SMO算法看了近3遍感觉还是有点朦朦胧胧，模模糊糊。所以索性，理解多少写多少，避免遗忘。可能会有很多错误，欢迎指正。主要基于李航的《统计学习方法》SMO(sequentialminimaloptimization)序列最小最优化算法我们在讨论支持向量机的学习问题时，可以将其转换成求解凸二次规划问题。实现支持向量机的学习是要找到这样的凸二次规划问题的全局最优解，SMO就是支持向量机学习的一种快速算法

最近在学群体优化算法，做个学习笔记吧，本人蒟蒻，有不对的地方还情多多包涵。1.粒子群算法的理解。粒子群算法是一种智能优化算法，模拟的是鸟内捕食行为。假设有一群鸟，在一个区域内觅食，这个区域内只有一个食物（最优解），但是每个鸟只知道自己距食物的距离，还有靠食物最近的鸟的距离（群体最优解），这样，他们的觅食行为就收到三个方面的约束。（1）距离食物最近的鸟的位置，这样所有的其他鸟都会向这只鸟靠拢，即所有

KNN约会网站算法，首先读取样本数据，得到样本矩阵和标签，然后把样本归一（用（A-min/）/（max-min）），利用矩阵把每个样本归一，返回归一后的矩阵，范围（max-min），以及最小值。然后是KNN算法，传入测试样本，传入训练样本，传入训练标签。然后利用求矩阵中的距离差，排序。把最相近的前K个挑出来，然后累计对应标签的个数，标签出现最多的就是最符合的。读取样本数据，首先读取，用open（）

KNN算法（邻近算法）介绍与代码实现一、简介二、算法实现1.算法理解2.代码实现一、简介邻近算法，或者说K最近邻(kNN，k-NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法之一

算法-快速排序开始撸常用算法理解快速排序算法快速排序是冒泡排序的一种改进；通过一趟排序将要排序的数据分割成独立的两部分，其中一部分的所有数据都比另外一部分的所有数据都要小，然后再按此方法对这两部分数据分别进行快速排序

以下假设你懂C语言，因为纯粹的C语言描述，所以和处理器平台无关，你可以在MCS-51，AVR，PIC，甚至是ARM平台上面测试这个程序性能。以下以AVR的MEGA8作为平台讲解，没有其它原因，因为我手头上只有AVR的板子而已没有51的。用51也可以，只是芯片初始化部分不同，还有寄存器名字不同而已。核心算法：unsignedcharTrg;unsignedcharCont;voidKeyRead(v

一、算法概述1、kNN算法又称为k近邻分类(k-nearestneighborclassification)算法。最简单平凡的分类器也许是那种死记硬背式的分类器，记住所有的训练数据，对于新的数据则直接和训练数据匹配，如果存在相同属性的训练数据，则直接用它的分类来作为新数据的分类。这种方式有一个明显的缺点，那就是很可能无法找到完全匹配的训练记录。kNN算法则是从训练集中找到和新数据最接近的k条记录，

左图中，绿色圆要被决定赋予哪个类，是红色三角形还是蓝色四方形？如果K=3，由于红色三角形所占比例为2/3，绿色圆将被赋予红色三角形那个类，如果K=5，由于蓝色四方形比例为3/5，因此绿色圆被赋予蓝色四方形类。K最近邻(k-NearestNeighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻

需要代码及测试数据的可以都可以在我的github下载，github地址或者百度云下载地址：链接：https://pan.baidu.com/s/1_XuqK0Kv7f3lzKnck8A6Pw提取码：36w2参考算法理解

最小生成树算法理解最小生成树的算法主要有两种Kruskal算法和Prim算法；Kruskal算法是通过逐个找短的边来去找点，最后实现最小生成树；而Prim算法是由先确定一点去找边，再通过点去找短边来实现最小生成树的

Paxos是什么是用于解决分布式系统中一致性问题的共识算法（ConsensusAlgorithm）Paxos要解决的根本问题可以概括为一句话将所有节点都写入同一个值，且被写入后不再更改。Paxos基础角色Proposers(提议人)为达成一致性提出意见，他可以提出议案(value)，不同的Proposer可以提出不同的valueAcceptors(决策者)助于达成一致性，只有超过半数的决策者批准后

知乎上面有关各种Normalization算法理解简书上关于BatchNorm2d参数解释note11:BatchNorm2D官方手册，具体解析，如下：Howtosetlearningrateas0inBNlayer

前言记录贴膜小哥对KMP模式匹配算法的粗浅理解以及笔记详细学习可以参考这篇–KMP不错的讲解。引言由于朴素模式匹配算法的低效O(n*m)，所以有三位前辈研究出了O（n+m）的匹配算法–KMP朴素算法的低效在于，匹配不成功时候，主串和子串都要进行回溯。KMP算法的优越性在于，主串不用回溯，且子串重复部分也不用回溯。理解KMP算法的关键在于理解F数组：1-什么是F数组2-F数组如何生成1-什么是F数组

沿用上一篇中遗传算法的求解例子，其中代码参考游皓麟的R语言预测实战（这是一本好书）：求解函数通过下面函数的求解，对粒子群算法进行学习：f(x)=x∗sin(10∗π∗x)+2x∈[−1,2]其函数图像为：求解流程与概念原理鸟（粒子）根据自身经验（自己经过的最高点）、以及所有鸟经验（所有粒子中的最高点）进行探索，每次飞的时间是1(迭代1次)，速度是v，这一次飞过的路程s=v∗1（x的变化量），假如有

复习分治法，借着这个机会将用到分治法的合并排序和快速排序算法好好梳理一下并作出总结。分治法求解问题的三要素是分解、求解、合并。分解是指将一个难以直接求解的复杂问题按照某种方式分解成若干个规模较小、相互独立且和原问题类型相同的子问题，求解是指子问题分解至可直接求解，合并是指将子问题的解以某种方式合并成原问题的解。分治法求解排序问题的思想很简单，只需以某种方式将序列分成两个或多个子序列，分别进行排序，

我写的算法理解比较粗浅的，争取真正人人都可以看的懂的。

算法理解：最短距离有三种情况：１、两点的直达距离最短。（如下图）２、两点间只通过一个中间点而距离最短。（图）３、两点间用通过两各以上的顶点而距离最短。

上文介绍了分治法应用实现合并排序，本篇介绍一下分治法应用快速排序算法的理解介绍。快速排序又称分划交换排序，其设计方法与合并排序不同。其分解方法是：在待排序的序列中选择一个元素作为分划元素，称之为主元。在经过一趟特殊分划规则处理后，分划元素左侧元素都不大于主元，右侧元素都不小于主元，此过程被称为一次分划操作。一次划分后，原序列被划分为两个待排序的子序列，在将两个子序列排序后合并成一个序列，则其为排序

请求安全性：服务器端在接收到请求的时候，要主动鉴别该请求是否有效，是否可接受。token:已登陆用户的识别码解决的问题:用户调用接口时，不用每次都带上用户名和密码，避免了频繁在网络中传输密码被截获的风险。使用场景:用户登录系统时传入用户名和密码，服务器校验成功之后，根据uuid等参数生成token返回给客户端，同时把该token和该用户的对应关系缓存在服务器端。客户端在后续的请求接口中不用每次都传

如果不了解CAS算法的,请看这篇文章CAS算法理解Ab

SVD是一种强大的降维工具，同时也用于去噪，或图片压缩，本质上SVD是使用奇异值分解，这是矩阵中的一种解法。SVD算法将原始数据Data，分解为UVT即:维度DATA:(m,n)U:(m,m)其实U是一个正交矩阵，也是A*AT的特征向量:(m,n)对角线是按从大到小的奇异值，我们其实可以选取95%的奇异值，后面的奇异值可以认为是噪音，而抛弃VT:(n,n)其它VT也是一个正交矩阵，也是AT*A的特

其中算法族是指一系列算法，可以把算法理解为对象的行为（方法）。这里用到了一个设计原则：找出应用中可能需要变化之处，把它们独立出来，不要和那些不需要变化的代码混在一起。

复制算法将内存分为两个区域，内存1和内存2，使用的时候只使用内存1，内存2是空的，当内存1进行垃圾回收的时候，将存活对象复制到内存2，将内存1中的所有的对象回收，然后在将内存2与内存1进行角色互换，这个时候内存1中的就没有内存碎片的问题如下图复制算法进行垃圾回收的时候，可以看内存中的垃圾对象多还是存活对象多，当垃圾对象多的时候使用复制算法比较划算jvm年轻代内存空间模型使用的就是复制算法jdk1.

溢出的检测方法四、无符号数运算的溢出判断一、定点数加法运算[X]补+[X]补=[X+Y]补mod2n+1[X]_补+[X]_补=[X+Y]_补\mod\2^{n+1}[X]补+[X]补=[X+Y]补mod2n+1算法理解例

求最短路径最常用的有迪杰斯特拉（Dijkstra）和弗洛伊德（Floyd）算法两种。本着简洁为王道的信条，我选择了Floyd算法。Floyd算法首先来看一个简单图，红色标记代表在数组的下标，橙色标记代表距离（边权值）我们用D[6][6]这个矩阵存储两点之间最短路径，用P[6][6]这个矩阵存储路径两个矩阵初始化如下，若两点不直接联通，则初始化为无穷大D[6][6]ABCDEFA07∞∞105B70

本文对EDS算法进行整理，并基于《密码编码学与网络安全（第七版）》中DES章节两道经典课后练习题，对DES加密和解密算法进行深化理解。1准备篇这篇博客对DES算法原理进行了系统的讲述：https://blog.csdn.net/qq_27570955/article/details/524420922框架梳理有了前面的准备工作，建立起自己对DES算法认知的流程框架。2.1DES加密过程整体框架2.

那就从k-means开始吧对于机器学习的新手小白来说，k-means算法应该都会接触到吧。传统的k-means算法是一个硬聚类（因为要指定k这个参数啦）算法。这里利用百度的解释它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度，它是求对应某一初始聚类中心向量V最优分类，使得评价指标J最小。算法采用误差平方和准则函数作

算法：这里的算法都是leetCode上的题目：leetCodegithub代码地址：JavaScript--数据结构与算法理解算法的本质学会挖掘"规律"通过"解题"夯实基础算法举一反三学会变通和延伸基础算法

前言这几次面试的确有好多次问到了最短路径算法，当时答得确实不好，对算法理解的不是很透彻，下面简单梳理一下。

算法理解：K-近邻算法测量待分类样本的特征值与已经分好类的样本对应的特征值之间的距离，最邻近的一个或者几个训练样本的类别决定了待分类样本所属的类别。

这个题目主要考的是KMP算法，我感觉KMP算法理解起来有点小困难，但是代码超级短，时间复杂度为（n+m），但是我发现字符串hash更好用一些，而且很容易理解这个是我对字符串hash的介绍，可能不是很全，

一道网申试题，练习了一下，算法理解起来比较简单。请使用你熟悉的编程语言（答题时请标注出是何种语言）精确的计算出10000的阶乘。

github：PCA代码实现、PCA应用本文算法均使用python3实现1.数据降维  在实际生产生活中，我们所获得的数据集在特征上往往具有很高的维度，对高维度的数据进行处理时消耗的时间很大，并且过多的特征变量也会妨碍查找规律的建立。如何在最大程度上保留数据集的信息量的前提下进行数据维度的降低，是我们需要解决的问题。  对数据进行降维有以下优点：  （1）使得数据集更易使用  （2）降低很多算法的

内容持续更新总结中......算法，一直是看似复杂的东西，但是，深入本质，其实算法，是很有趣的；算法，其实就是对于一堆输入的内容，转换成你想要的输出的内容的一个计算序列！栗子：从A到B有很多条路，最快到B是时间复杂度（多长时间），走路流汗最少是空间复杂度（用了多少内存空间）；算法技术点（借用知乎的一张思维导图）——需要的基础数学知识：求导、nlgn等等这种时间复杂度和空间复杂度的认识待手撸算法：十

对操作数和运算结果的符号位进行检测方法二：对最高数据位进位和符号进位进行检测方法三：用变形补码溢出判断的软件方法4.无符号数运算的溢出判断1.定点数加法运算[X]补+[Y]补=[X+Y]补mod2n+1算法理解例

SVM算法理解以及编程练习支持向量机如何找到超平面最大间隔分类器代码练习理解代码1代码2代码3代码4支持向量机支持向量机就算法作为机器学习的经典算法，从被提出后快速发展，在很多场景和领域都取得了非常好的效果

算法理解：Q-learning组成环境：即奖惩矩阵Ｑ-table更新：初始化全为０思想：智能体agent不知道环境是怎么样，需要不断去＂碰壁＂，每次随机探索（1个episode）可能成功也可能是失败，但经验会被积累

ROS进阶教程（二）AMCL算法原理讲解AMCL算法理解蒙特卡洛定位算法蒙特卡洛定位算法自适应变种里程计运动模型测距仪模型波束模型似然域模型AMCL算法理解AMCL(adaptiveMonteCarloLocalization

四重平衡论：带不均衡三角形的全局最小;时间约束自适应影响力最大化;基于网络分析北美城市公共交通系统;拓扑数据分析的空间应用：城市、雪花、随机结构和蜘蛛受影响的结网;使用机器学习算法理解大萧条;量化Twitter

1经典ICPICP的目的很简单，就是求解两堆点云之间的变换关系。怎么做呢？思路很自然，既然不知道R和t(针对刚体运动)，那我们就假设为未知量呗，然后通过某些方法求解。下面我们来看看具体怎么求的～没办法，要把问题描述清楚，数学是少不了的了。假设有两堆点云，分别记为两个集合X=x1,x2,...,xm和Y=y1,y2,...,ym（m并不总是等于n）。然后呢，我们不失一般性的，假设两个点云之间的变换为

前言之前对排序算法理解不是很深刻，也容易把几个算法混在一起，所以整理了几个常用的排序算法，并尝试在自己的理解上给几个算法优化了下。冒泡排序冒泡应该是最好理解的排序算法，所以把它放在第一个讲。

先放一个大佬的链接，ke'y可以说是讲的非常详细了：https://blog.csdn.net/v_july_v/article/details/7041827，感谢大佬分享这篇对部分匹配值介绍很详细：http://www.doc88.com/p-2929643037053.html说一下我对kmp的理解吧（不一定正确，前辈多zhi'指教）：kmp算法的优越性在于不必将p上的字符跟s上的每个字符都

声明:算法并非原创,但是来源已经忘记了,当时考虑算法的时候看了比较多的麻将胡牌算法,想寻找自己比较容易理解的,找了几篇,所以算法的出处已然忘记,不过还是感谢下原创吧.算法理解之后就不难了,下面开始详细的阐述了

标记清除算法标记清除算法共分为两个阶段分别是标记和清楚，可以这么理解标记就是从根节点开始标记引用的对象，清除：就是未被标记引用对象，也就是垃圾对象可以被清理原理：画图解释,图中每个方框代表一个对象，每个对象中都有一个mark标记位，最上面有个root是跟节点对象,从根节点对象开始箭头指向，代表root对象引用了下面的对象，图中root对象共引用了两个对象，依次类推对象一层一层的引用，比如在这个时候

转自http://www.byvoid.com/blog/match-km/[二分图带权匹配与最佳匹配]什么是二分图的带权匹配？二分图的带权匹配就是求出一个匹配集合，使得集合中边的权值之和最大或最小。而二分图的最佳匹配则一定为完备匹配，在此基础上，才要求匹配的边权值之和最大或最小。二分图的带权匹配与最佳匹配不等价，也不互相包含。我们可以使用KM算法实现求二分图的最佳匹配。方法我不再赘述，可以参考t

支持向量机（SupportVectorMachines，SVM），在很多地方见过，如强化学习、入侵检测中，作为机器学习的一种据说很好算法，今天开始了解一下，还不够深入，等待更新。一、分隔超平面假设有两类线性可分的样本，分隔超平面就是将两类样本进行分隔。在二维平面上，分隔超平面是一条一维（一元）直线f(x)=ax+b；在三维空间里，分隔超平面是一个二维（二元）平面f(x,y)=ax+by+c；更高维

不过，现在我基本上对这个算法理解算是比较透彻了！特写此文与大家分享分享！我个人总结了，KMP算法之所以难懂，很大一部分原因是很多实现的方法在一些细节的差异。怎

O(∩_∩)O~【信号量】虽然它叫信号，其实从算法理解上和信号没啥关系。更好的理解是用于进程之间通信“我要运行，你不要运行”的变量。

1.kmp算法的原理：本部分内容转自：https://www.cnblogs.com/c-cloud/p/3224788.html字符串匹配是计算机的基本任务之一。举例来说，有一个字符串"BBCABCDABABCDABCDABDE"，我想知道，里面是否包含另一个字符串"ABCDABD"？许多算法可以完成这个任务，Knuth-Morris-Pratt算法（简称KMP）是最常用的之一。它以三个发明者命

相关资料论文原稿以及翻译：https://github.com/SnailTyan/deep-learning-papers-translation可用示例（yolov3）：https://github.com/xiaochus/YOLOv3yolo算法吴恩达视频：https://mooc.study.163.com/learn/2001281004?tid=2001392030#/learn/c