联想24春招算法方向部分试题解析

来自牛客题库，浅浅记录一下

• CNN模型支持输入不定长序列：错。CNN模型通常用于处理具有固定尺寸输入的图像或类似结构的数据。虽然可以通过一些技术（如滑动窗口或填充）来处理不同尺寸的图像，但CNN本身并不直接支持输入不定长序列，如RNN（循环神经网络）或LSTM（长短期记忆网络）等模型那样。

• HMM（隐马尔可夫模型）：虽然HMM在某些方面表现出一定的“记忆”特性，比如通过隐藏状态间的转移来模拟序列数据的生成过程，但它并不完全符合我们通常所说的具有长期记忆或内部状态的RNN类模型的定义。在某些语境下，特别是与RNN、GRU、LSTM等相比，HMM可以被视为一种相对“无记忆性”的模型，因为它不直接通过递归结构来保存和处理长序列的依赖关系。然而，这个描述可能有些模糊，因为“无记忆性”并不是一个严格的数学或技术术语。
• GRU（门控循环单元）：GRU是一种RNN的变体，它通过引入更新门和重置门来控制信息的流动，从而能够捕获序列中的长期依赖关系。因此，GRU显然是有记忆性的。
• LSTM（长短期记忆网络）：LSTM是另一种广泛使用的RNN变体，它通过引入遗忘门、输入门和输出门来解决传统RNN难以学习长期依赖的问题。LSTM同样具有记忆性。
• RNN（循环神经网络）：RNN是一种具有记忆性的神经网络，它通过在网络中引入循环连接来允许信息跨时间步长传递。因此，RNN也是有记忆性的。

• “图像灰度化主要用于去除图像的背景信息”：这个说法其实是不准确的。图像灰度化是指将彩色图像转换为灰度图像的过程，其中图像的每个像素都有一个介于黑色与白色之间的亮度值。这个过程主要是简化图像内容，方便后续处理，但并不一定是为了去除背景信息。背景信息的去除通常需要更复杂的图像处理技术，如背景分割、背景提取等。
• “规范化是为了消除文字点阵位置上的偏差”：这个说法是正确的。在文字识别过程中，由于各种原因（如扫描时的倾斜、旋转等），文字点阵可能会出现位置上的偏差。规范化处理就是为了解决这些问题，它可以将文字图像转换为具有统一尺寸和方向的标准格式，从而提高文字识别的准确性。
• “二值化主要目的是去除彩色图像中的干扰信息”：这个说法有一定的道理，但表述可能不够准确。二值化实际上是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果。这个过程可以减少图像数据量，使得图像处理更加简单高效。同时，在文字识别中，二值化也有助于突出文字信息，抑制图像中的其他干扰因素，从而提高文字识别的准确率。
• “Huogh变换也是一种最常用的倾斜检测方法，将图像中的前景像素映射到双曲空间”：这里存在一个明显的错误。首先，“Huogh变换”应为“Hough变换”，是图像处理中常用的一种特征提取技术，主要用来检测直线、圆等简单形状。在文字识别中，Hough变换也可以用来检测文字的倾斜角度，从而进行倾斜校正。但是，Hough变换并不是将图像中的前景像素映射到双曲空间，而是将图像空间中的特定形状转换为参数空间中的累加器上的峰值点。

• HMM（隐马尔可夫模型）是一个统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。HMM并不包含更新门和重置门这样的结构，它主要用于时间序列数据的建模，如语音识别、自然语言处理等领域，但主要是通过状态转移概率和观测概率来描述系统。
• GRU（门控循环单元）是RNN（循环神经网络）的一种变体，它引入了更新门和重置门来控制信息的流动，从而解决了传统RNN难以学习长期依赖的问题。因此，GRU确实使用了更新门和重置门。
• LSTM（长短期记忆网络）也是RNN的一种变体，它通过引入遗忘门、输入门和输出门来控制信息的传递，虽然结构与GRU不同，但它也使用了类似的机制来处理长期依赖问题，但它并不直接包含“更新门”和“重置门”的命名，但可以从功能上理解为有类似的机制。然而，就本题而言，由于明确提到了“更新门和重置门”，因此LSTM不是最直接相关的选项。
• DRNN（这里可能是一个简写或特定上下文中的术语，但在广泛认知的NLP技术中并不常见）不是标准的NLP技术缩写，且没有直接证据表明它使用了更新门和重置门。

这里其实C感觉也不太对。。。

不清楚

逻辑斯蒂方程（Logistic Equation），也被称为逻辑斯蒂增长模型或S型增长曲线，是一种描述在有限资源环境下，某种事物的增长速度逐渐减缓，最终趋于稳定的数学模型。它广泛应用于生物学、经济学、社会学等多个领域，以模拟那些具有初始增长快、随后增长逐渐放缓并最终趋于某个最大值的增长过程。

满二叉树： 一个二叉树所有的非叶子节点都存在左右两个孩子，并且所有叶子节点都在同一层级上，这样的树被称为满二叉树。

完全二叉树： 对于一个有n个节点的二叉树，按照层级顺序来编号，则所有节点的编号为从1到n。如果这个树的所有节点和同样深度的满二叉树的编号为1到n的节点位置相同，则这个二叉树为完全二叉树。

完全二叉树的特点：叶子结点只能出现在最下层和次下层，且最下层的叶子结点集中在树的左部。需要注意的是，满二叉树肯定是完全二叉树，而完全二叉树不一定是满二叉树。

一、先来先服务调度算法简介：
先来先服务调度算法（First-Come, First-Served，FCFS）是一种简单的调度算法，它按照作业或进程到达的顺序进行调度。当一个作业或进程到达时，它会被放入就绪队列中，然后按照队列中的顺序依次执行。

二、FCFS调度算法对于CPU繁忙型的作业有利:
因为它可以充分利用CPU的时间片。当一个CPU繁忙型的作业到达后，它会立即被执行，并且在没有其他作业等待的情况下，可以一直占用CPU直到完成。这使得CPU能够持续地执行作业，最大化利用CPU资源。

三、FCFS调度算法对于I/O繁忙型的作业不利：
当一个I/O繁忙型的作业到达时，它可能需要进行一些I/O操作（如磁盘读写、网络通信等），这些操作可能会花费较长的时间。在这段时间内，CPU将空闲，无法执行其他作业，导致CPU资源的浪费。

3.1 疑问：别的算法I/O操作也消耗时间呐？
是呀，但是有个前提：I/O操作完了之后，作业又要重新到队列中按顺序排队，都知道队列是先近先服务，I/O操作完事儿之后，又要把该作业移动到队尾就绪队列中，所以FCFS算法不利于I/O频繁操作的作业。

四、另外：
由于FCFS调度算法是非抢占式的，一旦一个作业开始执行，它将一直执行直到完成，无法被其他作业抢占。这意味着如果一个长时间运行的CPU繁忙型作业排在队列的前面，后面的I/O繁忙型作业将被阻塞，导致I/O繁忙型作业的响应时间较长。

五、总结：
综上所述，FCFS调度算法有利于CPU繁忙型的作业，因为它可以充分利用CPU资源，但不利于I/O繁忙型的作业，因为它无法充分利用CPU时间并可能导致响应时间较长。对于I/O繁忙型的作业，其他调度算法如短作业优先（Shortest Job First，SJF）或轮转调度（Round Robin）可能更适合。

# input()函数默认会读取一整行输入，直到遇到换行符（\n），并将读取的内容（不包括换行符）作为字符串返回
n, k = map(int, input().split())
s = input()

def isTrue(word):
    # left, right = 0, k-1
    # while left <= right:
    #     if word[left] == word[right]:
    #         left += 1
    #         right -= 1
    #     else:
    #         return False
    # return True
    return word == word[::-1]

T = ''
while s:
    if isTrue(s[0:k]):
        T = s[0:k] + T
    else:
        T = T + s[0:k]
    s = s[k:]

print(T)