Edison的博客

假如我们现在有这样一个文件，代码如下：public class Hello { public String name = "hello"; public static void main(String[] args){ System.out.println("Hello, world"); }}我们想要知道它的哪些指令被执行了，因此我们需要对其编译过后的class文件中的指令进行插桩。下面讲解具体做法。首先，我们需要读取要被插桩的文件：InputStre

1 简介ASM是一个可以用来生成、转换和分析以字节数组表示的已编译 Java 类的工具。ASM 库提供了两个用于生成和转换已编译类的 API，一个是核心 API，以基于事件的形式来表示类，另一个是树 API，以基于对象的形式来表示类。基于事件就是每个把方法声明、字段、指令看成事件，这些事件有必须遵循的发生顺序。基于对象就是把方法声明、字段、指令看成看成对象，每个对象都有一些引用，指向表示其组成部分的对象。下面介绍如何使用ASM来生成一个类，并让它能够输出"Hello, world!"。2 实

α-β剪枝运用剪枝的思想去除部分分支，使得我们无需遍历博弈树的每一个结点即可得到极大极小值。这种方法被称为α-β剪枝。这种方法的关键在于剪掉那些不会影响最终决策的分支之后，仍然能够返回和极小极大算法同样的结果。下面以实际例子来说明：现有一颗博弈树，正方形为MAX，菱形为MIN，终止状态的效益函数的值在最底部，如下图：MAX从左往右进行拓展：第一个终止状态值为5，所以MIN(结点1)MIN(结点1)MIN(结点1)的值最多为5，因为MIN(5,x,y)≤5MIN(5,x,y)\le 5MI

极小极大算法在竞争环境中，不同的agent的目标是有冲突的，这就引出了对抗搜索问题，也就是博弈问题。首先考虑最简单的两人参与的游戏：MAX和MIN。MAX先行，两人轮流行动，直至游戏结束。游戏由以下部分组成：S0：初始状态。PLAYERS(S)：定义此时该谁行动。ACTIONS(S)：此状态下的合法移动的集合。RESULT(S,A)：转移模型，定义行动的结果。TERMINAL-TEST(S)：终止测试，判断游戏是否结束。游戏结束的状态为终止状态。UTILITY(S,P)：效用函数，定义游戏

背包问题背包问题是常见的动态规划问题，它的题目通常是给定一些有一定重量和价值的物品，一个已知承重量的背包，和一些限制条件，然后求能够放进背包的物品的最大价值。背包问题有多个类型，下面一一介绍。1 01背包01背包问题指的是：有n件物品和一个容量为W的背包。第i件物品的重量是w[i]，价值为v[i],求解将哪些物品装入背包可 使这些物品的费用总和不超过背包容量，且价值总和最大。每个物品只能放入1次。它的子问题为opt(i,w)opt(i,w)opt(i,w)，指的是前i件物品，背包容量为w时，能够放

动态规划概述1 使用动态规划的情况动态规划问题通常用来解决最优化问题，以得到最大或最小值。事实上，只要有最优子结构就可以使用动态规划。但是一般而言，动态规划时间复杂度较高，所以一般而言，只有在问题还具有子问题重叠的性质时，动态规划才有一定优势。总而言之，当我们发现问题具有最优子结构和子问题重叠的时候，我们就可以尝试用动态规划的方式来解决问题。2 具体步骤一般有如下几个步骤：定义最优子结构。定义状态。定义状态转移方程。其中，要得到状态转移方程，我们需要分析原问题和子问题的关系。又因为有多

快速傅里叶变换1 简介对于信号而言，它的一些特征需要在频域当中才能体现，因此我们需要通过某种方式将信号从时域转换到频域，而傅里叶变换就是其中之一。在计算机当中，我们常用的是离散傅里叶变换。而快速傅里叶变换（FFT）是为了加快傅里叶变换而提出的一种算法。2 离散傅里叶变换首先来看傅里叶变换：X(w)=∫−∞∞x(w)e−iwtdtX(w)=\int_{-\infty}^{\infty}x(w)e^{-iwt}dtX(w)=∫−∞∞​x(w)e−iwtdt下面来看离散傅里叶变换。对x(t)以周期

最邻近点对1 一维最邻近点对实例代码：struct point { long long x[3];};bool cmp_x(point a, point b) { return a.x[0] < b.x[0];}pair<point, point> one_d(point *set) { sort(set, set + n, cmp_x); int index1 = 0; int index2 = 1; if (n &g

归并排序和快速排序1 简介一般来说，使用分治思想的排序算法有归并排序和快速排序，在理想情况下，它们的时间复杂度都为O(nlogn)O(nlog_n)O(nlogn​)，递归式均为:T(n)=2T(n/2)+O(n)T(n)=2T(n/2)+O(n)T(n)=2T(n/2)+O(n)基本思路均如下图，只是各自的分解、排序和合并的方式有所不同：[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-hjmWs1iJ-1594349682224)(D:\CS-Recorder\

Divide and Conquer分治法是常见的算法设计思路之一，它的核心在于将原问题拆分为数个子问题，子问题与原问题类似，但规模更小，因此更容易解决，最后将子问题合并，即可得到原问题的答案。一般步骤如下：分解：将原问题分解为k个子问题。解决子问题：递归地处理子问题，直到问题规模足够小。合并：将子问题的解组合成原问题的解。通过这个方式，我们可以得到关于原问题的递归式，递归式对于求解该算法的时间复杂度很有帮助，其形式通常如下：T(n)=aT(n/b)+f(n)T(n)=aT(n/b)+f

Minimum Spanning Tree1 简介假设有n个节点，m条带非负权值的无向路径，我们想要在它们之间建立一张连接网络，使得任意两个节点之间都存在一条路径，且总权值最小。这样的问题被称为最小生成树，下面证明当花费最小时，该网络为一棵树：根据定义，该网络是连通的。假设网络G中存在一个环，环中包含a，b。因为G中的路径是无向的，且a，b在一个环中，那么a-b有两条路径，删去其中一条路径的一条边e’，得到G‘。G’同样是连通的，且cost(G‘)=cost(G)-cost(e’) <= co

Shortest path1 简介给定有向带权图G=（V，E），E中的每条边权值为非负实数。给定一点s，求s到其它点的最短路径。对于这类问题，我们常用Dijkstra算法。所谓Dijkstra算法，即开始时，集合S为空，集合Q为所有点以及它们到s的距离。之后，如果Q不为空，那选取Q中与s距离最短的点u，将该点加入S，之后更新u的所有临近点v，如果dsv>dsu+duvd_{sv}>d_{su}+d_{uv}dsv​>dsu​+duv​，那么dsv=dsu+duvd_{sv}=d_{

哈夫曼编码(Huffman code)1 简介在计算机中，数据都是以二进制的形式存在，所以我们有必要对字符进行编码。编码方式通常分为两种：定长编码和变长编码。其中，变长编码通常有更好的利用率。下面介绍的哈夫曼编码就属于变长编码中的前缀码。所谓前缀码，指的是没有码字是其它码字的前缀。对于不同的前缀码编码树T，我们用如下公式来衡量其代价：B(T)=∑c∈Cc.freq∗dT(c)B(T)=\sum_{c\in C}c.freq * d_{T}(c)B(T)=c∈C∑​c.freq∗dT​(c)其中，

最优缓存管理(Optimal Caching)1 简介生活当中，常常发生这样的事，在做研究或者学习时，你列出了一些书来做参考。然而，你的书桌最多只能放k本书，但是你需要的书的数量大于k。因此，当你需要某本书，但它又不在桌上时，你需要前往图书馆去换书，而前往图书馆需要耗费大量的时间。那么，问题来了，如何对你的书桌进行管理才能让换书的次数最少？类似的，计算机的缓存存取速度很快，但是容量有限，所以很多数据存放在硬盘当中。而从硬盘当中读取数据十分耗时，所以我们需要通过某种方式来对缓存进行管理以减少这样的耗时。

1 贪心算法概论文章目录1 贪心算法概论1.1 算法简介1.2 算法设计1.3 算法优化1.1 算法简介“Greed . . . is good. Greed is right. Greed works.”​ ——Michael Douglas, Wall Street对于一些问题，虽然动态规划能够解决，但是如果使用贪心算法，算法的复杂度将会大大降低。如果我们想要使用贪心算法，那么问题需要满足贪心选择和最优子结构这两个条件。最优子结构：最优