智慧航空AI大赛-阿里云算法大赛总结(源码分享)

 向AI转型的程序员都关注了这个号???

大数据挖掘DT数据分析  公众号： datadw

总结一下新的教训

1.由于都是NP难题，获得最优解用常规的方法非常困难，对于不是算法科班出身的人来说，首先应该到网络上寻找一下论文，是否有一些好的经验。
2.保持平常心，这种比赛获奖很困难，生活还是要和往常一样，只是将空余的时间给做比赛
3.每一个小功能，小函数，尽可能做一些简单的单元测试，这种题目往往代码最后非常复杂，难以调试，不做单元测试，可能以后调试都很困难
4.熟悉使用语言的多线程工作方式，例如C#的多线程特点
5.寻找好的计算资源，尽量在多核CPU上运行
6.加入官方群，问题及时和官方讨论
7.利用晚上进行大规模的迭代测试和参数实验
8.中间结果保存，减少每次执行时间。
大家都是为了奖金去的（TOP10都有奖金），TOP17的名次，和自己实力符合。

另外这次全程使用VS CODE 和 NET CORE 2.0 写的代码，在公司的ＰＣ和家里的ＭＡＣ上通过ＧＩＴ无缝衔接，体验不错。

代码：

本文代码在公众号 datadw 里 回复 航空  即可获取。

赛题：https://tianchi.aliyun.com/competition/information.htm?raceId=231609

一个人做题目很有趣，但是组队也不错，有人愿意和我组队参加第二赛季吗？难度增加不少的。前三有奖金，当然如果没有奇迹，基本上拿不到奖金的。

附上以前比赛经验：
穷举部分应该最后加入
一般来说,算法题目总归缺少不了排列组合的尝试，但是如果过早的在算法中引入了排列组合的大规模计算，则每次代码运行时间会很长，非常浪费时间。这里可以有两个方案，第一，可以做一个系统配置项，是否启用排列组合的尝试；第二，可以将排列组合的强度也做成一个配置项。

所谓的排列组合的强度，就是算法的广度和深度的限制。例如背包问题，如果全部有10个元素，我进行全排列尝试，20个元素，则进行简单的贪婪算法。这里的10就可以认为是一个阈值，超过阈值的时候，考虑到时间成本，使用一般的算法。

保证每次运行结果都是符合题目要求的
在复杂的场景下，你的算法可能是非常优秀的，但是可能在一个很微小的点上，是不符合题目要求的。题目要求是最大的前提，如果违反题目要求，再好的算法都是不能被采纳的。所以务必检查每次的运行结果是否符合题目要求。

保证编码正确
有时候，一个想法是正确的，但是往往可能出现编码的错误，使得结果变坏。所以，必须保证你的代码和你的想法是一致的。如果出现你的想法使得你的运行结果变差的时候，不要先急着推翻你的想法，而是应该先看一下是不是你的代码有什么错误，没有真正反映出你的实际想法。

逻辑和阈值
在复杂的算法题目中，有时候我们喜欢用阈值来运行出不同结果，然后选择最优的结果。但是，如果可能的话，应该以统计等方式决定阈值。如果可能的话，应该有一个明确的逻辑，而不使用阈值。阈值没有泛用性，并且有时候由于不能测试每一个阈值的效果，容易出现局部最优解，而不是全局最优解

版本管理
不是每一个想法都会给结果带来正面的效果，有些改动可能不但没有效果，而且使得结果变坏，我们需要一个版本管理的概念，将不好的结果及时回滚到原来的状态。有时候，两个想法可能被同事加入到代码中，并且两个想法独立使用和一起使用效果也不同，这个时候更加需要版本管理工具了。建议使用Git做版本管理工具，可以自由的添加或者删减不同的想法。

自动测试 和 电源管理
这次没有准备自动测试的代码，正确的做法是，白天进行编码工作，晚上对于阈值，各种想法的排列组合的效果，进行自动测试。
在自动测试的时候，请注意电源管理的设定，需要看一下是否设定了休眠，如果设定了休眠状态，基本上什么都运行不了了。
对于每次自动测试的结果，都必须保留下来，作为算法的评价依据。

中间指标 和 数据分析
在最终目标之外，还需要订立一些其他指标来判断算法的好坏。
整个最终结果往往是由多种因素决定的，如果将这些因素的量化结果也打印出来，对于这些指标进行分析，往往可以找到优化点。

本文来自 微信公众号 datadw  【大数据挖掘DT数据分析】

有一些题目，在写算法之前，可以将题目中给定的数据集进行一些分析，总结出数据集的特征，然后针对这些特征选择算法，也是一个很重要的步骤。

从答案中找问题
很多算法的最终结果可能是一些调度计划和分配方案。仔细观察这些结果，找到一些明显可以优化的点，这也是提高算法结果的途径。
从算法执行结果这个答案中寻找你的算法中存在的问题，是一条很有用的途径。

http://www.cnblogs.com/TextEditor/p/7267307.html#3788737

人工智能大数据与深度学习

搜索添加微信公众号：weic2c

长按图片，识别二维码，点关注

---

大数据挖掘DT数据分析

搜索添加微信公众号：datadw

教你机器学习，教你数据挖掘

长按图片，识别二维码，点关注