精华内容
下载资源
问答
  • 简述算法定义和特点。
    万次阅读
    2020-03-01 00:00:44

    1.算法定义:
    算法是规则的有限集合,是为了解决特定问题而规定的一系列操作。
    2.算法特点(特性):
    (1)有限性(有穷性):每个步骤都能在有限时间完成的。(与数学中的有穷无穷性有点区别,比如一个算法20年完成,在数学定义中视为有限,但在计算机算法中有点不切实际视为无限)
    (2)确定性:对于每种情况下执行的操作,在算法中都有确定的规定,使算法的执行者或阅读者都能明确含义如何执行。
    (3)可行性:算法中所有操作必须足够基本都可以通过已经实现的资本操作运算有限次实现。
    (4)输入性:可以有零个输入,多个输入。
    (5)输出性:必须要有输出。

    更多相关内容
  • 一、算法定义

    万次阅读 2019-01-22 17:55:20
    文章目录一、算法定义:二、基本特性:三、算法设计的要求:四、算法效率的度量方法:五、算法的时间复杂度六、算法的空间复杂度 一、算法定义算法是解决特定问题求解决步骤的描述,再计算机中表现为指令的...

    一、算法的定义:

    算法是解决特定问题求解决步骤的描述,再计算机中表现为指令的有限序列,并且每条指令表示一个或多个操作。

    二、基本特性:

    输入、输出、又穷性、确定性、可行性
      输入:算法具有零个或多个输入
      输出:算法至少有一个或多个输出
      有穷性:指算法再执行有限的步骤之后,自动结束而不会出现无心循环,并且每一个步骤再可接受的时间内完成
      确定性:算法的每一个步骤都具有确定的意义,不会出现二义性
      可行性:算法的每一步都必须是可行的,也就是说,每一步都能通过执行有限次数完成

    三、算法设计的要求:

    正确性:算法的正确性是指算法至少具有输入、输出和加工处理无歧义性、能正确反映问题的需求,能够得到问题的正确答案
        大体分为以下四个层次:
          1、算法程序没有语法错误
          2、算法程序对于合法的输入数据能够产生满足要求的输出结果
          3、算法程序对于非法的输入数据能够得出满足规格说明的结果
          4、算法程序对于精心选择的,甚至刁难的测试数据都有满足要求的输出结果
      可读性:算法设计的另一个目的便是为了便于理解、阅读和交流
      健壮性:当输入数据不合法时,算法也能做出相关处理,而不是产生异常或莫名其妙的结果
      时间效率高和存储量低:

    四、算法效率的度量方法:

    1、事后统计方法:这种方法主要通过设计好的测试程序和数据,利用计算机计时器对不同算法编制的程序的运行时间进行比较,从而确定算法效率的高低;
        缺陷:
          必须一句算法事先编制哈程序,这通常花费大量的时间
          时间的比较以来计算机硬件和软件等环境因素,有时会掩盖算法本身的优劣
          算法的测试数据设计困难,并且程序的运行时间往往还与测试数据的规模有很大关系,效率高的算法再小的测试数据面前往往得不到体现
      2、事前分析估算算法
        概念:在计算机程序编制前,依据统计方法对算法进行估算
          一个用高级程序语言编写的程序在计算机上运行时间所消耗的时间取决于下列因素:
          1、算法采用的策略、方法
          2、编译产生的代码质量
          3、问题的输入规模
          4、机器执行指令的速度
          第一条是算法的根本,第二条由软件支持,第四条看硬件性能,也就是说,抛开计算机软件、硬件的因素,一个程序的运行时间,依赖与算法的好坏和问题的输入规模,最终,在分析程序的运行时间是,最重要的是吧程序看成是独立于程序设计语言的算法或一系列步骤
      3、函数的渐进增长
        概念:给定两个函数f(n)和g(n),如果存在一个整数N,使得对于所有的n>N,f(n)总是比g(n)大,那么就说f(n)的增长渐进快于g(n)。
        某个算法,随着n的增大,它会越来越优于另一算法,或者越来越差于另一算法

    五、算法的时间复杂度

    1、定义:在进行算法分析时,语句总的执行次数T(n)是关于问题规模n的函数,进而分析T(n)随n的变化情况并确定T(n)的数量级。算法的时间复杂度,也就是算法的时间度量,记作:T(n) = O(f(n))。它表示随问题规模n的增大,算法执行时间的增长率和f(n)的增长率相同,称作算法的渐进时间复杂度,称为时间复杂度。其中f(n)是问题规模n的某个函数。
      2、推导大O阶方法
        推导大O阶:
        1、用常数1取代运行时间中的所有加法常数
        2、在修改后的运行次数函数中,只保留最高阶项
        3、如果最高阶项存在且不是i,则去除与这个项相乘的常数
        得到的结果就是大O阶
        常数阶 线性阶 对数阶 平方阶
      3、常见的时间复杂度

    执行次数函数非正式术语
    12O(1)常数阶
    2n+3O(n)线性阶
    3n^2+2n+1O(n^2)平方阶
    5log2n+19O(logn)对数阶
    2n+3nlog2n+19O(nlogn)nlogn阶
    6n3+2n2+3n+4O(n^3)立方阶
    2^nO(2^n)

    常用时间复杂度所耗费的时间从小到大依次是:
        O(1) < O(logn) < O(n) < O(nlogn) < O(n^2) < O(n^3) < O(2^n) < (n!) < O(n^n)
        N^3以后都不应该出现在算法中
        4、最坏情况和平均情况:
          最坏情况运行时间是一种保证,那就是运行时间不会再坏了,在应用中,这是一种最重要的需求,通常,除非特别指定,我们提到的运行时间都是最坏情况运行时间

    六、算法的空间复杂度

    1、概念:算法的空间复杂度通过计算算法所需的存储空间实现,算法空间复杂度的计算公式记作:S(n) = O(f(n)),其中,n为问题的规模,f(n)为语句关于所占存储空间的函数
        同常除非特别指定时,算法复杂度都是指时间复杂度

    展开全文
  • 定义 向前传播 ​ 通常,当我们使用神经网络时,我们输入某个向量x,然后网络产生一个输出y,这个输入向量通过每一层隐含层,直到输出层。这个方向的流动叫做正向传播。 ​ 在训练阶段,输入最后可以计算一个...

    定义

    向前传播

    ​ 通常,当我们使用神经网络时,我们输入某个向量x,然后网络产生一个输出y,这个输入向量通过每一层隐含层,直到输出层。这个方向的流动叫做正向传播。

    ​ 在训练阶段,输入最后可以计算出一个代价标量J(θ)。

    反向传播算法

    ​ 然后,代价通过反向算法返回到网络中,调整权重并计算梯度。未完待续……

    分析

    ​ 可能是你们在学校里做过用代数的方法来分析反向传播。对于普通函数,这很简单。但当解析法很困难时,我们通常尝试数值微分。

    数值微分

    ​ 由于代数操作很困难,在数值方法中,我们通常使用计算量大的方法,因此经常需要用到计算机。一般有两种方法,一种是利用近邻点,另一种是利用曲线拟合。

    随机梯度下降法

    ​ 负责“学习”的算法。它使用了由反向传播算法产生的梯度。

    反向传播算法

    ​ 然后,反向传播算法返回到网络中,调整权重来计算梯度。一般来说,反向传播算法不仅仅适用于多层感知器。它是一个通用的数值微分算法,可以用来找到任何函数的导数,只要给定函数是可微的。

    ​ 该算法最重要的特点之一是,它使用了一个相对简单和廉价的程序来计算微分,提高效率。

    如何计算一个代价函数的梯度

    ​ 给定一个函数f,我们想要找到梯度:

    ​ x是一组我们需要它的导数的变量,y是额外的变量,我们不需要它的导数。

    ​ 为了使网络继续学习,我们想要找到代价函数的梯度。

    损失函数

    ​ 这个函数通常应用于一个数据点,寻找预测点和实际点之间的距离。大多数情况下,这是距离的平方损失。

    代价函数

    ​ 这个函数是所有损失函数的组合,它不总是一个和。但有时是平均值或加权平均值。例如:

    如何计算一个代价函数的梯度

    ​ 给定一个函数f,我们想要找到梯度:

    ​ x是一组我们需要它的导数的变量,y是额外的变量,我们不需要它的导数。

    ​ 为了网络的学习,我们想要找到代价函数的梯度。

    微积分链式法则

    ​ 假设x是实数,f和g都是实数到实数的映射函数。此外,


    ​ 根据链式法则,

    多变量链式法则

    ​ 已知x和y是不同维数的向量,

    ​ g和f也是从一个维度映射到另一个维度的函数,

    ​ 或者说,

    ​ ∂y /∂x是g的n×m雅可比矩阵。

    梯度

    ​ 而导数或微分是沿一个轴的变化率。梯度是一个函数沿多个轴的斜率矢量。

    雅可比矩阵

    ​ 有时我们需要找出输入和输出都是向量的函数的所有偏导数。包含所有这些偏导数的矩阵就是雅可比矩阵。

    ​ 有函数

    ​ 雅可比矩阵J为:

    张量的链式法则

    ​ 我们大部分时间都在处理高维数据,例如图像和视频。所以我们需要将链式法则扩展到张量。

    ​ 想象一个三维张量,

    ​ z值对这个张量的梯度是,

    ​ 对于这个张量, iᵗʰ 指数给出一个向量,

    ​ 所以考虑到这一点,

    ​ 张量的链式法则是,

    概念

    计算图

    ​ 这是一个关于直线方程的计算图的例子。开始节点是你将在方程中看到的,为了计算图的方便,总是需要为中间节点定义额外的变量,在这个例子中是节点u。节点“u”等价于“mx”。

    ​ 我们引入这个概念来说明复杂的计算流程的支撑算法。

    ​ 还记得之前,当我们把损失函数定义为差的平方,这就是我们在计算图的最后一层使用的。其中y是实际值a是预测值。

    ​ 请注意,我们的损失值严重依赖于最后的激活值,而最后的激活值又依赖于前一个激活值,再依赖于前一个激活值,以此类推。

    ​ 在神经网络的前进过程中,我们最终得到一个预测值a。在训练阶段,我们有一个额外的信息,这就是网络应该得到的实际结果,y。我们的损失函数就是这些值之间的距离。当我们想要最小化这个距离时,我们首先要更新最后一层的权重。但这最后一层依赖于它的前一层,因此我们更新它们。所以从这个意义上说,我们是在向后传递神经网络并更新每一层。

    敏感性改变

    ​ 当x的一个小变化导致函数f的一个大变化时,我们说函数对x非常敏感如果x的一个小变化导致f的一个小变化,我们说它不是很敏感。

    ​ 例如,一种药物的有效性可用f来衡量,而x是所使用的剂量。灵敏度表示为:

    ​ 为了进一步扩展,我们假设现在的函数是多变量的。

    ​ 函数f可以对每个输入有不同的敏感度。举个例子,也许仅仅进行数量分析是不够的,所以我们把药物分解成3种活性成分,然后考虑每种成分的剂量。

    ​ 最后一点扩展,如果其中一个输入值,比如x也依赖于它自己的输入。我们可以用链式法则来找出敏感性。同样的例子,也许x被分解成它在身体里的组成部分,所以我们也要考虑这个。

    ​ 我们考虑x的组成,以及它的成分如何影响药物的整体效果。

    ​ 在这里,我们测量的是整个药物的效果对药物中这个小成分的敏感度。

    一个简单的模型

    ​ 这个计算图考虑了节点a和它前面的节点a '之间的连接。

    ​ 用链式法则,

    ​ 它测量了a对u的微小变化有多敏感。然后我们继续前面的3次计算,

    ​ 测量u对以下每一项的微小变化的敏感度:

    • 权重,w

    • 之前的激活值,a ’

    • 偏质,b

    ​ 把这些放在一起,

    简单模型的复杂性

    ​ 如果在前面的例子中,我们有两个节点和它们之间的一个链接。在这个例子中,我们有3个节点和2个链接。

    ​ 因为链式法则的链式长度是没有限制的。我们可以对任意数量的层继续这样做。对于这一层,注意计算图是这样的,

    ​ 请注意,需要用附加的刻度对每个节点进行注释。这些刻度不是衍生物,它们只是表示u和u '是不同的、唯一的值或对象

    复杂模型的复杂性

    ​ 到目前为止的例子都是线性的,链表式的神经网络。把它扩展到现实的网络是这样的,

    ​ 我们需要给网络添加一些额外的符号。

    ​ 让我们通过 a¹₁计算一下计算图 a²₁。

    ​ 实际上你会发现两个计算图有一个很大的共同点,特别是到a¹₁。这意味着,如果一个计算已经被计算过,那么它可以在下一次和下下次被重用,依此类推。虽然这增加了内存的占用,但它显著减少了计算时间,而且对于大型神经网络来说,这是必要的。

    ​ 如果我们用链式法则,得到的公式几乎是一样的,只是增加了索引。

    复杂模型的进一步复杂化

    ​ 你会发现一个a²₂ 会有几个路径输出层节点,。

    ​ 所以我们需要对前一层求和。我们从所有前面的节点和它们的梯度的总和中得到的这个值有更新它的指令,以便我们最小化损失。

    最小化成本函数

    ​ 如果你还记得定义6和7,特别是定义7,你会记得成本函数在概念上是预测产出和实际产出之差的平均值或加权平均值。

    ​ 如果我们使用线性回归或逻辑回归的梯度下降算法来最小化代价函数。

    ​ 对于神经网络,我们使用反向传播算法。我想现在已经很清楚为什么我们不能对神经网络使用单一方程了。神经网络并不是我们可以很好地求导数的连续函数。相反,它们近似一个函数的离散节点。因此需要一个递归算法来找到它的导数或梯度,这需要考虑到所有的节点。

    ​ 完整的成本函数是这样的:

    ​ 从概念上讲

    符号对符号导数

    ​ 到目前为止,您已经了解了如何得到神经网络中节点梯度的代数表达式。通过链式法则在张量上的应用和计算图的概念。

    ​ 代数表达式或计算图不处理具体问题,而只是给我们的理论背景,以验证我们正在正确地计算它们。它们帮助指导我们的编码。

    ​ 在下一个概念中,我们将讨论符号对数值导数的影响。

    符号-数值导数

    ​ 这里我们开始脱离理论,进入实践领域。

    算法

    基本设置+计算节点的梯度

    ​ 首先我们要做一些设置,包括神经网络的顺序以及与网络相关的节点的计算图。我们把它们排列好。

    ​ 每个节点u^{(n)} 都与一个操作f^{(i)}相关联,使得:

    ​ 在𝔸^ {(i)}是所有节点的集合,u^ {(n)}的父节点。

    ​ 首先我们需要计算所有的输入节点,为此我们需要将所有的训练数据以x向量的形式输入:

    for i = 1, ...., n_i
    	u_i = get_u(x_i)
    

    ​ 注意,n_i为输入节点数,其中输入节点为:

    ​ 如果这些是输入节点,则节点:

    ​ 是输入节点之后最后一个节点之前的节点u^{(n)}。

    for i = n_i+1, ..., n
    	A_i = { u_j = get_j(Pa(u_i)) }
    	u_i = fi(A_i)
    

    ​ 你会注意到,这和我们链式法则计算图的概念上的方向是相反的。这是因为这部分详细说明了正向传播。

    ​ 我们称这个图为:

    ​ 利用这个图,我们可以构造另一个图:

    ​ G中的每个节点计算正向图节点u^i,而B中的每个节点使用链式法则计算梯度。

    ​ 如果你考虑神经网络中的所有节点和连接它们的边,你就能想到反向传播所需的计算量随着边的数量线性增加。因为每条边都代表了一条链规则的计算,它将一些节点连接到它的一个父节点。

    附加约束+简单的反向传播

    ​ 如前所述,该算法的计算复杂度与网络的边数呈线性关系。但这是假设求每条边的偏导数需要一个常数时间。

    ​ 在这里,我们的目标是建立一个具体反向传播算法。

    Run forward propagation
    

    ​ 这将获得处于随机的或非有用状态的网络的激活值。

    Initialize grad_table
    

    ​ 在这个数据结构中,我们将存储所有我们计算的梯度。

    To get an individual entry, we use grad_table(u_i)
    

    ​ 这将存储计算值:

    grad_table[u_n] = 1
    

    ​ 这将最后一个节点设置为1。

    for j = n-1 to 1
    	grad_table[u_j] = \\sum grad_table[u_i] du_i/du_j
    

    ​ 理论上是这样的:

    return grad_table
    

    ​ 反向传播算法只访问每个节点一次来计算偏置,这避免了不必要的重新计算子表达式的步骤。请记住,这是以更多内存占用为代价的。

    作者:Tojo Batsuuri

    deephub翻译组:孟翔杰

    展开全文
  • 算法定义和性质

    千次阅读 2020-04-14 11:30:50
    给定计算问题,算法是一系列良定义的计算步骤, 逐一执行计算步骤即可得预期的输出 良定义定义明确无歧义 计算步骤:计算机可实现的指令 算法的性质 有穷性:算法必须在有限个计算步骤后终止。 确定性:算法...

    计算问题

    • 定义
      给定数据输入,计算满足某种性质输出的问题。
    • 示例在这里插入图片描述

    算法的定义

    • 给定计算问题
      在这里插入图片描述
    • 给定计算问题,算法是一系列良定义的计算步骤
      在这里插入图片描述
    • 给定计算问题,算法是一系列良定义计算步骤, 逐一执行计算步骤即可得预期的输出

      • 良定义:定义明确无歧义
      • 计算步骤:计算机可实现的指令
        在这里插入图片描述

    算法的性质

    • 有穷性:算法必须在有限个计算步骤后终止。
    • 确定性:算法必须是没有歧义的。
    • 可行性:可以机械地一步一步执行基本操作步骤。
    展开全文
  • 遗传算法的基本定义

    千次阅读 2018-10-04 08:51:30
    遗传算法(Genetic Algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个种群(population...
  • 算法定义及其主要特征

    千次阅读 2015-08-12 11:58:17
    算法定义: 算法(Algorithm)是指解题方案的准确而完整的描述,是一系列解决问题的清晰指令 一个算法应该具有以下五个重要的特征: 1、有穷性(Finiteness)  算法的有穷性是指算法必须能在执行有限个步骤之后...
  • k近邻算法简单、直观:给定一个训练数据集DDD,对新的输入实例,在训练数据集中找到与该实例最邻近的kkk个实例,这kkk个实例的多数属于某个类,就把该输入实例分为这个类。下面先叙述kkk近邻算法,然后再讨论其细节...
  • 一种可以是实现“先进先”的存储结构。数据的进出类似于排队购票。队只允许队尾一端(rear)添加,在另一端队头(front)删除。队有队头(front)和队尾(rear)两个指针。队头front指向第一个元素,队尾rear指向无实际...
  • 算法定义

    千次阅读 2012-09-12 08:18:04
    2011年7月在法国举办的第14届国际逻辑学、方法论及科学哲学大会(CLMPS)上,举办...但将图灵机和算法混为一谈却是对图灵发表于1936年的论文《论可计算数及其在判定问题上的应用》的误解,图灵的目标是定义可计算性,而
  • #include<stdio.h> int g(int m, int n) { if(m>=0 && n>=0) { if(m > 0) return (g(m-1, 2*n)+n); else return 0; } } void main(...
  • 遗传算法定义及特点

    千次阅读 2018-04-20 14:33:39
    思考题:遗传算法该如何解决文本分类、情感强度分析、QA等自然语言处理领域的问题
  • BMS算法定义SOC需考虑哪些因素

    万次阅读 多人点赞 2018-10-30 17:12:22
    而关于SOC详尽的解释和定义却不常被考虑,从而导致了SOC算法结果的参考价值大打折扣。显而易见若SOC的概念都是模糊的,又何来精确的SOC呢?因此作者希望通过本文分析几种维度下的SOC值,以及这些SOC值的作用。 粗率...
  • 数据结构KMP算法配图详解(超详细)

    万次阅读 多人点赞 2020-02-18 22:02:42
    而且这个算法的不少东西的确不容易讲懂,很多正规的书本把概念一摆直接劝退无数人。这篇文章将尽量以最简单的方式介绍KMP算法以及他的改进,文章的开始我先对kmp算法的三位创始人Knuth,Morris,Pratt致敬,懂得这.....
  • 如果喜欢这里的内容,你能够我最大的帮助就是转发,告诉你的朋友,鼓励他们一起来学习。If you like the content here, you can give me the greatest help is forwarding, tell your friends, encourage them to ...
  • 回归算法

    千次阅读 2020-12-21 23:12:03
    回归算法回归算法概念1.什么是回归算法2.线性回归3.公式推导 回归算法概念 1.什么是回归算法 回归算法是一种有监督算法 回归算法是一种比较常用的机器学习算法,用来建立“解释”变量(自变量X)和观测值(因变量Y)之间...
  • 算法思想有很多,业界公认的常用算法思想有8种,分别是枚举、递推、递归、分治、贪心、试探法、动态迭代和模拟。当然8种只是一个大概的划分,是一个“仁者见仁、智者见智”的问题。 1.1 枚举算法思想 知识点讲解...
  • #include<stdio.h> #include <stdlib.h> #define MaxQSize 7 typedef int ElemType; typedef struct{ ElemType *base; int rear; int length; }Queue; Queue InitQueue(){ ... Q.l
  • 【分类算法】什么是分类算法

    千次阅读 2019-12-14 11:47:10
    目录定义分类与聚类分类过程方法 定义 分类算法的本意就是对我们的数据分进行分类。把它们分到已知的每一个类别。就像一个篮子里面有很多橙子和苹果,机器会通过我们训练出来的模型,对篮子里的水果进行分类。比如:...
  • 递归算法(图文详解)

    万次阅读 多人点赞 2020-11-23 20:22:40
    递归算法说简单点即就是自身程序的调用,若你掌握递归相应逻辑,递归之时你便可以起飞!!!
  • 遗传算法

    万次阅读 多人点赞 2019-04-06 21:41:47
    使用遗传算法求解多峰函数的最大值,是我的一项课程作业,做完之后,顺便把文档整理出来做个记录。全部内容如下: 1、问题描述 编程实现遗传算法,并求解多峰函数的最大值。多峰函数的表达式如下所示: 用MATLAB...
  • 大多数据结构课本中,串涉及的内容即串的模式匹配,需要掌握的是朴素算法、KMP算法及next值的求法。...3、应算法需要定义的next值 4、手动写较短串的next值的方法 5、最难理解的、足足有5行的代码...
  • 算法的概念及其特性

    千次阅读 2020-09-07 14:25:43
    1.算法定义 算法(algorithm)是指在解决问题时,按照某种机械的步骤一定可以得到问题的结果(有的问题有解,有的没有)的处理过程。算法就是解决这个问题的方法和步骤的...算法的控制结构给出算法的框架,决定了各
  • 我叫《数据结构与算法》,是计算机世界的四大基石之一。 想来我应该是惹人怜爱的吧(认真脸),因为我仿佛听到了无数个初入计算机世界的同学的呐喊声(????)。 我作为一门简单学科,看到有很多的在半途弃我而去,我...
  • 定义:由一些基本结构顺序组成,流程的转移只存在于一个基本的结构范围之内。 优点:便于编写,阅读,修改和维护。减少程序出错的机会,提高程序可读性。 ...
  • 人工智能算法:遗传算法

    万次阅读 多人点赞 2021-01-21 19:33:15
    本书将遗传算法定义为一种可以用交叉和突变算子优化固定长度向量的演化算法。计分函数可以区分优劣方案,以优化该固定长度的向量。这个定义说明了遗传算法的本质。 此外,可以将可选特征添加到遗传算法中,以增强其...
  • ① 写计算Ack(m,n)的递归算法,并根据此算法给出出Ack(2,1)的计算过程。 ② 写计算Ack(m,n)的非递归算法。 ①Ack(m,n)的递归算法和Ack(2,1)的计算过程 /* Ack(m,n)的递归算法 */ int Ack(int m,n){ if (m...
  • 算法

    万次阅读 2018-02-08 00:13:09
    1.算法定义 算法(Algorithm)是指解题方案的准确而完整的描述,是一系列解决问题的清晰指令,算法代表着用系统的方法描述解决问题的策略机制。也就是说,能够对一定规范的输入,在有限时间内获得所要求的输出...
  • 十大常用算法之贪心算法

    万次阅读 多人点赞 2021-01-07 18:08:42
    前言需求 假设存在下面需要付费的广播台,以及广播台信号可以覆盖的地区。 如何选择最少的广播台,让所有的地区都可以接收...以上面的问题问题,若使用贪心算法的结果,有时候不一定是最优的结果,因为有可能成本问
  • 启发式算法

    千次阅读 2020-11-20 19:55:48
    启发式算法可以这样定义:一个基于直观或经验构造的算法,在可接受的花费(指计算时间和空间)下给出待解决组合优化问题每一个实例的一个可行解,该可行解与最优解的偏离程度一般不能被预计。现阶段,启发式算法以仿...
  • 不过公众号可以说是不支持修改文章,因为我决定每两三个月就整理一次,会非常详细着按照类别整理出来哦,并且也给出了目录哦。大家记得多看看哦,好多文章都是面试中常问滴 文章目录一、经验/经历/所...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,479,807
精华内容 591,922
关键字:

给出算法的定义