更多的可能是根本沒和最佳解情人交往過,甚至連認識都不認識她。

撇開你我都不是金城武的事實,倘若認識了最佳解情人就能順利和她交往,則和最佳解情人定下來的機率是

P(和最佳解情人定下來)= P(和最佳解情人定下來|認識最佳解情人)× P(認識最佳解情人)+ P(和最佳解情人定下來|不認識F)× P(不認識最佳解情人)= 37% × P(認識最佳解情人)+ 0 × P(不認識最佳解情人)

認識最佳解情人的機率有多高呢?

-----廣告,請繼續往下閱讀-----

我們用費米推論法(Fermi estimation)來算算看。假設最佳解情人住在台灣,台灣 20~40 歲女性約三百五十萬人。在假設社交網路中,你只會認識朋友的朋友,也就是圖論中的距離(node distance)2,倘若你有 200 位朋友,每一位認識 200 位這個年齡層的台灣女性。用這麼寬的標準來算,依然只有 1% 的機率,你會認識最佳解情人。這時候,和最佳解情人定下來的機率將銳減到 0.37%

到這邊,我相信你對愛情已經不再抱著過度的期望,畢竟數學告訴我們,儘管每個人都花了一生的力氣在尋找真愛,但這麼說好了,把你的人生想成是一張剛買了咖啡後拿回來的發票。

你覺得手中的發票會中獎嗎?

不好意思,我中了,而且是頭獎。

-----廣告,請繼續往下閱讀-----

那是一個普通的傍晚,從奇岩站搭 33 分鐘的捷運到台北 101,搭電梯上 57 樓會場,擔任朋友舉辦的講座主持人。開場前我走進會場,她獨自坐在右側,臉上掛著淺淺的微笑,不刻意,讓人覺得可能是中餐吃了頓好的,或順利完成工作,對生活滿足的笑容。

我經過她凝視的前方,竊取了她的笑容。她對這奇蹟的一刻彷彿渾然無所覺,她不知道,我的情人理型以最不失真的角度立體投影在這個空間內,以白襯衫,搭配粉紅色針織罩衫的樣貌出現。

1 個月,我們第一次約會;2 個月,我們交往;3 個月,我向她求了一場很爛的婚;5 個月,我補了一場比較好的求婚,我們在日本訂做婚戒;8 個月,我們登記為夫妻,在外頭租了間小公寓,房東在牆上貼了一片櫻花送我們,我們天天在櫻花樹下睡覺,做著粉紅色的夢;13 個月,我們搬回北投住;21 個月,我們舉辦這場婚禮。每段時間,我們都有值得珍惜的重要回憶。1, 1, 2, 3, 5, 8, 13, 21……稱為費波納契數列,第 n 個數字是前兩個數字相加的結果,費波納契數列連續兩個數字相除,1/1=1, 1/2=0.5, 2/3=0.67, 3/5=0.6, 5/8=0.625……會越來越接近黃金比例:0.618,在數學中被視為美的同義詞。

-----廣告,請繼續往下閱讀-----

12890997_10156723676860072_2655288199815064641_o

交往中,我察覺到自己犯了根本上的錯誤。

我總以為愛情是追逐一位最接近理型的情人的過程。她相當接近,也僅止於接近,始終不是百分之百。但儘管如此,我們的相處依然那麼契合,如同以黃金比例做成的潘洛斯鋪磚(Penrose Tiling),只需要兩種基本形狀:飛鏢(Dart)與風箏(Kite),便能完美鋪滿整個平面,不留下一絲縫隙。

後來我才知道自己弄顛倒了。

2000px-Penrose_Tiling_(P1_over_P3).svg
潘洛斯鋪磚。圖/wikipedia

的確,現實生活中不可能有一條完全筆直的直線,它只存在於想像中;但情人跟一條直線不一樣,情人是主觀的,是有很多細節想像不到,唯有相處、經歷後才清楚。因此,想像中不可能有完美的情人,情人的理型就是茫茫人海中的某位女孩,腦海裡的想像只是投影,讓我們用來按圖索驥,去尋找理型,那一位對每個人來說都是獨一無二的另一半。

我中的不是頭獎,是任何一個單位都無法兌換給我的超級特獎,是屬於我的情人理型

本文原刊登於作者臉書網誌〈情人的理型〉,經作者授權轉載。

-----廣告,請繼續往下閱讀-----
文章難易度
賴 以威
32 篇文章 ・ 10 位粉絲
數學作家、譯者,作品散見於聯合報、未來少年、國語日報,與各家網路媒體。師大附中,台大電機畢業。 我深信數學大師約翰·馮·諾伊曼的名言「If people do not believe that mathematics is simple, it is only because they do not realize how complicated life is」。為了讓各位跟我一樣相信這句話,我們得先從數學有多簡單來說起,聊聊數學,也用數學說故事。 歡迎加入我與太太廖珮妤一起創辦的: 數感實驗室

0

0
0

文字

分享

0
0
0
從奈米微塵到化學氣體, HEPA 與活性碳如何聯手打造純淨空氣?
鳥苷三磷酸 (PanSci Promo)_96
・2026/04/17 ・4433字 ・閱讀時間約 9 分鐘

本文由 Amway 委託,泛科學企劃執行。

很多人可能沒想到,無論是家用的空氣清淨機,還是造價動輒百億的頂尖晶圓廠,它們對抗污染的核心武器並非什麼複雜的雷射防護罩,而是一片外觀像紙一樣的 HEPA 濾網
在半導體產業的無塵室中,「乾淨」的定義極其殘酷:一粒肉眼看不見的灰塵,就足以讓造價數百萬美元的晶圓直接報廢 / 圖片來源:envato

到底怎樣才算是「乾淨」?這不是什麼靈魂拷問,而是一個價值上億的商業命題。

在半導體產業的無塵室中,「乾淨」的定義極其殘酷:一粒肉眼看不見的灰塵,就足以讓造價數百萬美元的晶圓直接報廢。空氣品質的好壞,甚至能成為台積電(TSMC)決定是否在當地設廠的關鍵性指標。回到你的家中,雖然不需要生產精密晶片,但我們呼吸系統中的肺泡同樣精密,卻長期暴露在充滿 PM2.5、病毒以及各種揮發性氣體的環境中。為了守護健康,你可能還要付費購買「乾淨的空氣」來用。

因此,空氣議題早已超越單純的環保範疇,成為同時影響國家經濟與個人健康的重要問題。

-----廣告,請繼續往下閱讀-----

很多人可能沒想到,無論是家用的空氣清淨機,還是造價動輒百億的頂尖晶圓廠,它們對抗污染的核心武器並非什麼複雜的雷射防護罩,而是同一件看起來平凡無奇的東西:一片外觀像紙一樣的 HEPA 濾網。但你真的相信,就憑這層厚度不到幾公分的板子,能擋住那些足以毀滅精密晶片、滲透人體細胞的「奈米級刺客」嗎?

這片大家都聽過的 HEPA 濾網,裡面到底是什麼?

首先,我們必須打破一個直覺上的誤解:HEPA 濾網(High Efficiency Particulate Air filter)在本質上其實並不是一張「網」。

細懸浮微粒 PM2.5,是指粒徑在 2.5 微米以下的污染物,它們能穿過呼吸道直達肺泡,並穿過血管引發全身性發炎。但這只是基本,在工廠與汽車尾氣中,還存在粒徑僅有 1 微米的 PM1,甚至是小於 0.1 微米的「超細懸浮微粒」(UFP,即 PM0.1)。 UFP 不僅能輕易進入血液,甚至能繞過血腦屏障(BBB),進入大腦與胎盤,其破壞力十分可怕。

如果 HEPA 濾網像水槽濾網或麵粉篩一樣,單靠孔目大小來「過濾」粒子,那麼為了攔截奈米微粒,濾網的孔目只能無限縮小到幾乎不透氣的程度。更別說在台積電或 Intel 的製程工程師眼裡,一般人認為的「乾淨」,在工程師眼裡簡直像沙塵暴一樣。對於線寬僅有 2 奈米3 奈米(相當於頭髮直徑萬分之一)的晶片而言,空氣中一顆微小的塵埃,就是一顆足以毀滅世界的隕石。

-----廣告,請繼續往下閱讀-----

因此,傳統的過濾思維並非治本之道,我們需要的是原理截然不同的過濾方案。這套技術的雛形,最早可追溯至二戰時期的「曼哈頓計畫」。

HEPA 的前身,誕生於曼哈頓計畫!

1940 年代,製造濃縮鈾是發展原子彈的關鍵。然而,若將排氣直接排向大氣,會導致致命的放射性微粒擴散。負責解決這問題的是 1932 年諾貝爾化學獎得主歐文·朗繆爾(Irving Langmuir),他是薄膜和表面吸附現象的專家。他開發了「絕對過濾器」(Absolute Filter),其內部並非有孔的篩網,而是石綿纖維。

有趣的來了,如果把過濾器放到顯微鏡下,你會發現纖維之間的空隙,其實比某些被攔截的粒子還要大。那為什麼粒子穿不過去呢?這是因為在奈米尺度下,物理規則與宏觀世界完全不同。極微小的粒子在空氣中飛行時,並非走直線,而是會受到空氣分子撞擊,而產生「布朗運動」(Brownian Motion),像個醉漢一樣東倒西歪。

當粒子通過由緻密纖維構成的混亂迷宮時,布朗運動會迫使它們不斷轉彎、移動,最終撞擊到帶有靜電的纖維上。這時,靜電的吸附力會讓纖維就像蜘蛛網般死死黏住微粒。那些狂亂移動的奈米刺客,就這樣被永久禁錮迷宮中。

-----廣告,請繼續往下閱讀-----

現在最常見的 HEPA 材料,是硼矽酸鹽玻璃纖維。

現代 HEPA 濾網最常見的核心材料為硼矽酸鹽玻璃纖維。這些玻璃纖維的直徑通常介於 0.5 至 2 微米之間,它們在濾網內隨機交織,像是一座茂密「黑森林」。微粒進入這片森林後,並非僅僅面對一層薄紙,而是得穿越一個具有厚度且排列混亂的纖維層,微粒極有可能在布朗運動的影響下撞擊並黏附在某根玻璃絲上。

除此之外,HEPA 濾網在外觀上還有一個極具辨識度的特徵,那就是像手風琴般的摺紙結構。濾材會被反覆摺疊、摺成手風琴的形狀,中間則用鋁箔或特殊的防潮紙進行結構支撐,目的是增加表面積。這不僅為了捕獲更多微粒,而是要「降低過濾風速」。這聽起來可能有點反直覺:過濾不是越快越好嗎?

其實,這與物理學中的流速控制有關。想像一條水管,如果你捏住出口,水流會變得湍急;若將出口放開並擴大,雖然總出水量不變,但出水處的流速會變得緩慢。對於 HEPA 濾網而言,當表面積越大,單位面積所需承載的空氣量就越少,空氣穿透濾網的速度也就越低。

低流速代表微粒停留在濾網內的時間也更久,增加被捕捉的機會。此外,越大的表面積也為 HEPA 濾網帶來了高「容塵量」,延長了使用壽命,這正是它能夠稱霸空氣清淨領域多年的主因。

-----廣告,請繼續往下閱讀-----

然而,即便都叫做 HEPA 高效率空氣微粒子過濾網 (High Efficiency Particulate Air filter),但每個 HEPA 的成分與結構還是會不一樣。例如 安麗逸新空氣清淨機 SKY ,其標榜「可過濾粒徑最小至 0.0024 微米」的污染物,去除率高達 99.99%。

0.0024 微米是什麼概念?塵蟎、花粉、皮屑或黴菌孢子,大小約在 2 至 200 微米;細懸浮微粒  PM2.5 大小約 2.5 微米,細菌也大概這麼大。最小的其實是粒徑小於 0.1 微米的「超細懸浮微粒」,大多數的病毒(如流感、新冠病毒)都落在此區間。對安麗逸新 的HEPA濾網來說,基本上通通都是可被攔截的榜上名單。

在過敏防護上,它更獲得英國過敏協會(Allergy UK)認證,能有效處理 19 大類、102 種過敏原,濾除空氣中超過 300 種氣態與固態污染物。

同樣的過濾邏輯一旦進入半導體無塵室,就必須換一條更為嚴苛的技術路線。因為硼矽酸鹽玻璃纖維對晶圓來說有個致命傷,就是「硼 (Boron)」 / 圖片授權:Shutterstock

然而,同樣的過濾邏輯一旦進入半導體無塵室,就必須換一條更為嚴苛的技術路線。因為硼矽酸鹽玻璃纖維對晶圓來說有個致命傷,就是「硼 (Boron)」。

在半導體製程中,硼是常見的 P 型摻雜物,用來精準改變矽晶圓的電性。如果濾網有任何微小的破損、老化或化學侵蝕,進而釋放出極微量的硼離子,就可能直接污染晶圓,改變其導電特性,導致晶片報廢。

此外,無塵室要求的是比 HEPA 更極致的 ULPA(超低穿透率空氣濾網) 等級的潔淨度。ULPA 的標準通常要求對 0.12 微米 的粒子達到 99.999% 甚至 99.9999% 的超高攔截率。在奈米級的競爭中,任何多穿透的一顆微塵,都代表著一筆不小的經濟損失。

-----廣告,請繼續往下閱讀-----

為了解決「硼」的問題並追求極限的過濾效率,材料學家搬出了塑膠界的王者,PTFE 也鐵氟龍。鐵氟龍不僅耐酸鹼、耐腐蝕,還能透過拉伸製成直徑僅 0.05 至 0.1 微米 的極細纖維,其細度遠勝玻璃纖維。雖然 PTFE 耐化學腐蝕,但它既昂貴且物理上也很脆弱,安裝時若不小心稍微觸碰,數萬元的濾網就可能報銷。因此,你只會在晶圓廠而非一般家庭環境看到它。

即便如此,在空氣濾淨系統中,還有一樣是無塵室和你家空氣清淨器上面都有的另一張濾網,就是活性碳濾網。

活性碳如何從物理攔截跨越到分子吸附?

好不容易將微塵擋在門外時,危機卻還沒有解除。因為空氣中還隱藏著另一類更難纏的大魔王:AMC(氣態分子污染物)

HEPA 或 ULPA 這類物理濾網雖然能攔截固體微粒,但面對氣態分子時,就像是用網球拍想撈起水一樣徒勞。這些氣態分子如同「幽靈」一般,能輕易穿過物理濾網的縫隙,其中包括氮氧化物、二氧化硫,以及來自人體的氨氣與各種揮發性有機物(VOCs)。

-----廣告,請繼續往下閱讀-----

為了對付這些幽靈,我們必須在物理防線之外,加裝一道「化學濾網」。

這道防線的核心就是我們熟知的活性碳。但這與烤肉用的木炭不同,這裡使用的是經過特殊改造的「浸漬處理(Impregnation)」活性碳。材料科學家會根據敵人的不同性質,在活性碳上添加不同的化學藥劑:

  • 酸鹼中和:對付氮氧化物、二氧化硫等酸性氣體,會在活性碳上添加碳酸鉀、氫氧化鉀等鹼性藥劑,透過酸鹼中和反應將有害氣體轉化為固體鹽類。反之,如果添加了磷酸、檸檬酸等酸性藥劑,就能中和空氣中的氨氣等鹼類。
  • 物理吸附與凡德瓦力:對於最麻煩的有機揮發物(VOCs,如甲醛、甲苯),因為它們不具酸鹼性,科學家會精密調控活性碳的孔徑大小,利用龐大的「比表面積」與分子間的吸引力(凡德瓦力),像海綿吸水般將特定的有機分子牢牢鎖在孔隙中。
活性碳如何從物理攔截跨越到分子吸附? / 圖片來源:Amway

空氣濾淨的終極邏輯:物理與化學防線的雙重合圍

在晶圓廠這種對空氣品質斤斤計較的極端環境,活性碳的運用並非「亂槍打鳥」,而是一場極其精密的對戰策略。

-----廣告,請繼續往下閱讀-----

工程師會根據不同製程區域的空氣分析報告,像玩 RPG 遊戲時根據怪物屬性更換裝備一樣——「打火屬性怪要穿防火裝,打冰屬性則換上防寒裝」。在最關鍵的黃光微影區(Photolithography),晶圓最怕的是人體呼出的氨氣,此時便會配置經過酸性藥劑處理的活性碳進行精準中和;而在蝕刻區(Etching),若偵測到酸性廢氣,則會改用鹼性配方的濾網。這種「對症下藥」的客製化邏輯,是確保晶片良率的唯一準則。

而在你的家中,雖然我們無法像晶圓廠那樣天天進行空氣成分分析,但你的肺部同樣需要這種等級的保護。安麗逸新空氣清淨機 SKY 的設計邏輯,正是將這種工業級的精密防護帶入家庭。它不僅擁有前述的高規 HEPA 濾網,更搭載了獲得美國專利的活性碳氣味濾網。

關於活性碳,科學界有個關鍵指標:「比表面積(Specific Surface Area)」。活性碳的孔隙越多、表面積越大,其吸附能力就越強。逸新氣味濾網選用高品質椰殼製成的活性碳,並經過高溫與蒸氣的特殊活化處理,打造出多孔且極致高密度的結構。

這片濾網內的活性碳配重達 1,020 克,但其展開後的總吸附表面積竟然高達 1,260,000 平方公尺——這是一個令人難以想像的數字,相當於 10.5 個台北大巨蛋 的面積。這種超高的比表面積,是市面上常見濾網的百倍之多。更重要的是,它還添加了雙重觸媒技術,能特別針對甲醛、戴奧辛、臭氧以及各種細微的異味分子進行捕捉。這道專利塗層防線,能將你從裝潢家具散發的有機揮發氣體,或是路邊繁忙車流的廢氣中拯救出來,成為全家人的專屬空氣守護者。

總結來說,無論是造價百億的半導體無塵室,還是守護家人的空氣清淨機,其背後的科學邏輯如出一轍:「物理濾網攔截微粒,化學濾網捕捉氣體」。只有當這兩道防線同時運作,空氣才稱得上是真正的「乾淨」。

進一步了解商品:https://shop.amway.com.tw/products/2071?navigationType=brand&

-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

鳥苷三磷酸 (PanSci Promo)_96
246 篇文章 ・ 319 位粉絲
充滿能量的泛科學品牌合作帳號!相關行銷合作請洽:contact@pansci.asia

0

1
0

文字

分享

0
1
0
人生大事難以抉擇?用「最佳停止點」來幫助你下決定吧!
林希陶_96
・2019/03/19 ・2089字 ・閱讀時間約 4 分鐘 ・SR值 528 ・七年級

-----廣告,請繼續往下閱讀-----

大學新鮮人通常是戀愛解禁的時刻,但如何抉擇愛情,是許多莘莘學子一生的困惑。許多人喜歡對他人的感情做出評論,但似乎沒有人使用科學或心理學的方法來討論。這個問題在歐美地區一樣很常見,高中生情侶上大學後分隔兩地,第一次回家過感恩節假期,之後往往就會分手,俗稱為「火雞分手」(Turkey drop,如果你很好奇拿這個辭去Google,你會發現很多有趣的事)。

若將這件事情說的更科學一點,我們可能要換個說法:如果我們遵守連續單偶制(指一人有許多配偶,但每次只有一個),那要跟多少人在一起過,才能知道誰最適合你?

那要跟多少人在一起過,才能知道誰最適合你呢?這事能夠計算得出來的嗎?圖/pixabay

此一困境在數學心理學(Mathematical psychology)上已經研究多年。數學心理學屬於認知心理學的次領域,是使用數學模型來討論心理學所遭遇的各種問題。如何在最佳時機作決定,稱為「最佳停止點」(或稱「最佳停止問題」,Optimal Stopping)〔1]。「最佳停止點」可以應用的方向很廣,舉凡需要做抉擇的事情,都可以用此方法來思考,小到午餐要吃什麼、找停車位、找旅館,大到面試新人、租房子、買賣房子、決定人生伴侶等等。

這個問題已經有了最佳的解答,就是 37﹪法則。

什麼意思?就是將願意花掉的總時間乘以 37﹪,就是最佳決定的時刻。舉一個簡單例子,如果你想要在兩個月之內租到房子,那個房子是最佳房子的最佳機率。那就把 60 天乘以 37﹪,也就是 22 天。也就是花了 22 天之後,你就要出手了。只要找到比你先前看過的房子更令人心動的房子,就立刻動手,不要猶豫,這就是最佳決定的時間點,因為你花再多時間也不可能找到更好的了。

-----廣告,請繼續往下閱讀-----

將願意花掉的總時間乘以 37﹪,就是最佳決定的時刻。圖/pixabay

秘書問題:以最少的時間面試,找到最佳的人選

為什麼是 37﹪,而不是其他數字,這是一個嚴謹數學的問題。「最佳停止點」源自一個古老的起點稱為「秘書問題(secretary problem)」:我們希望花最少的時間,找到最佳的人選。最佳的解決方案,是設定一段思考時間,在這段時間中,先不錄取。但過了這段時間,只要看到比思考階段更好的人選時,就馬上錄取。

如果我們逐一將面試的幾人之後,就做出決定,依序可得到表一。面試兩人時,不論錄取誰,成功率都是 1/2(兩人各有一半的機率是最佳人選)。如果有三人應徵,情況變得較為複雜。在面試第一人,先按兵不動。面試第二人時,若我們知道他比第一位好,就先錄取;若比第一位差,就不錄取。如此找到最佳人選的機率,跟應徵兩人時是一樣的,也是 1/2

當可選擇的人數越來越多時,做決定的界線就是 37﹪。採用這個策略,找到最佳人選的機率也趨近 37﹪。沒錯,世界上並不存在最完美的策略,就算是我們覺得這是最好的方法了,其失敗率仍有 63﹪。採取這樣的方法,主要是取決於大多數的情況下,我們都無法找到最佳人選;但最佳停止策略,卻幫我們節省最多的時間。

-----廣告,請繼續往下閱讀-----

表:面試的幾人後,就下決定最好。圖/泛科學重製,參考自《決斷的演算》,頁26。

回到決定人生伴侶這件事也是雷同的。37﹪法則不只用在應徵人數,也可用在尋找時間。假設從 18 歲開始,我們就汲汲營營於尋找另一半,至 45 歲左右為止。那依據最簡單的減法與乘法(〔(45-18)+1〕×37﹪=10.36),那決定終身伴侶的時間點,就是落在 28 至 29 歲之間。如果那時你已經有合適的伴侶,那就可以考慮結婚了,因為以後也找不到更好的了。(假設啦,我知道真實的情況是像下圖這樣XD)。

截圖取自《心理學派不上用場》。

面對七嘴八舌的詢問,就「解釋」給他們聽吧!

如此之結果,就是對於大一新生伴侶,最好的解答。他們根本不用在十八歲就做人生最後的決定,最佳最合適的時間點根本還沒到。如果遇到惱人的三姑六婆,我們可以拿出數學慢慢算給他們聽,以他們對於數學的耐受力,肯定三分鐘後就放你一馬了。(因為根據 37﹪法則,他們對於困難數學的問題最多只能聽十分鐘,他們能撐三分鐘,已經是最佳策略了)。

-----廣告,請繼續往下閱讀-----

圖/pixabay

其實這個解決方法十分好用,很多時刻時我們常常不知如何做決定,包括買東西、找車位、訂機票、訂旅館等等,難以抉擇的當下無時無刻的困擾著我們。這時候,想想人生並不存在 CP 值最高的,而是「最佳停止點」,才是最完美的策略,想必對於困境也就能慢慢釋懷了。

  • 註:因為三位應徵者,若依其優秀程度,有六種排列方式:1-2-3、1-3-2、2-1-3、2-3-1、3-1-2、3-2-1。若依上面所述,面試第一人先不動。接著只要有更好的人選就錄取,這樣成功錄取最優秀的排列為2-1-3、2-3-1、3-1-2,佔全體一半。若是另外三種排列方式1-2-3、1-3-2、3-2-1,一樣有一半的機率錯過最佳人選。

參考資料與延伸閱讀:

  1. 甘錫安(譯)(2017)。決斷的演算:預測、分析與好決定的11堂邏輯課(Brain Christian & Tom Griffiths)。新北:遠足文化。
-----廣告,請繼續往下閱讀-----
林希陶_96
80 篇文章 ・ 53 位粉絲
作者為臨床心理師,專長為臨床兒童心理病理、臨床兒童心理衡鑑、臨床兒童心理治療與親子教養諮詢。近來因生養雙胞胎,致力於嬰幼兒相關教養研究,並將科學育兒的經驗,集結為《心理師爸爸的心手育嬰筆記》。與許正典醫師合著有《125遊戲,提升孩子專注力》(1)~(6)、《99連連看遊戲,把專心變有趣》、《99迷宮遊戲,把專心變有趣》。並主持FB專頁:林希陶臨床心理師及部落格:暗香浮動月黃昏。

0

0
0

文字

分享

0
0
0
捷運地下委員會的旅行業務員問題
賴 以威
・2015/05/18 ・6172字 ・閱讀時間約 12 分鐘 ・SR值 463 ・五年級

才到中正紀念堂站嗎?今天看書效率還挺高的。

孝和放下手中的講義。

Photo credit: George Alexander Ishida Newman
Photo credit: George Alexander Ishida Newman

上大學後,他養成在捷運上閱讀的習慣。早上11點的捷運車廂空蕩蕩,彷彿是為了將郊區的新鮮空氣運送到市中而行駛,只有孝和與另一位乘客,那人身旁擺了個紙箱,乍看之下也是剛上大學的年紀,卻散發出一股同學沒有的氣息。正確地說,是少了大學生的青春氣息,更像社會人士。

-----廣告,請繼續往下閱讀-----

為什麼可以這時候在捷運上,業務員嗎?不,業務員不應該穿Uniqulo襯衫跟牛仔褲……,孝和猜測起對方背景,藉此打發時間。

列車抵達台電大樓終點站。孝和下車,轉身面對月台,等往公館的下一班列車。忽然,他意識到月台上只有自己一人。

那傢伙不見了。

-----廣告,請繼續往下閱讀-----

幾天後孝和又遇見他了。

那人坐在相同的位子,偶爾看手機,大多時間往漆黑的窗外看著。或許是錯覺,孝和覺得投影在窗戶上的那張臉不時窺視自己。比起無趣的學校,曾經莫名其妙消失的傢伙讓孝和更感興趣。他沒在公館下車,一路來到了終點站新店。下車後,孝和保持一段距離,用眼角餘光觀察對方,兩人一前一後上電扶梯、出站。站外的洗手間,清潔人員正擺上「清理中」的黃色告示,那傢伙卻視若無睹地進去。

「不好意思。」

孝和低聲道歉後也跟了進去。

-----廣告,請繼續往下閱讀-----

那傢伙站在最內側的小便斗前,與孝和對望了一秒,又像沒看見他似地,轉過頭吹起口哨。孝和走向小便斗。忽然,三間廁所門都被推開,三個邋塌的中年男子走出來,擋住孝和的去路,從他們緊靠的身上傳來一股刺鼻體味。孝和察覺不對勁,準備轉身離開,卻被一支拖把從背後頂住。

「不要動。」

清掃人員的聲音從看不見的死角傳來。

「上完廁所的瞬間最舒服了,呼。你是怎麼發現的?」

-----廣告,請繼續往下閱讀-----

孝和沒回答。對方吹著口哨走過來,似乎是英國搖滾天團U2的「With or without you」旋律。他伸出手:「我叫賴皮,你好。」

「你還沒洗手。」

Photo credit: arianne
Photo credit: arianne

-----廣告,請繼續往下閱讀-----

「真的有『捷運地下委員會』這個組織?」

「敝人為初代會長,鏡頭在哪裡?」

「沒那種東西。」

孝和伸手制止賴皮比Ya的手勢。儘管剛認識,兩人卻像老友一樣打鬧著。孝和覺得賴皮和他高中死黨很像,都是思考很超展開的人。以前死黨還說過「籃球隊先發五人,棒球隊先發九人,為什麼女朋友只能先發一人」這種莫名其妙的話。

-----廣告,請繼續往下閱讀-----

「不能拍照噢,禁止攝影。」

賴皮露出正經的表情,孝和吐槽道:「這裡是博物館嗎?」

事實上,這裡恐怕是跟博物館相差最遠的地方了。

在孝和眼前展開的是一條昏暗的捷運隧道,約四、五米挑高,往隧道深處望去有種整個人要被吸進去的錯覺。軌道上鋪了一好幾大片塑膠地板,他們坐在上方。空氣中瀰漫一股柴油發電的油氣味,幾十條電線從發電機出發,像地底才有的藤蔓品種,攀爬上水泥牆,抵擋不過重力,從隧道頂垂吊下來,開出一朵朵澄黃色的工業燈泡。不遠處,有一塊用伸縮圍欄拉出的區域,幾片模糊的身影側躺在那兒。更遠處有許多箱子,整齊堆疊著。

-----廣告,請繼續往下閱讀-----

二十分鐘前,賴皮帶孝和搭上終點站是台電大樓的列車,

「趕快躲到椅子下。」,賴皮邊指揮孝和,自己躲到對面椅子底下。站務人員的腳從他們面前經過,沒停下來,不知道是沒看到,還是跟賴皮有默契。他們在折返的袋狀軌處扳開車門,步行到原本作為擺放備用列車,如今已荒廢的軌道。

這是捷運地圖上沒有的區域,同時也是捷運地下委員會的總部。

「還是不相信嗎?」

賴皮發出嘖嘖嘖的聲響,皺起眉頭:「人類真容易被『常識』束縛,常識裡不該有的存在,親眼見到了也無法相信。」

他裝起客服人員的腔調:「各位先生女士,捷運地下委員會起源於民國八十五年。當時淡水線剛通車,遊民喜歡躲進尚未啟用的隧道裡生活,當局發現後,一方面同情遊民生活,一方面怕強力驅趕引發社會問題,便睜一隻眼閉一隻眼。為了感謝捷運局通融,遊民主動幫忙工程。雙方就像小丑魚跟海葵互利共生。爾後捷運網路發達,遷徙至地下的遊民也越來越多,便成立了捷運地下委員會。除了協助工程,今年更將觸角延伸至送貨服務。」

「 送貨服務?」

賴皮點點頭:「捷運網路就像台北市的血管,血管能輸送氧氣,捷運當然也能送貨。」

我們不僅是小丑魚,還是紅血球。賴皮雙手插腰,一臉得意的樣子。

Photo credit: creativegaz
Photo credit: creativegaz

地下委員會的送貨方式是這樣的:某幾站的廁所掃具間裡設有販賣機,販售一張50元、上面繪製了「U2」的黑底紅字貼紙,販賣機上有QR code可加LINE ID。

「為什麼叫U2?」

孝和把玩著賴皮遞給他的貼紙

「因為是捷運(underground)的地下(underground)服務委員會啊,剛好兩個U。」

「台北捷運叫做MRT又不是underground,根本是因為你喜歡U2吧。」

「那是巧合。」

賴皮不理會孝和,繼續解釋:「客人得坐在第一節車廂末端的靠右三人座,將物品貼上貼紙,再用LINE告訴我們此刻正通過哪一站,要送達的車站,再把物品放在座位底下,我們就會去收貨。」

「不會被別人拿走嗎?」

賴皮用「這是什麼問題」的表情瞪了孝和一眼,「現在捷運上每個人都在玩手機,不會有人注意到座位底下的。況且,這裡是台北市,都市人最擅長對奇怪的事情裝作沒看到。」

果然又是常識害的嗎,孝和心想。

「收到後,我們會於24小時以內以遺失物品的名義送達到該站站務。之後,收件人就可以去取貨了。」

解釋完,賴皮又吹起口哨,這次換成U2的「Pride(In the name of love)」。孝和採取正面攻擊發問:「幹嘛告訴我這麼多?」

「因為我們需要你的幫忙。」

賴皮露出狡猾的笑容。到這邊起才是重點。

賴皮起身走向牆邊,孝和跟在後頭,牆上貼了幾十張表格,記錄捷運不同站間的乘車時間。

表1

「我們最近送貨服務越做越好,開始有些忙不過來,所以得好好規劃起送貨流程。好比說,等等輪到仁叔送貨。」

賴皮往休息區一指,也不管孝和到底有沒有搞清楚仁叔是誰,

「他得送到『板橋、中山、動物園、徐匯中學、南京復興、市政府、善導寺、大安森林公園』八站。你覺得送貨順序怎麼排會比較好?」

「這是旅行業務員--」

Photo credit: katerha
Photo credit: katerha

賴皮打斷孝和,他說「我是這樣安排的:

賴皮的直覺法 台電大樓 板橋 徐匯 中山 南京復興 市政府 動物園 大安森林 善導寺 台電大樓 總和
18 35 14 4 11 26 21 9 13 151

根據捷運局公布的時間,需要花--」

「151分鐘。」

換孝和打斷賴皮。

「好厲害!這麼快就算出來了。」

賴皮提高音量,發出由衷的讚美,孝和的表情沒有任何變化,依然專注地看著牆上的表格。

「地表人真沒禮貌,被讚美了難道不該道謝嗎?」

「你有兩隻手跟兩隻腳,好厲害。」

「這跟那有什麼關係?」

「看吧,你也沒說謝謝。聽到對方陳述一件事實,本來就不需要道謝吧。」

賴皮做出下巴脫臼的誇張姿勢,然後嘴角露出反擊的笑容

「也是,畢竟是數學天才孝和嘛。」

突然被叫出本名,孝和還沒反應過來,一本書先出現在眼前,

「上週有人用我們的服務送了這本《超展開數學教室》,我一看,就覺得書裡的人好眼熟,跟捷運上常看到的某位大學生很像。」

被將軍了,孝和哭笑不得。前陣子,他們高中時期和老師雲方用數學解決各種生活問題的經歷被出版後,死黨阿叉還用LINE問他:「怎麼辦,會不會有人在路上認出我們啊?」

「你放心吧,書被分在數學類科普,通常不會賣很好。」

「什麼嘛--」

孝和這才意識到原來阿叉是巴不得被認出來。沒想到先一步被發現的是他,還因為這本書被捲入了這近似都市傳奇的組織。

「我知道了。你要我幫忙排送貨流程嗎?」

賴皮點點頭,「跟聰明人講話真輕鬆。現在都靠我慢慢排,其他人懶得要命,要是不事先排好,他們就會隨便選。像仁叔每次都選『最近的下一站』,照他的方法這趟得花181分鐘,

最鄰近搜尋法 台電大樓 中山 南京復興 善導寺 大安森林 市政府 板橋 徐匯 動物園 台電大樓 總和
11 4 10 9 17 23 35 41 31 181

比我規劃的多了半小時,太浪費……」

賴皮劈哩啪啦講著,孝和將他的話視為背景噪音,腦海裡開始運算。等賴皮告一段落,他才開口

「這是標準的旅行業務員問題(Traveling salesman problem)。」

「嘎?」

「我剛一開始就說了,是你打斷我的。」

「想像有位業務員要造訪很多城市,城市間有道路連接。以造訪完所有城市為前題,業務員該如何規劃造訪順序,才能走最短距離、花費最少時間。」

孝和在地下幾十公尺深的地方上起數學課:「仁叔的『最近站為下一站』是最鄰近搜尋法(nearest neighbor search)。」

「仁叔的方法也是數學家提出來的?當數學家也沒想像中的難嘛。」

賴皮不以為然說,孝和瞪了他一眼:「最鄰近搜尋法的優點在於簡單,但效果通常不好,用像你這種程度的大腦去規劃一下,往往就可以得到更好的結果。」

「太失禮了吧,什麼叫做『像我這種程度的大腦』,全台灣有誰比我更了解捷運,你能背出淡水信義線沿線每一站嗎?淡水、紅樹林……」

賴皮念咒似地背起來,孝和研究乘車時間表格,圈起其中幾個欄位。

「大安森林公園、信義安和、大安……顛倒了……這幾站安來安去真煩,你知道嗎,我常因此被下錯站的觀光客問路……101、象山站!」

「不錯嘛,真的背完了。」

「當然,哈哈。你把這幾個圈起來做什麼?」

孝和原本想說「這才叫讚美,因為你做了超乎預期的事」,但看到賴皮一臉得意,他反而失去了嘲諷的興致。

「另一種簡單的方法叫做貪婪演算法:每次都將最短的兩站間路徑加進路線。比方說,中山站到南京復興之間的路徑最短,只要4分鐘,所以是第一條要納入的路徑。再來,善導寺跟中山站之間的路徑第二短,只有7分鐘,也要納入路徑。這麼一來會得到『善導寺→中山→南京復興』或反過來『南京復興→中山→善導寺』兩種路線。」

「再來是9分鐘的市政府到善導寺,路線擴充成『大安森林公園→善導寺→中山→南京復興』嗎?」

孝和點點頭。其實旅行業務員問題還有很多效果更好的演算法,例如插入法(insertion algorithm)、分支界定法(branch and bound),但講解起來太過複雜,他便選了跟最鄰近搜尋概念相似的貪婪演算法。孝和列出貪婪演算法結果:

貪婪演算法 台電 板橋 徐匯 大安森林 動物園 市政府 善導寺 中山 南京復興 台電大樓 總和
18 27 25 21 26 9 7 4 16 153

「共計153分鐘。」

「比我的規劃慢2分鐘。」

賴皮摸摸下巴,對孝和投以懷疑的眼神。孝和不屑地鼻子噴了口氣,冷笑說:「有經驗的人靠直覺解旅行業務員問題,本來就可以得到不錯的結果。但你剛才不是嫌只有你才會排嗎?貪婪演算法的話只要遵守規則,仁叔也能排出跟你精心設計路徑差不多的結果噢。」

孝和頓了頓,「只要善用數學,一般人跟『專家』的距離就能縮小。更何況我還沒講完。」

孝和指著倒數的中山站和南京復興說,「我們交換這兩站順序。從『善導寺→中山→南京復興→台電大樓』變成『善導寺→南京復興→中山→台電大樓』。有兩條路徑會因此變更。」

孝和畫出示意圖

2opt

「因為有兩條路變換,稱之為二元素優化(2-opt),優化後變成151分鐘,跟你的方法一樣了。」

賴皮表情變得複雜,他既不想被超過,又因為找到好方法而開心。孝和看了好笑,用帶點安慰的口吻說:「你的路徑也可以靠2-opt改善。另一種方法是直接調整某站在排序裡的位置。比方說把南京復興從善導寺跟中山之間,移到動物園跟市政府之間。這個調整會導致三條路徑要重算,因此稱為『三元素優化(3-opt)』。」

3opt

「優化後再少4分鐘。重複2/3-opt四次後可以得到這樣的結果

貪婪演算法+2/3-opt 台電大樓 板橋 善導寺 市政府 動物園 南京復興 徐匯 中山 大安森林 台電大樓 總和
18 14 9 26 18 18 14 10 10 137

只要137分鐘就能送貨完畢,比仁叔的方法快了25%。整套調整的方法稱為Lin-Kernighan演算法。」

賴皮拿起筆自己算起來,孝和注意到他握筆姿勢怪怪的,宛如小學生的字體逐漸填滿整張白紙。

圖1

幾十分鐘後,賴皮讚嘆:「原來這就是數學,將事情變得有邏輯,用有系統的方法解決。」

一個念頭在孝和心中閃過:「賴皮,你該不會--」

「嗯,我是在捷運上被發現的棄嬰。當時收留我的就是仁叔。捷運地下委員會最初也是為了照顧我而成立的組織。」

原來眼前的人連身分證都沒有,是真正的幽靈人口。

孝和揣摩著遊民們撿到賴皮時的心境。一個新生兒的出現,對他們來說必然是個負擔,但或許也帶來了生存下去最必須擁有的兩種情感:「希望」與「被需要」。

賴皮搔搔頭說:「名字是仁叔亂取的,我才不是真的姓賴咧。我的知識都是自學來的,雖然常聽說上學很無聊,不過我還是羨慕能上學的人。所以看到你們的《超展開數學教室》才這麼興奮。我想體驗看看,就算一次也好,進教室聽課。」

「你會失望的。」

「失望也是人生的一部分。」

賴皮攤了攤手。孝和搖頭回答:「好吧。那你有沒有想過乾脆離開地底,回到正常社會生活呢?」

賴皮笑著回答:「對我來說這裡是家。儘管家裡比較髒亂,環境比較不好,但你會因此離開家裡嗎?」

孝和完全懂賴皮的意思。他自己也是這樣想,所以儘管這幾年來台灣狀況越來越不好,但他依然沒接受長輩們的建議,到國外念大學。一股莫名其妙的認同感驅使他說出:「好人做到底,我回去後寫個程式。以後你們只要輸入站名,程式就能輸出最佳送貨順序。」

「太棒了!身為地下委員會主席,我要好好感謝你的幫助。」

賴皮從口袋裡掏出厚厚一疊的貼紙。

「我授予你地下委員會榮譽委員,可終生免費使用送貨服務。」

誰需要這種東西啊,孝和正想推辭時:「附帶一提,你也可以在雨傘上貼這個。要是雨傘掉在捷運上,趕快傳LINE給我,我們立刻幫你送回去。這算是變形的失物代拾服務。」

這就蠻有用了,孝和收下了貼紙。賴皮轉身,俐落地從軌道跳上月台,回頭對賴皮伸出手:「我送你回去吧。」

遲疑了一下,孝和伸手與賴皮相握:「你到現在還是沒洗手。」

「哈哈哈。」

「賴皮這名字取得不錯,跟你的個性很貼切。」

「當然,家人取的嘛。」

孝和仰望月台上的賴皮,工業燈泡的光澤在他眼底流動,襯著昏暗的捷運地下隧道,顯得格外閃亮。

一周後,孝和把程式寄給賴皮,附了一份程式碼說明。如今每當想起有一群人,定居在巨大的捷運地下網路中,孝和就感到奇妙。

Photo credit: Y'amal
Photo credit: Y’amal

捷運車門打開,上午十一點的捷運空蕩蕩,彷彿只是為了運送郊區的空氣到市區。他從包包裡拿出一件籃球球衣,一本在二手書店找到的歷史小說,這是要給高中死黨阿叉以及他女友商商的。他在書裡夾了張紙條,上面寫了「下周四一起回學校看老師」,再將書與球衣裝進袋子,貼上U2貼紙。

捷運停車,上來一整群校外教學的國小學生,用高分貝的交談塞滿整節車廂。孝和站起來,往第一節車廂走去。來到最末端的座位,他瞥見座位底下隱約有個物體的輪廓。有人先一步送了貨嗎?他彎下腰檢查。

此時,後方傳來一陣熟悉的聲音:「客人,送貨嗎?」

 

註:更多孝和的故事,請參考《超展開數學教室

Photo credit: Stacy
Photo credit: Stacy

-----廣告,請繼續往下閱讀-----
賴 以威
32 篇文章 ・ 10 位粉絲
數學作家、譯者,作品散見於聯合報、未來少年、國語日報,與各家網路媒體。師大附中,台大電機畢業。 我深信數學大師約翰·馮·諾伊曼的名言「If people do not believe that mathematics is simple, it is only because they do not realize how complicated life is」。為了讓各位跟我一樣相信這句話,我們得先從數學有多簡單來說起,聊聊數學,也用數學說故事。 歡迎加入我與太太廖珮妤一起創辦的: 數感實驗室