【难忘今宵】第一阶段day1打简单代码

今天是大年初一,昨天武汉封城,春晚的难忘今宵久久在脑海里回响。我知道年味一年比一年淡,却没想到是以这样的方式,果真是今宵难忘。我倒希望今年又是一个普普通通容易被遗忘的年三十呢。

历经这场肺炎,中国人必将更加强大。我知道喊口号作用不大,钱也不多,捐的对于这场战役可说微不足道。此次事件我深深感受到人类究竟需要怎样的人推动历史进程,无力感始终包围着我,不被需要使我没有安全感,此刻只有学习知识能让我暂时忘记这一切。

以算法为单位,对每个算法,拆分为数据结构+主要思想进行复习,并制作出比赛用模板。

1、floyd算法

数据结构:

一个边矩阵E[i,j],初始化为两点间是否有路and长度为多少没路记为无穷大,经过处理后得到两点间最短路径。

主要思想:

动态规划:n轮松弛加点法,即,对每个点k,询问一次整个矩阵是否有可以松弛的边。(n为所有点的数量)

For k:=1 to n	//无所谓1和0,具体还是看题目是否强调点的标号
   For i:=1 to n
      For j:=1 to n
        If D[i,j]>D[i,k]+D[k,j] Then
           D[i,j]:=D[i,k]+D[k,j];

对此算法的疑问:是否保证这条边此时不需要这个点松弛,而被其他点松弛后又需要了呢?

答:不会的,既然此时不需要你说明i到k点的距离不够优秀,那么以后也永远不会需要你。

问:那如果i到k点的距离被后面的点k‘松弛的更优秀了呢?

答:那说明k‘点比k点到i的距离更优秀,所以i点在之后遇到k’点时会直接被k’松弛也轮不到你k点。

结案😂

2.Dijistra

数据结构:

一个存原图的数据结构+一个长度为n的一维数组e,e[i]:起点到第i个点的距离

主要思想:

n轮松弛标点法(运筹笔记有很形象的例题,等回家了拍照上传)

3.Bellman-Ford算法=SPFA队列优化

数据结构:

一个结构体数组E[]存边的起点终点权值;

dis[]:顶点 v 到图中所有顶点的距离,初始均为 Infinite或具体距离值,源顶点设为 0;

主要思想:

在算法思路上和Floyd还有Dijkstra是一致的,第i轮松弛都可以理解为“每条边最多经过i个点可以松弛到的最短长度”。只不过Floyd和Dijkstra是对点进行搜索,BellmanFord是对边进行搜索。

计算最短路径,执行 V - 1 次遍历:对于图中的每条边:如果起点 u 的距离 d 加上边的权值 w 小于终点 v 的距离 d,则更新终点 v 的距离值 d;

第二个循环:检测图中是否有负权边形成了环,遍历图中的所有边,计算 u 至 v 的距离,如果对于 v 存在更小的距离,则说明存在环;

BELLMAN-FORD(G, w, s)
  INITIALIZE-SINGLE-SOURCE(G, s)
  for i  1 to |V[G]| - 1
       do for each edge (u, v) ∈ E[G]
            do RELAX(u, v, w):
            	if dis[u]+w<dis[v] do dis[v]=dis[u]
  for each edge (u, v) ∈ E[G]
       do if d[v] > d[u] + w(u, v)
            then return FALSE
  return TRUE

对于本算法的疑问:v-1次循环是怎么证明的

完善了一下复习思路:
  1. 并不是每个模板都要过一道模板题才算是正确的模板,根本不存在完全正确的模板,这道题正确的模板套用在不同题目中就成了不正确的。
  2. 只要在某简单例题中能过几个简单数据,稍微处理下极端数据,就算一个算法复习到位了,制作的模板只需要体现出算法结构+核心思想即可。
  3. 考虑要不要做错题本,再整一个关键词索引复习法?
  4. 伪代码赛高!我结合解说看了半天的百度百科代码没整明白看别人写的伪代码就懂了
  5. 另外,我正在寻找更好的算法交流社区,也不知看到此篇文章的朋友们有何推荐的?CSDN到底是不比当年了,发提问也没多少人理我。
  • 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