湘潭大学软件工程算法设计与分析考试复习笔记(一)

文章目录

  • 前言
  • 随机类(第七章)
    • 随机
      • 概述
      • 数值随机化
      • 舍伍德
      • 拉斯维加斯
      • 蒙特卡罗
    • 模拟退火
    • 遗传
    • 人工神经网络
  • 回溯(第五章)
  • 动态规划(第四章)
  • 后记

前言

在这里插入图片描述
考试还剩十一天,现在准备开始复习这门课了。好像全是大题。

考试占比百分之五十,之前的课题占三十分,实验十五分,平时成绩五分。我感觉我课题给自己算二十五分,实验是 87*0.15=13 分,平时我都去上课了,没缺勤,算五分,这儿有四十三分了。所以这门课应该还是很容易过的。这次我的目标是想稍微考高点儿。

我记得之前在 csdn 上面看到过之前的回忆的期末题,但是不记得关键字是啥了,之后要是找到了会贴在评论区。有时候有些东西确实没记录或者收藏下来,真就找不到了,“记住什么,这辈子就有什么”,哈哈哈。

第一个题型是对算法的理解。随机类算法,回溯算法,动态规划算法,背后的原理和数学机理,数学机理我感觉是被生造的词哈哈哈。十分。今天就先复习这个题型。

感觉还是优先看课件吧,教材太学术,太新了,我喜欢旧一点的东西,那些时间给我带来确认和归属感。太新的东西给我一种不安全感。

回溯和动态规划好说,课件第四章和第五章是专门讲这两个算法的。随机类算法是啥呢?

查了一下,就是第七章的概率算法,包括随机算法,遗传算法,模拟退火算法,人工神经网络。模拟退火算法之前做过一次实验,虽然是直接理解这个源代码的。湘潭大学软件工程算法设计与分析实验-模拟退火算法

随机类(第七章)

在这里复习第一个题型,主要是复习基本的原理,那么应该能大概知道就行了。什么时间复杂度,空间复杂度,具体的代码实现,这个题型应该都不用管。当然在复习这个的时候把这些全弄清楚肯定好一些,就是太累了一点。

每个小节一二十页课件,其实还好。

想起来有个朋友说,他准备把学习通上面的网课全部看一遍,非常谨慎,我在考虑我要不要也看一遍,但是我看一遍可能也没啥用,可能看不懂,纠结。

随机

概述

随机算法可能以较小的概率出错,我感觉差不多了,感觉大概率正确在很多场景下都够用了,只有一些不容出错的场景不太适用,比如说什么导弹发射,医院电力控制(不能断电,断电了呼吸机啥的医疗仪器不能用了,出问题了就)

小概率事件在我的生活中发生的确实挺少的,比如买彩票七个数字我一般一个数字都不中。

概述只是一个大概的了解,应该不会考。

数值随机化

线性同余算法的公式是这样的
在这里插入图片描述
哈哈会不会就是考这个,之前数据结构就是考第一个函数二分函数,估计是想把难度降低一些。算法考试会不会刻意把难度降低一些呢?

具体的代码我暂时不看,主要是看不懂。

用这种面积或者求积分算面积,然后尝试足够多次,要是印象没出错的话,这应该就是几何概型求概率,算面积的比值就好了。比较简单。

再后面的好像是古典概型。好像不是,是抽取随机数字,但是这个随机数字之前不能被抽到过。
在这里插入图片描述

这里是说从 n 个元素里面抽取 m 个元素,我理解的没错的话,m 比较大,超过所有元素的一半的时候就把一些元素直接舍弃掉,也就是不一个一个抽取,舍弃掉之后直接全选。

彻底理解位运算——左移、右移:简单来说就是,左移就是乘,右移就是除,2 的某次方。这个我用的比较少,差点忘了。每次写代码的时候担心写错,我每次都是直接写除以 2 ,而不是写 >>1 ,我还是太谨慎了。这里的代码感觉就是用了一个生成随机数函数,其他的都比较直观。

舍伍德

在这里插入图片描述
课件里面这块应该是说 O(n^2) ,应该是格式问题没有正确显示。

好像不看代码完全理解不了算法的意思。前面的数值随机化可能也还要看代码重新理解一下。

消除最坏情形行为和特定实例之间的关联性,这句话不知道是啥意思。xtu oj 聚会:这里代码前面有一个快速排序模板,我没看明白这快速排序和舍伍德之间的关系是啥。

后面的也看不懂。

拉斯维加斯

拉斯维加斯算法有可能找不到解,所以使用倔强算法,我感觉就是用一种方法做不到一件事情的时候,再坚持坚持,倔强倔强。还不行可能就真不行了哈哈。

倔强算法就是只要没有找到需要的解,就一直用原来的算法继续寻找。

拉斯维加斯解决 n 后问题比较暴力,感觉比较难找到需要的解,太随机了。直接生成答案,我感觉难度就相当于在键盘上随便敲,没有逻辑地敲出世界名著的几百万字的这种难度。

回忆一下什么是 n 后问题,就是每一行,每一列,每条斜线都只能有一个皇后。

蒙特卡罗

建议读者主要还是看课件复习,看我的博客还是图一乐,该博客主要是一个陪伴作用,让读者知道有人也在努力地准备这个期末考试。因为博客里面会加入一些我的个人理解,然后会损失一些课件里面的重要信息。

所以就是所有的随机算法调用的次数越多,重复的次数越多,效果越好。

偏真算法:我感觉就是,假设我和朋友在核对一次测试的答案,我和朋友说这个题的答案我很确定是这个,那这个答案基本就是这个,假设我说不确定这个答案是这个,那么这个题答案可能是我写的答案,也可能不是这个,也就是课件里面的“有可能产生错误的解”。关键在于我能不能正确判断自己对答案的掌握程度。

主元素就是一个数组里面出现次数超过一半的元素。随机算法比顺序算法更好的一点就是有可能更快找到答案。顺序找可能要全部遍历一遍才能找到答案。随机算法可能一次就找到答案了。

后面的都看不懂,应该是废了。

下面的内容明天继续复习。

模拟退火

遗传

人工神经网络

回溯(第五章)

动态规划(第四章)

后记

这个我会每天更新,一直到 26 号晚上 22:00, 每天 22:00 更新一篇,记录自己这一天的复习过程哈哈哈。最后使尽全力还是 60 出头,70 出头就有点无奈了。哎。

今天复习的内容有点少了,感觉把课件完整看一遍都是问题了。还要做人机交互实验,争取下周五把人机交互实验做完。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/886505.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Python常用魔术方法 (学习笔记)

文章目录 一、魔术方法是什么?二、使用步骤1.__ str __(self):2.__ lt__(self):3. __ le __(self):4. __ eq __(self): 总结 一、魔术方法是什么? 在Python中,魔术方法(也称为特殊方法或双下划线方法)是一类具有特殊用…

手写模拟Spring Boot自动配置功能

引言 随着微服务架构的兴起,Spring Boot作为一种快速开发框架,因其简化了Spring应用的初始搭建和开发过程,受到了广大开发者的青睐。自动配置作为Spring Boot的核心特性之一,大大减少了手动配置的工作量,提高了开发效…

Linux性能优化之火焰图的起源

Linux火焰图的起源与性能优化专家 Brendan Gregg 密切相关,他在 2011 年首次提出这一工具,用于解决性能分析过程中可视化和数据解读的难题。 1. 背景:性能优化的需求 在现代计算中,性能优化往往需要对程序执行中的热点和瓶颈进行…

【论文精读】GOT-OCR2.0源码论文——打破传统OCR流程的多模态视觉-语言大模型架构:预训练VitDet 视觉模型+ 阿里通义千问Qwen语言模型

作为本系列的开篇文章,首先定下本系列的整体基调。论文精读系列,旨在记录研读深度学习、强化学习相关论文的个人心得和理解,仅供参考,欢迎指正错误和研究探讨。 所有文章只会摘选论文部分进行分析,且不一定按原文行文顺…

动态规划之股票系列

123. 买卖股票的最佳时机 III 188. 买卖股票的最佳时机 IV 309. 买卖股票的最佳时机含冷冻期 1.AC代码: class Solution {public int maxProfit(int[] prices) {int nprices.length;int[][] dpnew int[n][5];dp[0][1]-prices[0];dp[0][3]-prices[0];for(int i1;i<n;i){/…

使用 Qt 实现基于海康相机的图像采集和显示系统(不使用外部视觉库,如Halcon\OpenCv)[工程源码联系博主索要]

本文将梳理一个不借助外部视觉库&#xff08;如 OpenCV/Halcon&#xff09;的海康相机图像采集和显示 Demo。该程序直接使用 Qt GUI 来显示图像。通过海康 MVS SDK 实现相机的连接、参数设置、图像采集和异常处理等功能&#xff0c;并通过 Qt 界面展示操作结果。 1. 功能概述 …

在Ubuntu22.04上源码构建ROS noetic环境

Ubuntu22.04上源码构建ROS noetic 起因准备环境创建工作目录并下载源码安装编译依赖包安装ros_comm和rosconsole包的两个补丁并修改pluginlib包的CMakeLists的编译器版本编译安装ROS noetic和ros_test验证 起因 最近在研究VINS-Mono从ROS移植到ROS2&#xff0c;发现在编写feat…

C++——类和对象(part2)

前言 本篇博客继续为大家介绍类与对象的知识&#xff0c;承接part1的内容&#xff0c;本篇内容是类与对象的核心内容&#xff0c;稍微有些复杂&#xff0c;如果你对其感兴趣&#xff0c;请继续阅读&#xff0c;下面进入正文部分。 1. 类的默认成员函数 默认成员函数就是用户…

matlab实现主成分分析方法图像压缩和传输重建

原创 风一样的航哥 航哥小站 2024年11月12日 15:23 江苏 为了研究图像的渐进式传输技术&#xff0c;前文提到过小波变换&#xff0c;但是发现小波变换非常适合传输缩略图&#xff0c;实现渐进式传输每次传输的数据量不一样&#xff0c;这是因为每次变换之后低频成分大约是上一…

【HarmonyOS】鸿蒙系统在租房项目中的项目实战(二)

从今天开始&#xff0c;博主将开设一门新的专栏用来讲解市面上比较热门的技术 “鸿蒙开发”&#xff0c;对于刚接触这项技术的小伙伴在学习鸿蒙开发之前&#xff0c;有必要先了解一下鸿蒙&#xff0c;从你的角度来讲&#xff0c;你认为什么是鸿蒙呢&#xff1f;它出现的意义又是…

Scala-字符串(拼接、printf格式化输出等)-用法详解

Scala 一、 使用 号连接字符串 在 Scala 中&#xff0c; 运算符实际上会调用 String 类的 concat 方法或者使用字符串的加法操作&#xff0c;生成一个新的字符串。 字符串是不可变的&#xff0c;每次拼接都会创建一个新的字符串。 Mr. yuTips&#xff1a; 性能相对较差&…

ISCTF2024

ezlogin 源码审计 先审源码,纯js题 const express require(express); const app express(); const bodyParser require(body-parser); var cookieParser require(cookie-parser); var serialize require(node-serialize); app.use(bodyParser.urlencoded({ e…

Mac Java 使用 tesseract 进行 ORC 识别

在 Java 开发中使用图片转文字时&#xff0c;难免会遇到问题&#xff0c;比如我使用 Mac (M1 芯片) 系统进行开发&#xff0c;就出现报错。 博主博客 https://blog.uso6.comhttps://blog.csdn.net/dxk539687357 一、直接使用 1. 使用 brew 进行安装 brew install tesseract…

策略模式-策略模式在不同支付工具中的应用

策略模式中主要有以下角色 抽象策略接口 具体策略实现 1. 定义策略接口 /*** @desc 支付抽象类**/ public interface Pay {/*** 缓存支付方式和对应的支付策实现对象*/Map<String, Pay> payMap = new HashMap<>();public String payment(); } 2. 定义AliPay具体…

使用真实 Elasticsearch 进行更快的集成测试

作者&#xff1a;来自 Elastic Piotr Przybyl 了解如何使用各种数据初始化和性能改进技术加快 Elasticsearch 的自动化集成测试速度。 在本系列的第 1 部分中&#xff0c;我们探讨了如何编写集成测试&#xff0c;让我们能够在真实的 Elasticsearch 环境中测试软件&#xff0c;并…

MySQL:联合查询(2)

首先写一个三个表的联合查询 查询所有同学的每门课成绩&#xff0c;及同学的个人信息 1.我们首先要确定使用哪些表 学生表&#xff0c;课程表&#xff0c;成绩表 2.取笛卡尔积 select * from score,student,course; 3. 确定表与表之间的联合条件 select * from score,stud…

Vue3学习笔记(下)

文章目录 Vue3学习笔记&#xff08;下&#xff09;组合式API下的父子通信父传子子传父 模板引用defineExpose()provide和injectvue3新特性 - defineOptionsvue3新特性 - defineModelPiniaPinia异步写法 Vue3学习笔记&#xff08;下&#xff09; 组合式API下的父子通信 父传子…

【循环测试试题3】小X与数字三角形

题目描述 读入一个正整数n&#xff0c;输出一个n行的数字三角形。 输入 一行一个正整数n&#xff0c;2<n<10。 输出 共n行&#xff0c;第i行包含i个正整数&#xff0c;每个整数占五列。 样例输入 5 样例输出 12 34 5 67 8 9 1011 12 13 14 …

CNN神经网络

CNN 一 基本概述二 基础知识三 经典案例 今天和大家聊聊人工智能中的神经网络模型相关内容。神经网络内容庞大,篇幅有限本文主要讲述其中的CNN神经网络模型和一些基本的神经网络概念。 一 基本概述 深度学习(Deep Learning)特指基于深层神经网络模型和方法的机器学习。它是在…

React中事件绑定和Vue有什么区别?

1. 绑定方式 React&#xff1a;使用jsx语法&#xff0c;通过属性绑定事件。Vue&#xff1a;使用指令&#xff08;如v-on&#xff09;在模板中直接绑定事件。 2. 事件处理 React&#xff1a;通过合成事件系统封装原生事件&#xff0c;提供统一的API。Vue&#xff1a;直接使用…