xiazdong

原创 【NPC】10、无向汉密尔顿回路规约到有向汉密尔顿回路

原创 【NPC】9、顶点覆盖规约到无向汉密尔顿回路

一、问题描述  二、证明

原创 【NPC】8、3SAT规约到MAX2SAT

原创 【NPC】7、3维匹配规约到三元集合恰当覆盖

由于这个规约比较容易，过程略，直接写结果。3DM(X,Y,Z,T){    X3C(X∪Y∪Z,T)}

原创 【NPC】6、3SAT规约到三维匹配

一、问题描述  二、证明

原创 【NPC】5、顶点覆盖规约到独立集、团问题

一、问题描述    二、证明

原创 【NPC】4、3SAT规约到独立集

一、问题描述  二、证明

原创 【NPC】3、3SAT规约到顶点覆盖

一、问题描述  二、证明

原创 【NPC】2、SAT规约到3SAT

一、SAT、3SAT问题描述  二、证明

原创 【NPC】1、NP、P、NPC概念介绍

一、P、NP、NPC概念1971年，Stephen Cook提出了第一个NPC问题：布尔可满足性问题。1973年，Leonid Levin提出了21个经典的NPC问题。1979年，Garey和Johnson出版了一本书：“Computers and Intractability: A Guide to NP-Completeness”，中文版是“计算机和难解性”，在这本书中提出

原创 第二数学归纳法

一般我们都是使用第一数学归纳法，但是对于第二数学归纳法，在算法导论中也是经常使用，比如22.4-2中证明算法正确性时会用到。第二数学归纳法原理是设有一个与自然数n有关的命题，如果：　　（1）当n＝1时，命题成立；　　（2）假设当n≤k时命题成立，由此可推得当n＝k+1时，命题也成立。那么，命题对于一切自然数n来说都成立。还有二元数学归纳法：在

原创 Dijkstra、Bellman_Ford、SPFA、Floyd算法复杂度比较

Dijkstra：适用于权值为非负的图的单源最短路径，用斐波那契堆的复杂度O(E+VlgV)BellmanFord：适用于权值有负值的图的单源最短路径，并且能够检测负圈，复杂度O(VE)SPFA：适用于权值有负值，且没有负圈的图的单源最短路径，论文中的复杂度O(kE)，k为每个节点进入Queue的次数，且k一般但此处的复杂度证明是有问题的，其实SPFA的最坏情况应该是O(VE).Flo

原创 堆排序的最坏运行时间和最优运行时间

1964年Williams发明的，1992年Sedgewick发表了堆排序性能分析 "The analysis of heapsort"。所以求堆排序的最优运行时间比较难。一、最坏运行时间由于前面已经证明了：在n个元素的堆中，MAX-HEAPIFY的最坏运行时间为Ω(lgn)。如果要求堆排序的最坏运行时间，则可以假设每次MAX-HEAPIFY都是最坏

原创 割点、割边、双连通分支

一、割点、割边、双连通分支概念挂接点(Articulation point)就是割点（Cut Vertex）桥(Bridge)就是割边（Cut Edge）割点：v为割点，则去掉v后，图的连通分支增加。割边：v为割边，则去掉v后，图的连通分支增加。割点形式化的定义：a是割点当且仅当存在两个点u,v使得u到v的每条路径都会经过a。（去掉a后，u到v没有路径）边双

原创 第六章：堆排序

一、堆的基本概念一般我们讲的堆都是二叉堆。二叉堆简单地来说就是一个完全二叉树。完全二叉树：从左到右、从上到下塞满的一颗二叉树。满二叉树：每层都塞满的二叉树。堆分为大根堆（每个父亲都比儿子大，其中根为最大的元素）、小根堆（每个父亲都比儿子小，其中根为最小的元素）。某个节点的高度为从该节点到叶子节点经过的路径的长度，比如叶子节点的高度为0。d叉堆：一

原创 【入门算法】思维导图

图是在其他地方找到的，感觉还挺好，就拿来，虽然里面我感觉还是比较基础，但是还是有借鉴作用的。

原创 \r与\n的区别

\r ： return 到当前行的最左边。\n： newline 向下移动一行，并不移动左右。Linux中\n表示回车+换行；Windows中\r\n表示回车+换行。Mac中\r表示回车+换行。历史：回车”（Carriage Return）和“换行”（Line Feed）这两个概念的来历和区别。 在计算机还没有出现之 前，有一种叫做电传打字机（Teletype

原创 Java实现内联函数

C++是否为内联函数由自己决定，Java由编译器决定。Java不支持直接声明为内联函数的，如果想让他内联，则是由编译器说了算，你只能够向编译器提出请求。final除了不能被override外，还可能实现内联。如果函数为private，则也可能是内联的。总的来说，一般的函数都不会被当做内联函数，只有声明了final后，编译器才会考虑是不是要把你的函数变成内联函数。

原创 ArrayList 源码分析

在我们刚学Java时老师一定会说ArrayList是很好用的变长数组，你只要尽管插入删除就可以了，比C++的数组控制简单多了，ArrayList是典型的自增长数组。private int size;  //数组中实际元素的数量capacity表示数组的总大小，比如arr = new int[5],则capacity=5.//initialCapacity为初始的数组大小

原创 第二十二章：图的基本算法

关于此章节的习题解答，请查阅 ：https://sites.google.com/site/algorithmssolution/home/c22一、图的概念图的分类： 是否有环是否有重边是否有有向边Simple Undirected Graph（简单无向图）×××Mul

原创 分治法寻找最邻近的点对

问题描述：在二维平面内给定n个点，寻找这些点中举例最近的两个点;思路：我们发现如果要将全部的点两两比较，则最起码需要O(n^2),因此我们的思路是如果要求与某个点A距离最近的点，则需要缩小范围，不用每个点都比较；我们需要使用分治法来求解；首先我们需要定义一些变量：Px：对于点按照x坐标排序；Py：对于点按照y坐标排序；Qx：对于左部分

原创 Eclipse插件：FindBugs

FindBugs用于找出代码的bug;安装方法：进入Eclipse MarketPlace 查询FindBugs即可安装；Perspective：FindBugsView：Bug Explorer、Bug Info、Bug ReviewsBug Explorer用来显示全部的错误概览；Bug Info用来显示每个Bug的具体信息；如果要使用FindBugs，

原创 Eclipse：保存时执行format code 和 organize import动作

window --> preferences --> java --> Editor --> Save Actions选中 Perform the selected actions on save 选中 Format source code选中 organize imports这样，在保存时就能够执行 SHIFT+CTRL+O 和 CTRL+SHIFT+F

原创 递归解决全排列生成算法

排列：从n个元素中任取m个元素，并按照一定的顺序进行排列，称为排列；全排列：当n==m时，称为全排列；比如：集合{ 1,2,3}的全排列为：{ 1 2 3} { 1 3 2 }{ 2 1 3 }{ 2 3 1 }{ 3 2 1 }{ 3 1 2 }方法一：我们可以将这个排列问题画成图形表示，即排列枚举树，比如下图为{1,2,3

原创 Linux入门：使用Telnet远程登录Linux

我们前面讲过安装putty、ssh远程登录Linux，其实telnet的原理也是类似；注意点：(1)Linux端安装好并开启telnet服务；(2)windows中开启telnet服务；我们在Linux端执行：(1)yum install telnet-server(2)ntsysv开启telnet服务(3)service xinetd restart

原创 Linux入门：VIM

练习vim按键的小游戏：http://vim-adventures.com/wiki：文本编辑器的比较：http://zh.wikipedia.org/wiki/%E6%96%87%E4%BB%B6%E7%BC%96%E8%BE%91%E5%99%A8%E6%AF%94%E8%BE%83joe download：http://sourceforge.net/projects/joe-edi

原创 机器学习实战：多变量线性回归的实现

多元线性回归其实方法和单变量线性回归差不多，我们这里直接给出算法：computeCostMulti函数function J = computeCostMulti(X, y, theta) m = length(y); % number of training examples J = 0; predictions = X * theta; J = 1/(2*m)*

原创 机器学习实战：单变量线性回归的实现

一、算法实现由前面的理论，我们知道了用梯度下降解决线性回归的公式：梯度下降解决线性回归思路：算法实现：ComputeCost函数：function J = computeCost(X, y, theta) m = length(y); % number of train

原创 机器学习入门：Linear Regression与Normal Equation

本文会讲到： (1)另一种线性回归方法：Normal Equation；(2)Gradient Descent与Normal Equation的优缺点；前面我们通过Gradient Descent的方法进行了线性回归，但是梯度下降有如下特点：(1)需要预先选定Learning rate；(2)需要多次iteration；(3)需要Feature Scal

原创 机器学习入门：线性回归及梯度下降

本文会讲到：(1)线性回归的定义(2)单变量线性回归(3)cost function：评价线性回归是否拟合训练集的方法(4)梯度下降：解决线性回归的方法之一(5)feature scaling：加快梯度下降执行速度的方法(6)多变量线性回归Linear Regression  注意一句话：多变量线性回归之前必须要Feature Scaling

原创 机器学习入门：机器学习概论

什么是机器学习？ 在1959年，Arthur Samuel：不用编程去指定机器做什么，而是让机器有能力自己学习；在1998年，Tom Mitchell：首先定义任务T，经验E，表现P，如果机器有一个任务T，随着经验E的增多，表现P也会变好，则表示机器正在经验E中学习； 以上就是对机器学习的两个定义；  机器学习在生活中也处处可见，比如：(1)在gmail

原创 Linux入门：操作目录和文件的命令

$PATH每个用户的PATH都是不一样的；PATH中不包含“当前目录”；(1)echo $PATH：显示PATH环境变量；(2)PATH = "$PATH":/home/xiazdong：添加路径到PATH中；配置环境变量PATH：在/etc/profile文件中配置；根据命令查询文件which命令根据PATH环境变量查询

原创 Linux入门：常用目录介绍

一、目录结构Linux的总体目录结构是遵循FHS（Filesystem Hierachy Standard）；/bin：存放开机会使用到的指令以及单用户维护模式下能够使用的指令；/boot：开机会使用到的文件，包括Linux内核文件等；/dev：任何设备；/etc：配置文件；/home：用户主目录；/lib：开机时会用到的函数库；/media

原创 Linux入门：文件权限、用户、用户组

单个文件名或目录名长度不超过255字符；文件或目录的绝对路径长度不超过4096字符；一、文件所有者与用户组一个文件有很多属性，包括文件类型、文件权限、文件隐藏权限、文件所有者、用户组、文件大小、创建日期、修改日期、访问日期等，比如下面是/etc/inittab文件的属性：1.文件类型(1)d：目录；find / -type d

原创 Linux入门：文本编辑器（nano）

nano是GNU开发的一个Linux的最简单的文本编辑器；初始界面如下：nano test.txt  即可打开或创建文件；(1)CTRL+X：退出；(2)CTRL+O：保存；(3)CTRL+W：查询，每次CTRL+W，则查询一个，比如查询a，但是有两个a，则第一次CTRL+W查询到第一个a，第二次CTRL+W查询到第二个a；(4)F1：help；

原创 Linux入门：定制“Icon”样式

原始的Icon样式为： 我们进入http://art.gnome.org/themes/icon选择如下Icon样式：1. 点击“系统”-->“首选项”--> “主题”2.点击“主题细节”3.切换到“图标”，并选择“安装”安装后的效果如下：

原创 Linux入门：定制“window border”样式

原始window border样式如下： 如果要修改边框，则需要进入：http://art.gnome.org/themes/metacity如果我们选择：下载完后，第一步是点击“系统”-->“首选项”-->“主题”； 点击“主题细节”点击“安装”安装后的效果：

原创 Linux入门：定制“资源管理器”样式

资源管理器默认样式如下： 如果要修改，只需要到 http://art.gnome.org/themes/gtk2 下载即可；1. 点击“系统”-->“主题” 2.点击“安装主题”，并选择安装文件安装后，资源管理器的样式如下：

原创 Linux入门：定制“console ” 样式

大家是不是觉得默认的终端不好看呢？接下来我们就来改造终端：点击“编辑”-->“当前配置文件” 修改系统默认字体：  点击“颜色”，将内置方案设置为“黑底白字”点击“效果”，选择“透明背景” 效果如下，是不是漂亮一点了

原创 Linux入门：定制“登录界面”样式

初始的登录界面样式为： 如果想要更改登录样式，只需要进入：http://art.gnome.org/ ，并进入“Login window”比如我下载了：怎样安装此主题呢？步骤1：“系统”-->“管理”-->“登录屏幕” 步骤2：点击“添加”步骤3：找到安装包并安装重新登录