【数理统计03】集中不等式

集中不等式(concentration inequalities)是在概率论和统计学中用于描述随机变量(尤其是随机变量的和或函数)的集中程度的一类不等式。它们为随机变量偏离其期望值的概率提供了上界。这些不等式在很多领域都有应用,包括机器学习、统计学习理论、组合数学和随机过程等。下面介绍几种常见的集中不等式:

1.马尔可夫不等式(Markov’s Inequality)

马尔可夫不等式(Markov’s Inequality)是概率论中的一个基本不等式,用于估计随机变量大于某个正数的概率。它适用于任何非负随机变量,提供了一个简单而有用的上界。下面是马尔可夫不等式的正式陈述及其证明。

X X X是一个非负随机变量,且 a > 0 a > 0 a>0,则:
P ( X ≥ a ) ≤ E [ X ] a P(X \geq a) \leq \frac{\mathbb{E}[X]}{a} P(Xa)aE[X]

证明

  1. 考虑事件 { X ≥ a } \{X \geq a\} {Xa},引入指示函数 I { X ≥ a } I_{\{X \geq a\}} I{Xa},其取值为:
    I { X ≥ a } = { 1 , 如果  X ≥ a , 0 , 如果  X < a . I_{\{X \geq a\}} = \begin{cases} 1, & \text{如果 } X \geq a, \\ 0, & \text{如果 } X < a. \end{cases} I{Xa}={1,0,如果 Xa,如果 X<a.

  2. 由于 X ≥ a ⋅ I { X ≥ a } X \geq a \cdot I_{\{X \geq a\}} XaI{Xa},我们有:
    X ⋅ I { X ≥ a } ≥ a ⋅ I { X ≥ a } . X \cdot I_{\{X \geq a\}} \geq a \cdot I_{\{X \geq a\}}. XI{Xa}aI{Xa}.

  3. 对两边取期望值,得到:
    E [ X ⋅ I { X ≥ a } ] ≥ E [ a ⋅ I { X ≥ a } ] . \mathbb{E}[X \cdot I_{\{X \geq a\}}] \geq \mathbb{E}[a \cdot I_{\{X \geq a\}}]. E[XI{Xa}]E[aI{Xa}].

  4. 由于 I { X ≥ a } I_{\{X \geq a\}} I{Xa}是指示函数,它的期望就是事件 { X ≥ a } \{X \geq a\} {Xa}发生的概率,因此:
    E [ a ⋅ I { X ≥ a } ] = a ⋅ P ( X ≥ a ) . \mathbb{E}[a \cdot I_{\{X \geq a\}}] = a \cdot P(X \geq a). E[aI{Xa}]=aP(Xa).

  5. 因此,不等式变为:
    E [ X ⋅ I { X ≥ a } ] ≥ a ⋅ P ( X ≥ a ) . \mathbb{E}[X \cdot I_{\{X \geq a\}}] \geq a \cdot P(X \geq a). E[XI{Xa}]aP(Xa).

  6. 由于 X ⋅ I { X ≥ a } ≤ X X \cdot I_{\{X \geq a\}} \leq X XI{Xa}X,我们有:
    E [ X ⋅ I { X ≥ a } ] ≤ E [ X ] . \mathbb{E}[X \cdot I_{\{X \geq a\}}] \leq \mathbb{E}[X]. E[XI{Xa}]E[X].

  7. 结合以上两点,我们得到:
    E [ X ] ≥ a ⋅ P ( X ≥ a ) . \mathbb{E}[X] \geq a \cdot P(X \geq a). E[X]aP(Xa).

  8. 最终,马尔可夫不等式成立:
    P ( X ≥ a ) ≤ E [ X ] a . P(X \geq a) \leq \frac{\mathbb{E}[X]}{a}. P(Xa)aE[X].

应用

马尔可夫不等式在各种情况下都有广泛的应用,尤其是在对随机变量进行估计和给出尾部概率上界时。它的简单形式使得它成为其他更复杂不等式(如切尔诺夫不等式和霍夫丁不等式)的基础。

例如,假设有一个随机变量 X X X,其期望值为10,我们想知道 X X X大于或等于50的概率。应用马尔可夫不等式,有:
P ( X ≥ 50 ) ≤ E [ X ] 50 = 10 50 = 0.2. P(X \geq 50) \leq \frac{\mathbb{E}[X]}{50} = \frac{10}{50} = 0.2. P(X50)50E[X]=5010=0.2.
因此, X X X大于或等于50的概率最多为0.2。

2.切尔诺夫不等式(Chernoff Bound)

切尔诺夫不等式(Chernoff Inequality)是一种强有力的集中不等式,用于估计独立随机变量的和偏离其期望值的概率。它通常用于分析独立二项随机变量和泊松随机变量的尾部概率。切尔诺夫不等式的两个常见形式是针对上尾和下尾概率的估计。

切尔诺夫不等式(上尾)

X 1 , X 2 , … , X n X_1, X_2, \ldots, X_n X1,X2,,Xn是独立的伯努利随机变量,且每个 X i X_i Xi满足 P ( X i = 1 ) = p i P(X_i = 1) = p_i P(Xi=1)=pi,定义 S n = ∑ i = 1 n X i S_n = \sum_{i=1}^n X_i Sn=i=1nXi,则对于任意 0 < δ < 1 0 < \delta < 1 0<δ<1,有:
P ( S n ≥ ( 1 + δ ) μ ) ≤ exp ⁡ ( − δ 2 μ 2 + δ ) , P(S_n \geq (1 + \delta)\mu) \leq \exp\left(-\frac{\delta^2 \mu}{2 + \delta}\right), P(Sn(1+δ)μ)exp(2+δδ2μ),
其中 μ = E [ S n ] = ∑ i = 1 n p i \mu = \mathbb{E}[S_n] = \sum_{i=1}^n p_i μ=E[Sn]=i=1npi

切尔诺夫不等式(下尾)

同样的设定,对于任意 0 < δ < 1 0 < \delta < 1 0<δ<1,有:
P ( S n ≤ ( 1 − δ ) μ ) ≤ exp ⁡ ( − δ 2 μ 2 ) . P(S_n \leq (1 - \delta)\mu) \leq \exp\left(-\frac{\delta^2 \mu}{2}\right). P(Sn(1δ)μ)exp(2δ2μ).

一般形式的切尔诺夫不等式

X 1 , X 2 , … , X n X_1, X_2, \ldots, X_n X1,X2,,Xn是独立同分布的随机变量,且取值范围为 [ 0 , 1 ] [0,1] [0,1],定义 S n = ∑ i = 1 n X i S_n = \sum_{i=1}^n X_i Sn=i=1nXi,则对于任意 t > 0 t > 0 t>0,有:
P ( S n ≥ E [ S n ] + t ) ≤ exp ⁡ ( − 2 t 2 n ) . P(S_n \geq \mathbb{E}[S_n] + t) \leq \exp\left(-\frac{2t^2}{n}\right). P(SnE[Sn]+t)exp(n2t2).
类似地,对于下尾,有:
P ( S n ≤ E [ S n ] − t ) ≤ exp ⁡ ( − 2 t 2 n ) . P(S_n \leq \mathbb{E}[S_n] - t) \leq \exp\left(-\frac{2t^2}{n}\right). P(SnE[Sn]t)exp(n2t2).

证明思想(简要)

切尔诺夫不等式的证明通常基于矩母函数(moment generating function)和鞅(martingale)的方法。以下是一个简要的证明思路:

  1. 矩母函数法

    • 定义矩母函数 M X ( t ) = E [ exp ⁡ ( t X ) ] M_X(t) = \mathbb{E}[\exp(tX)] MX(t)=E[exp(tX)]
    • 利用独立性和随机变量的特性,构造矩母函数的上界。
    • 通过选择合适的参数 t t t,优化上界以得到所需的不等式。
  2. 鞅法

    • 构造鞅序列并应用阿兹马尔-海涅不等式(Azuma-Hoeffding Inequality)。
    • 使用鞅的性质和差值的界限来推导出尾部概率的不等式。

切尔诺夫不等式的强大之处在于它不仅适用于独立同分布的随机变量,还可以扩展到一些更复杂的情况。它在计算机科学、统计学、机器学习和组合优化中具有广泛的应用,用于分析算法性能和随机过程的行为。

3.霍夫丁不等式(Hoeffding’s Inequality)

霍夫丁不等式(Hoeffding’s Inequality)是概率论中的一种重要集中不等式,它提供了独立随机变量和偏离其期望值的概率的上界。霍夫丁不等式特别适用于处理取值范围有限的独立随机变量,广泛应用于统计学和机器学习中。

X 1 , X 2 , … , X n X_1, X_2, \ldots, X_n X1,X2,,Xn是独立随机变量,每个 X i X_i Xi的取值范围为 [ a i , b i ] [a_i, b_i] [ai,bi]。定义 S n = X 1 + X 2 + ⋯ + X n S_n = X_1 + X_2 + \cdots + X_n Sn=X1+X2++Xn,则对于任意的 ϵ > 0 \epsilon > 0 ϵ>0,有:

P ( S n − E [ S n ] ≥ t ) ≤ exp ⁡ ( − 2 t 2 ∑ i = 1 n ( b i − a i ) 2 ) P(S_n - \mathbb{E}[S_n] \geq t) \leq \exp \left( -\frac{2t^2}{\sum_{i=1}^n (b_i - a_i)^2} \right) P(SnE[Sn]t)exp(i=1n(biai)22t2)

类似地,对于下尾,我们有:

P ( S n − E [ S n ] ≤ − t ) ≤ exp ⁡ ( − 2 t 2 ∑ i = 1 n ( b i − a i ) 2 ) P(S_n - \mathbb{E}[S_n] \leq -t) \leq \exp \left( -\frac{2t^2}{\sum_{i=1}^n (b_i - a_i)^2} \right) P(SnE[Sn]t)exp(i=1n(biai)22t2)

结合这两个不等式,可以得到:

P ( ∣ S n − E [ S n ] ∣ ≥ t ) ≤ 2 exp ⁡ ( − 2 t 2 ∑ i = 1 n ( b i − a i ) 2 ) P(|S_n - \mathbb{E}[S_n]| \geq t) \leq 2 \exp \left( -\frac{2t^2}{\sum_{i=1}^n (b_i - a_i)^2} \right) P(SnE[Sn]t)2exp(i=1n(biai)22t2)

证明思路

霍夫丁不等式的证明基于切尔诺夫界和对鞅的应用。以下是一个简要的证明思路:

  1. 鞅的构造

    • 考虑鞅差序列 { Y i } \{Y_i\} {Yi},其中 Y i = X i − E [ X i ] Y_i = X_i - \mathbb{E}[X_i] Yi=XiE[Xi],则 S n − E [ S n ] = ∑ i = 1 n Y i S_n - \mathbb{E}[S_n] = \sum_{i=1}^n Y_i SnE[Sn]=i=1nYi
  2. 应用切尔诺夫界

    • 对于每个 Y i Y_i Yi,利用矩母函数 E [ exp ⁡ ( λ Y i ) ] \mathbb{E}[\exp(\lambda Y_i)] E[exp(λYi)],并利用独立性将矩母函数分解为每个 Y i Y_i Yi的矩母函数的乘积。
    • 由于 Y i Y_i Yi的取值范围为 [ a i − E [ X i ] , b i − E [ X i ] ] [a_i - \mathbb{E}[X_i], b_i - \mathbb{E}[X_i]] [aiE[Xi],biE[Xi]],我们可以对每个 Y i Y_i Yi的矩母函数进行上界估计。
  3. 选择合适的参数

    • 通过选择合适的 λ \lambda λ,优化上界得到最紧的不等式。
  4. 综合结果

    • 将上界进行汇总,得到霍夫丁不等式的形式。

应用

霍夫丁不等式在许多领域都有广泛的应用,包括:

  • 机器学习:用于评估学习算法的泛化误差和验证模型的稳定性。
  • 统计学:用于估计样本均值与总体均值之间的偏差。
  • 算法分析:用于分析随机算法的性能,特别是算法的运行时间和误差估计。

例如,在机器学习中,假设我们有一个包含独立同分布随机变量的数据集,我们可以用霍夫丁不等式来确定某个参数估计值与其真实值偏离的概率上界,从而为模型的性能提供置信区间。

4.阿兹马尔-海涅不等式(Azuma-Hoeffding Inequality)

阿兹马尔-海涅不等式(Azuma-Hoeffding Inequality)是鞅(martingale)理论中的一种重要集中不等式。它给出了鞅序列在每一步变化受到限制时,其偏离期望的概率的上界。这一不等式对于分析具有鞅性质的随机过程非常有用,特别是在算法分析和随机过程研究中。

{ X i } i = 0 n \{X_i\}_{i=0}^n {Xi}i=0n是一个鞅序列,即满足 E [ X i + 1 ∣ X 1 , X 2 , … , X i ] = X i \mathbb{E}[X_{i+1} \mid X_1, X_2, \ldots, X_i] = X_i E[Xi+1X1,X2,,Xi]=Xi对所有 i i i成立。同时假设对每个 i i i ∣ X i + 1 − X i ∣ ≤ c i |X_{i+1} - X_i| \leq c_i Xi+1Xici,则对于任意 t > 0 t > 0 t>0,有:

P ( X n − X 0 ≥ t ) ≤ exp ⁡ ( − t 2 2 ∑ i = 1 n c i 2 ) P(X_n - X_0 \geq t) \leq \exp \left( -\frac{t^2}{2 \sum_{i=1}^n c_i^2} \right) P(XnX0t)exp(2i=1nci2t2)

类似地,对于下尾,亦有:

P ( X n − X 0 ≤ − t ) ≤ exp ⁡ ( − t 2 2 ∑ i = 1 n c i 2 ) P(X_n - X_0 \leq -t) \leq \exp \left( -\frac{t^2}{2 \sum_{i=1}^n c_i^2} \right) P(XnX0t)exp(2i=1nci2t2)

结合这两个不等式,可以得到:

P ( ∣ X n − X 0 ∣ ≥ t ) ≤ 2 exp ⁡ ( − t 2 2 ∑ i = 1 n c i 2 ) P(|X_n - X_0| \geq t) \leq 2 \exp \left( -\frac{t^2}{2 \sum_{i=1}^n c_i^2} \right) P(XnX0t)2exp(2i=1nci2t2)

证明思路

阿兹马尔-海涅不等式的证明通常基于鞅的矩母函数和鞅差序列的性质。以下是一个简要的证明思路:

  1. 构造鞅差序列

    • Y i = X i − X i − 1 Y_i = X_i - X_{i-1} Yi=XiXi1,则 { Y i } i = 1 n \{Y_i\}_{i=1}^n {Yi}i=1n是一个鞅差序列,并且满足 E [ Y i ∣ X 1 , X 2 , … , X i − 1 ] = 0 \mathbb{E}[Y_i \mid X_1, X_2, \ldots, X_{i-1}] = 0 E[YiX1,X2,,Xi1]=0
  2. 应用鞅的性质

    • 利用鞅差序列的独立性和有界性,构造鞅序列的矩母函数。
  3. 利用切尔诺夫界

    • 对于每个 Y i Y_i Yi,利用切尔诺夫界得到它们和的偏离概率的上界。
  4. 优化参数

    • 选择合适的参数 t t t,优化上界,最终得到阿兹马尔-海涅不等式。

应用

阿兹马尔-海涅不等式在很多领域都有重要应用,特别是:

  • 算法分析:用于分析随机算法的性能,特别是在随机过程中的误差估计。
  • 随机过程:用于研究随机过程的偏离行为,如布朗运动和随机游走。
  • 机器学习:用于分析学习算法的收敛性和稳定性。

例如,在分析一个随机算法的运行时间时,可以将运行时间建模为一个鞅序列,通过应用阿兹马尔-海涅不等式,得到其偏离期望时间的概率上界,从而评估算法的效率和可靠性。

5.贝尔斯坦不等式(Bernstein Inequality)

贝尔斯坦不等式(Bernstein Inequality)是概率论中的一种重要集中不等式,用于给出独立随机变量和偏离其期望值的概率的上界。它在处理随机变量的方差已知且具有一定界限的情况下非常有用。贝尔斯坦不等式特别适合于处理那些变量范围已知且方差较小的情形。

X 1 , X 2 , … , X n X_1, X_2, \ldots, X_n X1,X2,,Xn是独立的零均值随机变量,且满足 ∣ X i ∣ ≤ M |X_i| \leq M XiM。定义 S n = ∑ i = 1 n X i S_n = \sum_{i=1}^n X_i Sn=i=1nXi,则对于任意 t > 0 t > 0 t>0,有:

P ( S n ≥ t ) ≤ exp ⁡ ( − t 2 2 ( ∑ i = 1 n V a r ( X i ) + M t 3 ) ) P\left(S_n \geq t\right) \leq \exp \left( -\frac{t^2}{2 \left( \sum_{i=1}^n \mathrm{Var}(X_i) + \frac{Mt}{3} \right)} \right) P(Snt)exp(2(i=1nVar(Xi)+3Mt)t2)

下界形式

类似地,对于下界,我们有:

P ( S n ≤ − t ) ≤ exp ⁡ ( − t 2 2 ( ∑ i = 1 n V a r ( X i ) + M t 3 ) ) P\left(S_n \leq -t\right) \leq \exp \left( -\frac{t^2}{2 \left( \sum_{i=1}^n \mathrm{Var}(X_i) + \frac{Mt}{3} \right)} \right) P(Snt)exp(2(i=1nVar(Xi)+3Mt)t2)

结合形式

结合这两个不等式,可以得到:

P ( ∣ S n ∣ ≥ t ) ≤ 2 exp ⁡ ( − t 2 2 ( ∑ i = 1 n V a r ( X i ) + M t 3 ) ) P\left(|S_n| \geq t\right) \leq 2 \exp \left( -\frac{t^2}{2 \left( \sum_{i=1}^n \mathrm{Var}(X_i) + \frac{Mt}{3} \right)} \right) P(Snt)2exp(2(i=1nVar(Xi)+3Mt)t2)

证明思路

贝尔斯坦不等式的证明一般基于切尔诺夫界和矩母函数的方法。以下是一个简要的证明思路:

  1. 矩母函数法

    • 考虑 S n S_n Sn的矩母函数 E [ exp ⁡ ( λ S n ) ] \mathbb{E}[\exp(\lambda S_n)] E[exp(λSn)],其中 λ \lambda λ是一个任意实数参数。
    • 由于 X i X_i Xi是独立的,矩母函数可以分解为每个 X i X_i Xi的矩母函数的乘积。
  2. 利用独立性和界限条件

    • 利用 X i X_i Xi的独立性和有界性 ∣ X i ∣ ≤ M |X_i| \leq M XiM,对矩母函数进行上界估计。
    • 应用泰勒展开和一些不等式(如拉格朗日乘数法)来处理矩母函数。
  3. 优化参数

    • 选择合适的参数 λ \lambda λ,使得上界最小化,从而得到最紧的集中不等式。

应用

贝尔斯坦不等式在许多领域都有广泛的应用,特别是在以下几个方面:

  • 算法分析:用于分析随机算法的性能,特别是算法的运行时间和误差估计。
  • 统计学:用于估计样本均值和总体均值之间的偏差。
  • 机器学习:用于评估学习算法的泛化误差,特别是在有限样本情况下。

例如,在分析一个机器学习算法的泛化误差时,可以将训练误差建模为独立随机变量的和,通过应用贝尔斯坦不等式,得到其偏离期望误差的概率上界,从而评估算法的稳定性和可靠性。

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/web/16747.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

使用OpenSSL生成证书和私钥文件

使用OpenSSL生成证书和私钥文件&#xff0c;请按以下步骤操作&#xff1a; 第1步&#xff1a;生成RSA私钥 openssl genrsa -out private_key.pem 2048参数 -out 指定生成的私钥文件名&#xff0c;参数 2048 指定生成的RSA私钥以位为单位的长度&#xff0c;常见的取值&#xf…

Oracle表空间加密全过程极简实验

加密前 准备加密HR Schema中的表。 SQL> col table_name for a20 SQL> select table_name, tablespace_name from all_tables where ownerHR;TABLE_NAME TABLESPACE_NAME -------------------- ------------------------------ DEPARTMENTS …

json文件写操作

一、背景 二、json写操作 2.1 json文件写操作,拷贝初版 //json文件写操作,拷贝初版void json_write() {//1. 定义对象 { }cJSON* interest cJSON_CreateObject();// 插入元素&#xff0c;对应 键值对cJSON_AddItemToObject(interest, "combat", cJSON_CreateStri…

【基于Fluent和深度学习算法驱动的流体力学计算与应用】

在深度学习与流体力学融合的背景下&#xff0c;科研边界不断拓展&#xff0c;创新成果层出不穷。从物理模型融合到复杂流动模拟&#xff0c;从数据驱动研究到流场智能分析&#xff0c;深度学习正以前所未有的力量重塑流体力学领域。目前在Nature和Science杂志上发表的深度学习驱…

Leetcode 力扣93. 复原IP地址 (抖音号:708231408)

有效 IP 地址 正好由四个整数&#xff08;每个整数位于 0 到 255 之间组成&#xff0c;且不能含有前导 0&#xff09;&#xff0c;整数之间用 . 分隔。 例如&#xff1a;"0.1.2.201" 和 "192.168.1.1" 是 有效 IP 地址&#xff0c;但是 "0.011.255.2…

常见乱码分析

java编解码 如果该编码本身支持中文&#xff0c;同类型 编解码&#xff0c;中文不会乱码&#xff0c; 如果该编码本身不支持中文&#xff08;如&#xff1a;US_ASCII&#xff0c;ISO_8859_1&#xff09;&#xff0c;同类型 编解码&#xff0c;中文也会乱码 StandardCharsets 不…

uinapp 写好的聊天基础页面,拿来就用非常方便

<template><view class"chat"><!-- <u-navbar :title"name" :placeholdertrue leftClick"goback"></u-navbar> --><!-- 顶部标题 --><view class"topTabbar"><!-- 返回图标 --><u…

Linux 中的进程优先级管理

在 Linux 系统中&#xff0c;理解和管理进程优先级是维护系统性能的关键因素。本文将详细介绍进程优先级&#xff08;priority&#xff09;的基本概念、如何查看和调整进程优先级&#xff0c;以及 nice 值对优先级的影响。 基本概念 在多任务操作系统中&#xff0c;CPU 资源的…

Power BI 使用Filter()函数完成类似子查询的筛选

1. 假如我们有两张表&#xff0c;如下图&#xff0c;以及它们的关联方式&#xff1a; tb_bursary.student_id tb_student.id 2. 我们想要实现这个逻辑&#xff0c;先找出tb_student里&#xff0c;sno最大的学生id&#xff0c;再根据查找出的学生id&#xff0c;找到tb_bursary…

TS 进阶类型

联合类型 | 当 TS 不确定一个联合类型的变量到底是哪个类型的时候,可以定义多种类型&#xff0c;例如&#xff0c;一个变量既支持 number 类型&#xff0c;又支持 string 类型. let num: 类型1 | 类型2 | 类型3 .... 初始值 let num:number | string 1 // 可以写多个类型 /…

C++笔试强训day34

目录 1.ISBN号码 2.kotori和迷宫 3.矩阵最长递增路径 1.ISBN号码 链接https://www.nowcoder.com/practice/95712f695f27434b9703394c98b78ee5?tpId290&tqId39864&ru/exam/oj 提取题意&#xff0c;模拟一下即可。 #include <iostream> using namespace std; …

学习笔记:C语言的32个关键字

一、标准C语言的32个关键字 1、基本数据类型&#xff1a; signed unsigned char int float double short long void 2、构造数据类型&#xff1a; struct union enum 3、数据存储类别&#xff1a; auto static extern register 4、数据优化&#xff1a; const volatile 5、9条…

Java(其十二)--集合·初级

ArrayList集合 集合有很多种&#xff0c;ArrayList 是最常用的一种&#xff0c;集合的作用相当于C中的STL 最显著的特点就是&#xff1a;自动扩容。 一般定义式 ArrayList list new ArrayList(); //该 list 是可以储存各种类型的数据的&#xff0c;要想约束储存的数据&#x…

买车是小米su7还是model3?这个AI在我这里“干掉了”百万车评人

作者 | 曾响铃 文 | 响铃说 43天交付1万辆新车&#xff01;雷军的微博一发&#xff0c;又把小米汽车推上了热搜。 自小米su7问世以来&#xff0c;天天刷屏。说不心动&#xff0c;那是假的&#xff0c;身边好几个朋友都按捺不住要下订一台了。 但真要买&#xff0c;还是忍不住…

[回溯法]子集和数问题

没有任何优化&#xff0c;纯深搜做法&#xff1a; #include<iostream> #include<vector> using namespace std;const int N 100010; int nums[N],selected[N]; int n,M,sum; bool ansfalse;void Out() {for (int i 0; i < n - 1; i)printf("%d", …

Gateway+Oauth2授权码登录

在Oauth服务中配置 @Override protected void configure(HttpSecurity http) throws Exception {http.csrf().disable().formLogin().permitAll().and()//主要配置好.formLogin().authorizeRequests().requestMatchers(EndpointRequest.toAnyEndpoint()).permitAll().antMatche…

强大的医院绩效考核管理系统源码,支持行业内所有绩效方案,且每步核算都可自主进行方案的新建、调整。

医院绩效考核管理系统是采用B/S架构模式设计、使用JAVA语言开发、后台使用MySql数据库进行管理的一整套计算机应用软件源码。 系统和his系统进行对接&#xff0c;按照设定周期&#xff0c;从his系统获取医院科室和医生、护士、其他人员工作量&#xff0c;对没有录入信息化系统…

YOLOv10:全面的效率-准确性驱动模型设计

YOLOv10&#xff1a;全面的效率-准确性驱动模型设计 提出背景精细拆分解法双重标签分配一致的匹配度量以效率为导向的模型设计 YOLO v10 总结1. 双重标签分配策略2. 一致匹配度量策略 论文&#xff1a;https://arxiv.org/pdf/2405.14458 代码&#xff1a;https://github.com/T…

今日选题。

诱导读者点开文章的9引真经&#xff08;一&#xff09; 标题重要么&#xff1f;新媒体、博客文通常在手机上阅读。首先所有的内容不同于纸媒&#xff0c;手机只展现标题&#xff0c;而内容都是折叠。其次读者能像看内容一样看4、5条或者7、8条标题&#xff08;区别于不同的主流…

微信小程序实现计算当前位置到目的地的距离

实现方式&#xff1a;使用腾讯位置服务 微信小程序JavaScript SDK | 腾讯位置服务 1.进腾讯位置服务申请key 2.下载sdk 微信小程序JavaScript SDK | 腾讯位置服务 3.微信公众平台添加授权域名 4.代码实现计算 const qqmap require("../../utils/qqmap-wx-jssdk.min.js…