算法

大O表示法 - 大O表示法指出了算法有多快，例如列表包含n个元素。简单查找需要检查每个元素，因此需要执行n次操作。 - 大O表示法指的并非以秒为单位的速度。大O表示法能够让你比较操作数，它指出了算法运行的增速。 - 二分查找需要执行logn次操作，使用大O表示法，运行时间O(logn)。 - 简单查找的运行时间总是O(n)，但是大O表示法说的是最糟糕的情形。因此简单查找的运行时间不超过O(n)。 常见的大O运行时间 - O(logn)对数时间，常见算法：二分查找。 - O(n)线性时间，常见算法：简单查找。 - O(n*logn)，快速排序。 - O(n^2),选择排序。 - O(n!),旅行商算法。 算法绘制网格所需要的时间: 二分算法(python实现) #!/usr/bin/env python3 # -*- coding: utf-8 -*- \""" @desc: binary search @author: Bingo Cai \""" def binary_search(list, item): low = 0 high = len(list) - 1 while low <= high: mid = int((low + high)/2) guess = list[mid] if guess == item: return mid if guess > item:

public class RK { public static int rabinKarp(String str, String pattern){ int m = str.length(); int n = pattern.length(); int patternCode = hash(pattern); int strCode = hash(str.substring(0,n)); for(int i = 0;i<m-n+1;i++){ if(strCode == patternCode && compareString(i, str, pattern)){ return i; } if(i < m-n){ strCode = nextHash(str, strCode, i, n); } } return -1; } public static int hash(String str){ int hashcode = 0; for(int i = 0 ; i<str.length() ; i++){ hashcode += str.charAt(i)-'a'; } return hashcode ; } public static int nextHash(String str, int hash, int index, int n){ hash -= str.charAt

使用React或者RN开发APP如果不知道Diff算法的话简直是说不过去啊。毕竟“知其然，知其所以然”这句老话从远古喊到现代了。 以下内容基本是 官网文章 的一个总结、压缩。这次要谦虚一下，毕竟深入研究RN的时间不多，如果有什么理解的不对的地方还请各位读者指正。 React的组件在渲染之后组成了一个树形结构。在React绘制的时候，会在内存里对应每一个组件建立一个节点，并最终形成一个和组件树结构一样的树。我们就叫这个树叫影子树（这个叫法不是出自官方）。我们可以理解为这个 影子树包含了React App组建的结构和一些属性值 。 在组件发生变化的时候（一般是调用了 setState ），React会形成一个影子树二号。然后对比影子树1号和影子树2号的不同。 我们知道对比两个树的最小不同的时间复杂度是O(n3 )，n是树里的节点数。这个复杂度下，稍有量级的应用都会遇到一个问题：无法忽略的慢。于是，FB的同学们使用了更加高效的启发式算法，把复杂度降低到了O(n)。 但是，不管是什么算法最后都需要对比两个节点的不同。有三种情况需要考虑： 一、节点之间的比较 节点，英语里的Node，包括两种类型:一个是React组件，一个是HTML的DOM。下文也是同样的含义。 节点类型不同 如果是HTML DOM不同的话，直接使用新的替换旧的。 如果是组件类型不同的话也直接使用新的替换旧的。 HTML

回归算法和logistics算法总结 1、回归算法简介： 回归算法还是属于分类算法。Numpy、Panads、Matplotlib、Scilit-learn。线性回归一般用来做连续值的预测，预测的结果为一个连续值。因训练时学习样本不仅要提供学习的特征向量X，而且还要提供样本的实际结果（标记label，所以它是一种有监督学习。其中 X={x0,x1,...,xn}。 2、算法原理推导： 3、目标函数求解 4、逻辑回归原理 5、梯度下降原理 6、梯度下降实例 来源： CSDN 作者： 庄小焱 链接： https://blog.csdn.net/weixin_41605937/article/details/103752675

前言：本菜鸡的第一篇算几，记录一下我有多菜 Graham算法 一种凸包算法，扫描部分的时间复杂度为 O ( n ) \mathcal{O}(n) O ( n ) ，总的时间复杂度 O ( n l o g n ) \mathcal{O}(nlogn) O ( n l o g n ) 原理：从点集中先找出一个最左下方的点，易证这个点肯定在凸包上，然后以这点为极点，将所有点根据与这点的极角进行排序，并且同时使用一个栈结构维护凸包上的点。按照极角序依次将当前点与栈顶的两个点作拐向判断：若右拐，则将当前点加入栈中，否则将栈顶点弹出。当点集遍历完之后，还在栈中的点就是凸包上的点。 算法步骤 对所有点进行排序，选择 x x x 坐标最小的点作为极点，即找到第一个一定在凸包上的点 bool cmp1 ( const Pnt & a , const Pnt & b ) { return a . x != b . x ? a . x < b . x : a . y < b . y ; } 将其余所有点按照极角排序，在极角相同的情况下比较与极点的距离，按极角序依次处理每一个点 inline bool cmp2 ( const Pnt & st , const Pnt & ed ) { //按极角排序 int del = p [ st ] * p [ ed ] ; if ( del != 0 )

目录 前言 1.判断优先级函数 2.运算函数 3.取运算数、操作数进行运算 一、表达式转换 1.中缀表达式转后缀表达式 2、中缀表达式转前缀表达式 二、表达式求值 1.中缀表达式求值 2.前缀表达式求值 3.后缀表达式求值 前言 1.判断优先级函数 int getPiority(char op){ if(op=='+'||op=='-') return 0; else return 1; } 2.运算函数 //运算函数 int calSub(float opand1,char op,float opand2,float &result){ if(op=='+') result=opand1+opand2; if(op=='-') result=opand1-opand2; if(op=='*') result=opand1*opand2; if(op=='/'){ if(fabs(opand2)<MIN){ return 0; } else { result=opand1/opand2; } } return 1; } 3.取运算数、操作数进行运算 //取运算数、操作数进行运算代码的封装 int calStackTopTwo(float s1[],int &top1,char s2[],int &top2){ float opand1,opand2,result; char op;

移除连续重复元素 # include "algostuff.hpp" //.h和.cpp写在一起的文件 using namespace std ; int main ( ) { int source [ ] = { 1 , 4 , 4 , 6 , 1 , 2 , 2 , 3 , 1 , 6 , 6 , 6 , 5 , 7 , 5 , 4 , 4 } ; list < int > coll ; copy ( begin ( source ) , end ( source ) , back_inserter ( coll ) ) ; PRINT_ELEMENTS ( coll ) ; auto pos = unique ( coll . begin ( ) , coll . end ( ) ) ; copy ( coll . begin ( ) , pos , ostream_iterator < int > ( cout , " " ) ) ; cout << "\n\n" ; copy ( begin ( source ) , end ( source ) , coll . begin ( ) ) ; PRINT_ELEMENTS ( coll ) ; coll . erase ( unique ( coll . begin ( ) , coll . end ( ) ,

聊一聊最新的目标检测算法 公众号： 卡本特 后台回复 “09” 获取打包文章 上一篇文章写了现在目标检测还有哪些东西可以做，然后有读者就问了目前有哪些值得工程部署去应用的算法，所以今天来聊一聊值得去跟进的一些目标检测算法。 上面这张图是2015年到2019年的SOAT的算法在coco上的box AP指标变化折线图，从这张图里面可以看出目前最好的成绩是53.3，其方法还是Cascade Mask RCNN，主干网络是Triple-ResNeXt152。目标检测最近值得关注的文章莫过于EfficientDet，虽然其EfficientDet-D7的成绩为51.0稍逊于SOAT的53.3，但是其方法很值得关注一波。 我根据最近的coco上的成绩，列了一个表格，如下 排名 方法 Box AP 文章链接 github 1 Cascade Mask R-CNN 53.3 CBNet CBNet 2 EfficientDet-D7 51.0 EfficientDet pytorch版 TF版 3 ATSS 50.7 ATSS ATSS 4 EfficientDet-D6 50.6 5 EfficientDet-D5 49.8 6 TridentNet 48.4 TridentNet simpleDet 7 GCNet 48.4 GCNet GCNet 21 FCOS 44.7 FCOS FCOS

算法的基本概念 算法 是对特定问题求解步骤的一种描述，它是指令的有限序列。具有下列五个重要特性： 有穷性：一个算法必须在有限的步骤结束，每一步都有在又穷的时间内结束 确定性：相同的输入只能得到相同的输出 可行性：可以被执行的操作 输入：有零个或多个输入 输出：有一个或多个输出 一个好的算法应该达到一下目标： 正确性：能够正确解决问题 可读性：具有良好的可读性，帮助别人理解 健壮性：输入非法数据，能够正确处理 效率与低存储量需求：尽量少的时间和空间 算法效率的度量 1、时间复杂度 一个语句的 频度 是指该语句在算法中被重复执行的次数。算法中所有语句的频度之和记为 T(n) 。时间复杂度主要分析T(n)的数量级。算法中基本运算（最深层循环内的语句）的频度记为 f(n) ，因此时间复杂度记为： T(n)=O(f(n)) 分析一个程序的时间复杂性时，有以下两条规则： a) 加法规则 T(n)=T1(n) + T2(n) = O(f(n)) + O(g(n)) = O(max(f(n),g(n))) b)乘法规则 T(n) = T1(n) * T2(n) = O(f(n)) * O(g(n)) = O(f(n) * g(n)) 常见的时间复杂度 O(1)<O(log(n))<O(n)<O(nlog(n))<O(n * n)<O(n * n * n) 2、空间复杂度 空间复杂度**S(n)*

归并排序 ​ 归并排序是另一种排序算法，也是采用分治的思想，但是和快排有很大的区别，归并排序是稳定的，而快排则不稳定 归并的思想 ​ 归并排序的思想可以简单的分为三个步骤： 确定分界点 mid 递归分界点得到左右空间 归并，将若干数组合并为一个有序数组 确定分界点 ​ 确定分界点，归并排序的分界点即为数组的中点，设数组左边界为 left，有边界为 right，那么分界点 mid 便为 int mid = (l + r) / 2; ​ 归并排序的分界点和快排的分界点有本质的区别，快排的分界点是对数组的元素值而言的，而归并排序的分界点是就数组的 index 来说的 ​ 通过确定的分界点，一个数组就被分解成了两个以 mid 为分界的数组，第一个数组的就原素组而言的下标范围是 left <= index <= mid，第二个数组是 mid + 1 <= index <= right 递归分界点左右空间 ​ 根据第一步得到的结果，可以使用递归将得到的两个数组继续分解，即 merge_sort(q, l, mid); merge_sort(q, mid + 1, r); 归并 ​ 这是归并排序最重要的一步，是对归并得到的数组得处理，对于两个有序数组来说，想要合并，就要不断得对比数组头位置元素的大小，这又是使用双指针，分别指向两个数组的头元素，不断对比两个指针对应元素大小，保存较小的那个