第二周ARTS

A

reverse（整数反转）：leetcode算法题

题目要求

给出一个 32 位的有符号整数，你需要将这个整数中每位上的数字进行反转。假设我们的环境只能存储得下 32 位的有符号整数，则其数值范围为 [−231,  231 − 1]。请根据这个假设，如果反转后整数溢出那么就返回 0。

法一：（python）先将整数转化成字符串，然后保存在字符串数组1中，再判断数组的第一个元素是否为‘-’，如果是，就在另一个字符串数组2中放入‘-’。使用strip函数将左边的‘0’和右边的‘-’删去，再依次将字符串数组1中的元素反序加入到字符串数组2中。再将字符串2转化成整数。判断整数是否再要求的范围内，若在，则返回结果；否则，返回0.

代码实现：

class Solution:

    def reverse(self, x: int) -> int:

        if x==0:

            return 0

        str_x=str(x)

        x=''

        if str_x[0]=='-':

            x+='-'

        x+=str_x[len(str_x)-1::-1].lstrip("0").rstrip("-")

        x=int(x)

        if -2**31

            return x

        return 0

法二:(C++)

将x的最后一位依次弹出，且依次放入rev中。rev就是x的反转了。再用两个if判断是否溢出，若溢出，返回0；否则，返回rex。这样不用判断x是正数还是负数，也不用关心反转后左边会不会是0。

代码实现：

class Solution {

public:

    int reverse(int x) {

        int rev=0;

        while(x!=0)

        {

            int pop=x%10;

            x /=10;

            if(rev>INT_MAX/10||(rev==INT_MAX/10&&pop>7))

                return 0;

            if(rev

                return 0;

            rev=rev*10+pop;

        }

        return rev;

    }

};

S

Addressing Age-Related Bias in Sentiment Analysis

这是一篇标题为解决情绪分析中与年龄有关的偏见的论文，最近的研究在基于语言的模型中发现了各种形式的偏见，引起了人们队基于社会人口因素传播针对某些群体的社会偏见的风险的担忧。在这篇文章中，作者系统地研究了语言模型在老年语篇研究中的应用。研究结果表明，在许多情绪分析算法和词汇嵌入的输出中都存在显著的年龄偏差。

T

1.setbase(int n) : 将数字转换为 n 进制.

　　如cout<

　　cout<

　　cout<

　　结果是:

　　(空格)(空格)377

　　(空格)(空格) 255

　　(空格)(空格)(空格) f f

2.setprecision用法

　　使用setprecision(n)可控制输出流显示浮点数的数字个数。C++默认的流输出数值有效位是6。

　　如果setprecision(n)与setiosflags(ios::fixed)合用，可以控制小数点右边的数字个数。           setiosflags(ios::fixed)是用定点方式表示实数。

　　如果与setiosflags(ios::scientific)合用， 可以控制指数表示法的小数位数。setiosflags(ios::scientific)是用指数方式表示实数。

　　setiosflags(ios::fixed)固定的浮点显示

　　setiosflags(ios::scientific)指数表示

　　setiosflags(ios::left)左对齐

　　setiosflags(ios::right)右对齐

　　setiosflags(ios::skipws)忽略前导空白

　　setiosflags(ios::uppercase)

16进制数大写输出

　　setiosflags(ios::lowercase)

16进制小写输出

　　setiosflags(ios::showpoint)强制显示小数点

　　setiosflags(ios::showpos)强制显示符号

R

https://www.aaai.org/ocs/index.php/AAAI/AAAI18/paper/view/17139/15841

这篇论文提出并评估Memory-Augmented蒙特卡罗树搜索（M-MCTS），它提供了一个新的在线实时搜索中利用泛化的方法。M-MCTS的关键思想是将MCTS与a内存结构，每个条目包含的信息一个特定的国家。 这个内存用于生成一个ap-通过结合估计来估计近似值类似的州。 文章表明基于记忆的价值ap-proximation比vanilla Monte Carlo估计要好在温和的条件下很有可能。 作者评估了M-Go中的MCTS， 实验结果表明M-MCTS的性能优于原始MCTS 。其实这篇文章不容易看懂，因为涉及了很多复杂的数学公式，所以我也看得不是很明白，但是我去了解了一下蒙特卡罗树搜索。这是一种用于某些决策过程的启发式搜索算法。蒙特卡罗树搜索的每个循环包括四个步骤：选择，扩展，仿真和反向传播。

蒙特卡洛树是什么算法？ - 知乎

维基百科上井字棋的蒙特卡洛树搜索的图示