sicp 求幂

通常,求bn可以利用下面的递归方式:

bn = b*bn-1

b0 = 1

代码如下:

;normal Recursive
(define (expt b n)
   (if (= n 0) 
       1
       (* b (expt b (- n 1)))))

这种递归空间复杂度是n,可以改进为迭代方式:

;normal Iterative
(define (expt2 b n)
   (define (expt-iter b counter product)
       (if (= counter 0)
           product
           (expt-iter b (- counter 1) (* b product)))))
   (expt-iter b n 1)

现在的空间复杂度就变为了1.

如果采用连乘的方式:

n为偶数:bn = bn/2)2

n为奇数:bn = b*bn-1  

就可以用下面代码描述了:

;continue mul Recursive
(define (expt3 b n)
   (cond ((= 0 n) 1)
         ((even? n) (square (expt3 b (/ n 2))))
         (else (* b (expt3 b (- n 1))))))

;判断是否为偶数
(define (even? n)
   (= (remainder n 2) 0))

这种过程只需要logn 加上 n的二进制表示中1的个数 减去 1 次即可计算完成。时间复杂度又下降很多。

然而空间复杂度(logn)还是可以改进。

那就是采用连乘的迭代计算过程,下面代码描述了该过程:

;continue mul Iterative
(define (fast1 b n)
   (define (fast-expt a b n)
      (cond ((= 0 n) a)
            ((and (= 1 n) (= 1 a)) b)
            ((= 1 n) a)
            ((even? n) (fast-expt (* a b b) b (/ n 2)))
            (else (fast-expt (* a b b b) b (/ (- n 1) 2) ))))
   (fast-expt 1 b n))

;continue mul Iterative
;the next answer found at http://community.schemewiki.org/?sicp-ex-1.16
(define (fast2 b n) 
   (define (iter a b n) 
     (cond ((= n 0) a) 
           ((even? n) (iter a (square b) (/ n 2))) 
           (else (iter (* a b) b (- n 1))))) 
   (iter 1 b n)) 
  
 (define (square x) (* x x))

第二种方式是在网上找到的,比较巧妙,在改变状态的同时,改变基数来满足乘积不变。

一般说,定义一个不变量,要求他在状态之间保持不变,这一技术是思考迭代算法设计问题时的一个重要方法。

在已经提供的参数(这里是指数n和基数b)之外,如何确定一个附加的状态变量a,在状态变化时,保持不变量(用状态变量a,和已经提供的参数表示,在这里值就是b^n)。

转载于:https://my.oschina.net/hebianxizao/blog/68028

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值