尧图网络 高端网站定制 · 原创设计
免费咨询热线
400-888-6620
免费获取方案
算法分析与设计期末复习参考
启发式搜索一、概念极简背诵版状态空间问题所有合法状态 状态转移规则构成的集合搜索就是在状态空间里找路径。图灵机抽象计算模型由读写头、纸带、状态集组成能刻画所有可计算问题。可行解满足问题全部约束条件的一个解不一定最好。目标函数用来衡量解好坏的函数求最大/最小。最优解所有可行解里让目标函数取到极值的解。P vs NPP多项式时间可求解的问题NP多项式时间可验证答案的问题P vs NP猜想 P 是否等于 NP至今未证明。二、算法广度搜索 BFS队列FIFO一层一层向外扩展代价相同时可得最优解完备。深度搜索 DFS栈LIFO一路往深处钻走不通再回溯不保证最优省空间。Dijkstra求单源最短路径边权≥0。递推dist[v]min⁡(dist[v],dist[u]w(u,v))dist[v]\min(dist[v],dist[u]w(u,v))dist[v]min(dist[v],dist[u]w(u,v))表格法维护距离表每次选出距离最小未访问点松弛邻接点。A算法*MCTS 蒙特卡洛树搜索4步循环①选择从根向下用UCT选到叶子节点②扩展给叶子新增子节点③模拟从新节点随机走直到终止得到结果④回溯把胜负结果往回更新整条路径节点统计值EoH 是用大模型做进化搜索自动生成启发式算法。把启发式方案当个体大模型负责生成、修改方案靠效果反馈不断优化用来解决组合优化问题。ReEvo 在 EoH 的基础上加了反思一边看当前方案好坏一边记住之前的经验指导大模型改进找更好的启发式方案搜索效率更高。强化学习复习材料速记版1.增量蒙特卡洛更新核心思想不用每次存完整回报序列再求平均而是边采样边更新。公式Q(St,At)←Q(St,At)1N(Gt−Q(St,At))Q(S_t, A_t) \leftarrow Q(S_t, A_t) \frac{1}{N}(G_t - Q(S_t, A_t))Q(St​,At​)←Q(St​,At​)N1​(Gt​−Q(St​,At​))2.ε-greedy Exploration为什么能改善策略避免局部最优纯贪心ε0会一直选当前看起来最好的可能错过更优动作随机探索给了纠错机会。持续更新 Q 值不探索就永远采不到次优动作的样本Q 值估计不准探索保证所有动作都有机会被采样估值更准。ε 衰减前期 ε 大多探索后期 ε 小多利用兼顾找方向和收敛稳。3.Q-Learning 迭代公式公式离线策略 TD 更新Q(St,At)←Q(St,At)α[Rt1γmax⁡aQ(St1,a)−Q(St,At)]Q(S_t, A_t) \leftarrow Q(S_t, A_t) \alpha \left[ R_{t1} \gamma \max_a Q(S_{t1}, a) - Q(S_t, A_t) \right]Q(St​,At​)←Q(St​,At​)α[Rt1​γmaxa​Q(St1​,a)−Q(St​,At​)]4. PPO中Critic、Actor、Reward如何训练Loss定义及意义Actor策略网络输出动作分布。Loss裁剪代理目标限制新旧策略差距。意义在保证策略稳定的前提下提升优势大动作的概率。Critic价值网络输出状态价值。LossMSE 损失。意义评估这个状态好不好给 Actor 提供梯度信号。Reward环境给出的即时奖励用来计算回报、优势函数是整个训练的监督信号不单独训练网络。深度学习基础练习1. 一般卷积神经网络的构成及原理CNN 由输入层、卷积层、激活层、池化层、全连接层、输出层构成。原理利用局部感受视野、权值共享通过卷积核滑动提取图像局部特征激活函数引入非线性池化压缩特征、降低维度最后全连接层整合高层特征通过反向传播更新参数自动学习特征完成预测。2. 前向神经网络的一般训练过程输入样本前向传播计算预测输出计算预测和标签的损失 loss反向传播链式法则求各权重梯度梯度下降更新权重循环迭代直到损失收敛。3. 链式法则-对权值的偏导4. Word2Vec Skip-Gram Model输入中心词预测它的上下文周边词用浅层网络学习词向量目标让相近语义的词向量在空间离得近用负采样 / 层次 softmax 加速训练。其他
RELATED

相关推荐

保时捷卡宴降20万,奥迪A8降30万,豪车降价真有这么狠?

保时捷卡宴降20万,奥迪A8降30万,豪车降价真有这么狠?

最近几年只要说起豪车降价,相信大多数人都不会陌生,前几个月十几万买一台路虎,到了这个国庆假期甚至有了保时捷卡宴降价20万,奥迪A8降价30万的消息,让人不禁想问这豪车降价真有这么狠?一、豪车又降价了&…

📅 2026/11/2 21:30:15
基于SpringBoot的医院急诊系统(SpringBoot+Vue+MySQL)| 毕业设计 源码+论文+完整教程

基于SpringBoot的医院急诊系统(SpringBoot+Vue+MySQL)| 毕业设计 源码+论文+完整教程

本项目为计算机本科毕业设计,采用 SpringBoot 作为后端框架,Vue Element UI 作为前端,数据库使用 MySQL(MyBatis-Plus 持久层),架构为 B/S 模式。系统涵盖用户管理、医生管理、急诊预约、公告管理、论坛管…

📅 2026/11/2 21:30:15
ChainUQ论文阅读总结

ChainUQ论文阅读总结

# ChainUQ论文阅读总结> 论文信息:ChainUQ: Reasoning Consistency‑Aware Uncertainty Quantification for Large Language Models,arXiv:2609.26060 ## 一、文章主要内容大语言模型(LLM)具备强大的多步推理能力,但经常出现**中间推理步骤互相矛盾,但输出的最终结论…

📅 2026/11/2 21:25:14
MORE NEWS

更多资讯

📰

非厄米超表面传感器双参数优化与COMSOL仿真实践

1. 非厄米超表面传感器双参数解读概述在光学传感领域,非厄米超表面传感器正逐渐成为研究热点。这类传感器通过精心设计的亚波长结构单元,能够实现对光场的精确调控,在生物分子检测、环境监测等方面展现出独特优势。与传统传感器相比&#xff…

📰

AI算力租赁避坑指南:从性能幻觉到交付质量验收

1. 为什么“算力租赁”突然成了硬通货?——从浙商计算机报告切入的真实产业切口你有没有注意到,最近三个月,身边做AI模型训练的团队,聊天时不再只问“显卡够不够”,而是开始盘算“租卡还是买卡”“哪家云厂的A100小时单…

📰

WinCC动画插件性能优化:变量映射、插值平滑与脚本排查

“画面一打开就跟翻幻灯片一样,泵转了半圈,点个按钮要等一秒才有反馈。”这是我接手改造类监控项目时最常听到的一句抱怨,而且十次里有七八次,问题既不在通讯链路,也不在服务器性能,就出在 WinCC 动画插件这…

📰

MyCat 1.6.7.6 部署与分库分表配置排错实战

1. 先搞清楚这个压缩包里装的是什么MyCat 是一个用 Java 写的数据库中间件,它对外伪装成一台 MySQL 服务器,对内把一条 SQL 拆分、路由、改写,分发到后面若干台真实的 MySQL 实例上去执行,再把结果集合并回来。你拿到的这个Mycat-…

📰

测试团队士气管理与激励策略实践指南

1. 为什么测试团队需要特别关注士气问题在软件研发体系中,测试工程师常常处于一个尴尬的位置。他们不像开发人员能直接创造产品功能,也不像产品经理能决定业务方向,但却是质量防线的最后守卫者。我经历过三个不同规模的测试团队,发…

📰

联邦学习最新进展与落地实践:破解数据孤岛与隐私保护

1. 联邦学习为什么突然成了AI圈的“显学”在IJCAI的多次会议上,杨强反复强调一个判断:AI落地最大的障碍不是模型不够强,而是数据走不出各自的“围墙”。这一点我深有体会。过去几年跟银行、医院、制造企业打交道,大家遇到的第一个…

TODAY

今日更新

THIS WEEK

本周精选

THIS MONTH

本月热门

读完文章,想聊聊您的网站?

告诉我们您的行业与需求,资深顾问一对一梳理方案与报价,全程免费。

📞 💬