CCF-CSP认证 2023年3月01 田地丈量 (p1.x > p4.x) || (p2.x < p3.x) || (p1.y > p4.y) || (p2.y < p3.y) //对矩阵不重叠求反。p1与p2表示矩形A的左下角和右上角，用p3和p4表示矩形B的左下角和右上角。
CCF-CSP认证 2024年3月 2.相似度计算 这里要注意加inserter可能是新加的C++特性，最后一个参数写re.begin会报错。其中有5个参数：firts1,last1,first2,last2,result。需要注意的是，所求的两个集合必须是有序的，不然运行时会出现错误。这里用一下 set_intersaction()函数来计算交集。并且使用字符串hash加快处理速度。set_union同理。
【十分钟速成系列】--多目标优化(MOO) 单目标优化的情况下，只有一个目标，任何两解都可以依据单一目标比较其好坏，可以得出没有争议的最优解。多目标化与传统的单目标优化相对。多目标优化的概念是在某个情景中在需要达到多个目标时，由于容易存在目标间的内在冲突，一个目标的优化是以其他目标劣化为代价，因此很难出现唯一最优解，取而代之的是在他们中间做出协调和折中处理，使总体的目标尽可能的达到最优。在MOO问题中，解集可以通过最优解，有效解和弱有效解表示。首先我们先定义多目标里面的相等、严格小于、小于、小于且不相等：定义：∀x1,x2∈RN\forall
【十分钟速成系列】--遗传算法（GA）（含py代码） 目录1.算法前瞻：1.1 基因和染色体: 1.2 种群和个体1.3 适应度函数1.4交叉轮盘赌法：单点交叉多点交叉 1.5变异2.算法步骤2.1编码和解码二进制编码：二进制解码：2.2 初始化种群2.3 适应度和选择2.4 交叉和变异2.5 算法终止 2.6 算法流程图3.应用场景 4.遗传算法的基本特征5.代码实现 遗传算法简称GA（Genetic Algorithms）模拟自然界生物遗传学（孟德尔）和生物进化论（达尔文）通过人工方式所构造的一类 并行随机搜索最优化方法，是
【十分钟速成系列】--模拟退火算法（SA）（内含代码） 下图中所示即为在一次温度下，跌代L次，固体能量发生的变化。在该温度下，整个迭代过程中温度不发生变化，能量发生变化，当前一个状态x(n)的能量大于后一个状态x(n+1)的能量时，状态x(n)的解没有状态x(n+1)的解好，所以接受状态x(n+1)。假设开始状态在A，多次迭代之后更新到B的局部最优解，这时发现更新到B时，能力比A要低，则说明接近最优解了，因此百分百转移，状态到达B后，发现下一步能量上升了，如果是梯度下降则是不允许继续向前的，而这里会以一定的概率跳出这个坑，这各概率和当前的状态、能量等都有关系。
计算机组成原理--透明与不透明寄存器 （指令寄存器是从主存中取出来存放指令的寄存器，无法编辑，自然也不可见）uIR(微指令寄存器，uMAR，uMDR)变址寄存器（变址寻址，如数组的访问需要）中断字寄存器（可以修改中断的优先级）PC，PSW，通用寄存器，ACC。MAR(存储器地址寄存器）MDR(存储器数据寄存器)基址寄存器（基址寻址）Cache(高速缓存)
关注
