数据点向指定中心点收敛的函数/原理咨询（关联薪资公平场景）

嗨，这个需求在薪资公平这类需要平衡离散数值的场景里特别实用，完全不用转去Quant.SE，咱们直接聊聊几个简单又好用的方法～

首先最常用的是线性收敛函数，它完全符合你要的“距离中心点越远，变化幅度越大”的要求，还自带可调节的收敛强度系数。公式是这样的：

new_value = center + (original_value - center) * (1 - alpha)

这里的参数说明：

• center：你设定的目标中心点（比如例子里的120）
• alpha：收敛强度系数，取值在0到1之间：
  • alpha=0时，数据点完全不变；
  • alpha越接近1，收敛幅度越大；
  • alpha=1时，所有数据点直接变成中心点数值。

拿你的数据举个实际例子，假设alpha取0.5：

• 30 → 120 + (30-120)*(1-0.5) = 75（变化了45）
• 80 → 120 + (80-120)*0.5 = 100（变化了20）
• 150 → 120 + (150-120)*0.5 = 135（变化了15）
• 300 → 120 + (300-120)*0.5 = 210（变化了90）
  你看，距离120最远的300变化最大，最近的150变化最小，完美匹配你的需求。

如果希望收敛幅度不是严格线性的（比如想让极远的点收敛得更快，或者更慢），还可以试试非线性收敛函数：

• 指数衰减型：new_value = center + (original_value - center) * exp(-alpha * abs(original_value - center))，这个函数会让离中心点越远的点，收敛比例越高，适合想快速拉平极端值的场景；
• 对数调节型：new_value = center + (original_value - center) * (1 - alpha * log(abs(original_value - center) + 1))，这个会让极端值的收敛幅度放缓，适合不想过度调整极端数据的情况。

本质上这类函数都属于收缩映射的范畴——把所有数据点朝着中心点“拉近”，且调整量和点到中心的距离正相关，非常适合薪资公平这种需要平衡个体差异和整体目标的场景。你可以根据实际的调整容忍度，灵活调整alpha系数来控制收敛的力度～

备注：内容来源于stack exchange，提问作者Richard