当前位置: 首页 > news >正文

算法分析与设计——动态规划复习题(待更新

检测题:

  1. 组合优化问题的目标函数通常不包括以下哪种形式?
    A. 需最小化的代价函数
    B. 需最大化的回报函数
    C. 需满足的硬约束条件
    D. 需最小化的能量函数
    答案:C

  2. 关于约束条件的说法,以下哪项是正确的?
    A. 硬约束可以通过惩罚函数间接处理
    B. 软约束是必须严格满足的条件
    C. 硬约束是必须满足的条件,软约束通过惩罚处理
    D. 所有约束条件都必须转化为硬约束
    答案:C

  3. 动态规划技术特别适合解决以下哪种问题?
    A. 目标函数不明确的组合优化问题
    B. 具有重叠子问题最优子结构的问题
    C. 仅包含软约束的问题
    D. 需要随机搜索的复杂问题
    答案:B

  4. 组合优化问题中,“可行解”的定义是?
    A. 使目标函数最小的解
    B. 满足所有约束条件的解
    C. 忽略软约束后的近似解
    D. 仅满足硬约束的解
    答案:B

  5. 动态规划的核心思想是:
    A. 通过暴力枚举所有可能的解
    B. 将问题分解为子问题并避免重复计算
    C. 仅处理单一阶段的优化问题
    D. 完全依赖启发式规则
    答案:B

  1. 动态规划的必要条件不包括以下哪一项?
    A. 多阶段决策问题
    B. 子问题之间存在重叠
    C. 目标函数具有最优子结构
    D. 子问题之间完全独立
    答案:D

  2. “最优子结构”性质的含义是?
    A. 问题的最优解包含子问题的最优解
    B. 所有子问题必须完全相同
    C. 问题的规模必须从小到大递增
    D. 必须使用递归方法求解
    答案:A

  3. 动态规划与分治法的本质区别在于?
    A. 动态规划必须使用迭代实现
    B. 分治法要求子问题不重叠
    C. 动态规划需要记录子问题的解
    D. 分治法适用于多阶段决策问题
    答案:B

  4. 以下哪种场景适合动态规划?
    A. 归并排序中对数组的拆分与合并
    B. 斐波那契数列的递归计算(未优化)
    C. 最短路径问题中局部最优导致全局最优
    D. 随机生成解的蒙特卡洛方法
    答案:C

  5. 动态规划“以空间换时间”的核心原因是?
    A. 必须使用贪心策略
    B. 需要存储所有可能的解
    C. 记录子问题的解以避免重复计算
    D. 问题必须分解为固定大小的子问题
    答案:C


判断题

  1. 动态规划必须采用自顶向下的递归实现。
    答案:错误(动态规划通常用自底向上的迭代实现,递归实现需配合记忆化)

  2. 若一个问题没有重叠子问题,动态规划将退化为分治法。
    答案:正确

  3. 最短路径问题的最优子结构性质是指:从起点到终点的最短路径包含路径上任意两点的最短路径。
    答案:正确


填空题

  1. 动态规划的两个必要条件是 最优子结构 和 重叠子问题
  2. 动态规划通过 记录子问题的解(或记忆化) 来避免重复计算。
  3. 归并排序不属于动态规划应用,因为它 不存在重叠子问题

应用题

场景:设计一个算法计算斐波那契数列的第 nn 项。

  1. 递归实现(无优化)的时间复杂度是多少?为什么?
  2. 如何用动态规划优化?请说明具体方法及其优势。

参考答案

  1. 时间复杂度为 O(2n)O(2n),因为递归过程中存在大量重复计算(如 F(n−2)F(n−2) 被多次计算)。
  2. 使用动态规划:
    • 自底向上迭代:从 F(0)F(0) 和 F(1)F(1) 开始,逐步计算到 F(n)F(n),保存中间结果。
    • 记忆化递归:在递归中记录已计算的 F(k)F(k) 值,避免重复调用。
    • 时间复杂度优化为 O(n)O(n),空间复杂度为 O(1)O(1)(迭代法)或 O(n)O(n)(记忆化)。

综合题

问题:分析背包问题(0-1 Knapsack)是否满足动态规划的两个必要条件,并简述动态规划的求解思路。
答案

  1. 最优子结构:若当前物品是否放入背包的决策能推导出剩余容量和剩余物品的最优解,则满足最优子结构。
  2. 重叠子问题:不同容量和物品组合的子问题可能被多次计算(如容量为 ww 时选择前 ii 个物品)。
    求解思路
  • 定义 dp[i][w]dp[i][w] 表示前 ii 个物品在容量 ww 下的最大价值。
  • 递推方程:
    dp[i][w]=max⁡(dp[i−1][w],dp[i−1][w−weighti]+valuei)dp[i][w]=max(dp[i−1][w],dp[i−1][w−weighti​]+valuei​)
  • 自底向上填表,最终 dp[n][W]dp[n][W] 即为最优解。

知识点复习:

一、组合优化问题是什么?

   是指在有限的离散解集合中,找到满足约束条件且使目标函数最优(最小化或最大化)的解,而且动态规划是解决组合优化问题的重要工具,组合优化问题 ≈ 在一大堆可能的“组合”里,挑出最好的那个。

1、举个栗子 🌰:

假设你周末要完成3件事:取快递买菜去银行
目标:找出最短路线,少走路!
可能的组合

  1. 家 → 快递 → 菜场 → 银行 → 家
  2. 家 → 菜场 → 银行 → 快递 → 家
  3. 家 → 银行 → 快递 → 菜场 → 家
    ...(还有很多种顺序)

你需要挨个算每条路线的总距离,然后选最短的那条。这就是一个典型的组合优化问题


2、为什么难?

如果事情变多(比如有10件事),可能的路线组合会爆炸式增长(比如10! = 362万种)。这时你不可能一个个试,得用“聪明的方法”快速找到最优解。


3、关键点:

  1. 组合:解是多个元素的排列或选择(比如路线顺序、带哪些物品)。
  2. 优化:有明确的目标(比如最短、最便宜、最快)。
  3. 限制条件:必须满足某些规则(比如背包不能超重、时间不能超时)。

4、生活中的组合优化问题:

  • 网购凑满减:怎么选商品凑到满减,花最少的钱?
  • 旅行计划:7天去5个城市,怎么安排路线最省时间?
  • 排课表:如何把课程排进教室,不冲突且教室利用率最高?

5、一句话总结:

组合优化就是——在众多可能的“排列组合”里,用聪明的方法快速找出“最好用”的那个!
(比如你的大脑自动选了最短路线,而不是挨个试走一遍 😉)

二、矩阵链乘法问题


一句话总结:

矩阵链乘法问题就是——找一种给矩阵相乘“加括号”的方式,让总的计算量(乘法次数)最少!


1、举个栗子 🌰:

假设有3个矩阵要连乘:

  • A₁ 是 10×100 的矩阵
  • A₂ 是 100×5 的矩阵
  • A₃ 是 5×50 的矩阵

它们的乘积有两种加括号方式:

  1. (A₁A₂)A₃

    • 先算 A₁A₂:计算量 = 10×100×5 = 5000
    • 再算 (结果)×A₃:计算量 = 10×5×50 = 2500
    • 总计算量 = 5000 + 2500 = 7500
  2. A₁(A₂A₃)

    • 先算 A₂A₃:计算量 = 100×5×50 = 25000
    • 再算 A₁×(结果):计算量 = 10×100×50 = 50000
    • 总计算量 = 25000 + 50000 = 75000

结论:不同的加括号方式,计算量差了10倍!


2、动态规划解决思路:

  1. 拆分子问题

    • 用 m[i][j] 表示计算从第 i 到第 j 个矩阵的最小乘法次数。
    • 例如:m[1][3] 表示计算 A₁A₂A₃ 的最小乘法次数。
  2. 递推公式

    • 如果 i = j(单个矩阵),m[i][j] = 0
    • 如果 i < j
      m[i][j] = min{ m[i][k] + m[k+1][j] + (第i个矩阵的行数 × 第k个矩阵的列数 × 第j个矩阵的列数) } 其中 k 是分割点(比如在 A₁ 和 A₂ 之间分割,或在 A₂ 和 A₃ 之间分割)。
  3. 自底向上填表
    从最小的子问题开始计算(比如先算2个矩阵相乘,再算3个矩阵相乘...)。


3、练习题

选择题
  1. 动态规划解决矩阵链乘法问题的核心思想是:
    A. 暴力枚举所有可能的括号组合
    B. 利用最优子结构和重叠子问题
    C. 直接计算所有矩阵的乘积
    答案:B

  2. 若矩阵链的维度为 <5, 10, 3, 12>,计算 A₁A₂A₃ 的最优分割点 k 是:
    A. 1
    B. 2
    C. 无法确定
    答案:B(计算方式见下边的计算题)


计算题

题目:给定矩阵链 <30×35, 35×15, 15×5>,求最小乘法次数。
步骤

  1. 计算所有可能的 k 值(分割点):
    • k=1(分割为 A₁(A₂A₃)):
      • m[1][1] + m[2][3] + 30×35×5 = 0 + (35×15×5) + 5250 = 2625 + 5250 = 7875
    • k=2(分割为 (A₁A₂)A₃):
      • m[1][2] + m[3][3] + 30×15×5 = (30×35×15) + 0 + 2250 = 15750 + 2250 = 18000
  2. 最小计算量 = 7875
    答案:7875 次乘法

应用题

题目:给定矩阵链 <10×100, 100×5, 5×50>,写出最优加括号方式。
解答

  • 最优分割点 k=2(分割为 (A₁A₂)A₃)。
  • 最优解((A₁A₂)A₃),总计算量 7500 次乘法。

4、总结

  • 核心目标:通过动态规划找到最优的括号组合,最小化矩阵乘法的计算量。
  • 关键步骤
    1. 定义子问题 m[i][j]
    2. 递推公式:遍历所有分割点 k,取最小值。
    3. 自底向上填表,避免重复计算。
  • 实际应用:图像处理、物理模拟等需要高效矩阵运算的场景。

相关文章:

算法分析与设计——动态规划复习题(待更新

检测题&#xff1a; 组合优化问题的目标函数通常不包括以下哪种形式&#xff1f; A. 需最小化的代价函数 B. 需最大化的回报函数 C. 需满足的硬约束条件 D. 需最小化的能量函数 答案&#xff1a;C 关于约束条件的说法&#xff0c;以下哪项是正确的&#xff1f; A. 硬约束可以通…...

【EasyPan】项目常见问题解答(自用持续更新中…)

EasyPan 网盘项目介绍 一、项目概述 EasyPan 是一个基于 Vue3 SpringBoot 的网盘系统&#xff0c;支持文件存储、在线预览、分享协作及后台管理&#xff0c;技术栈涵盖主流前后端框架及中间件&#xff08;MySQL、Redis、FFmpeg&#xff09;。 二、核心功能模块 用户认证 注册…...

基于Java的不固定长度字符集在指定宽度和自适应模型下图片绘制生成实战

目录 前言 一、需求介绍 1、指定宽度生成 2、指定列自适应生成 二、Java生成实现 1、公共方法 2、指定宽度生成 3、指定列自适应生成 三、总结 前言 在当今数字化与信息化飞速发展的时代&#xff0c;图像的生成与处理技术正日益成为众多领域关注的焦点。从创意设计到数…...

电子电器架构 ---软件定义汽车的电子/电气(E/E)架构

我是穿拖鞋的汉子,魔都中坚持长期主义的汽车电子工程师。 老规矩,分享一段喜欢的文字,避免自己成为高知识低文化的工程师: 周末洗了一个澡,换了一身衣服,出了门却不知道去哪儿,不知道去找谁,漫无目的走着,大概这就是成年人最深的孤独吧! 旧人不知我近况,新人不知我过…...

Stable Diffusion 制作角色三视图

对于漫画创作&#xff0c;DPM 2M Karras和UniPC是高效且稳定的首选采样方法&#xff0c;结合Karras噪声调度可显著提升画面质量。若需进一步优化&#xff0c;可参考具体场景调整步数并辅以ControlNet等工具。避免使用随机性强的采样器&#xff08;如Euler a&#xff09;&#x…...

C++--负载均衡在线OJ

这是本人写的第二个项目&#xff0c;相比第一个代码量更少一些&#xff0c;但是此项目涉及linux中的内容更多&#xff0c;同样是干货满满&#xff0c;实现了 类似 leetcode 的题⽬列表在线编程功能&#xff0c;地址仓库&#xff1a;xwy/C学习项目 1. 所用技术与开发环境 C11和…...

【数字图像处理】彩色图像处理(1)

研究彩色图像处理的原因 1&#xff1a;利用颜色信息&#xff0c;可以简化目标物的区分&#xff0c;以及从场景中提取出目标物 2&#xff1a;人眼对颜色非常敏感&#xff0c;可以分辨出来几千种颜色色调和亮度&#xff0c;却只能分别出几十种灰度 彩色图像分类 伪彩色图像处理&…...

【Easylive】consumes = MediaType.MULTIPART_FORM_DATA_VALUE 与 @RequestPart

【Easylive】项目常见问题解答&#xff08;自用&持续更新中…&#xff09; 汇总版 consumes MediaType.MULTIPART_FORM_DATA_VALUE 的作用 1. 定义请求的数据格式 • 作用&#xff1a;告诉 Feign 和 HTTP 客户端&#xff0c;这个接口 接收的是 multipart/form-data 格式的…...

【python】copy deepcopy 赋值= 对比

上结论 写法是否独立是否安全修改copy() &#xff08;用于一维列表&#xff09;✅ 是独立副本✅ 安全deepcopy() &#xff08;多层结构时用&#xff09;✅ 是完全副本✅ 安全直接赋值&#xff08;&#xff09;❌ 是引用❌ 改一个会影响另一个 一、.copy() 和 deepcopy() 有什…...

环形缓冲区容量耗尽解决方案

以下是针对环形缓冲区在时间窗口统计场景中容量耗尽问题的解决方案设计及优劣分析&#xff0c;结合搜索结果中的技术原理和工程实践&#xff1a; 一、核心问题定位 当环形缓冲区容量耗尽时&#xff0c;新数据覆盖旧数据会导致&#xff1a; 时间窗口统计失真&#xff1a;无法准…...

蓝桥杯 17.发现环

发现环 原题目链接 题目描述 小明的实验室有 N 台电脑&#xff0c;编号 1 ⋯ N。 原本这 N 台电脑之间有 N−1 条数据链接相连&#xff0c;恰好构成一个树形网络。 在树形网络上&#xff0c;任意两台电脑之间有唯一的路径相连。 不过在最近一次维护网络时&#xff0c;管理…...

数据库服务器架构

ORM ORM&#xff08;Object Relational Mapping&#xff09;&#xff1a;对象与关系数据之间的映射 映射关系表&#xff1a; 类&#xff08;class&#xff09;—— 数据库的表&#xff08;table&#xff09; 对象&#xff08;object&#xff09;——记录&#xff08;record…...

Netty前置基础知识之BIO、NIO以及AIO理论详细解析和实战案例

前言 Netty是什么&#xff1f; Netty 是一个基于 Java 的 ​高性能异步事件驱动网络应用框架&#xff0c;主要用于快速开发可维护的协议服务器和客户端。它简化了网络编程的复杂性&#xff0c;特别适合构建需要处理海量并发连接、低延迟和高吞吐量的分布式系统。 1)Netty 是…...

职坐标IT培训:人工智能职业跃迁路径

随着人工智能时代全面来临&#xff0c;职业发展格局正经历颠覆性重构。政策端&#xff0c;《新一代人工智能发展规划》与《生成式AI服务管理办法》双轨并行&#xff0c;既为行业注入动能&#xff0c;也划定了技术应用的合规边界。在此背景下&#xff0c;从业者需构建覆盖基础理…...

Redis 的单线程模型对微服务意味着什么?需要注意哪些潜在瓶颈?

Redis 的单线程模型是其高性能的关键因素之一&#xff0c;但这在微服务场景下既是优势&#xff0c;也可能带来潜在的瓶颈。理解这一点有助于我们在微服务架构中更好的使用Redis。 Redis 单线程模型的核心&#xff1a; 命令处理是单线程的: Redis 使用了一个主线程来接收客户端…...

Redis 有序集合(Sorted Set)

Redis 有序集合&#xff08;Sorted Set&#xff09; 以下从基础命令、内部编码和使用场景三个维度对 Redis 有序集合进行详细解析&#xff1a; 一、基础命令 命令时间复杂度命令含义zadd key score member [score member …] O ( k l o g ( n ) ) O(klog(n)) O(klog(n))&…...

C语言中联合体(Union)和结构体(Struct)的嵌套用法

联合体和结构体是C语言中两种重要的复合数据类型&#xff0c;它们可以相互嵌套使用&#xff0c;为复杂数据的表示提供了灵活的方式。 1. 联合体(Union)基础 联合体是一种特殊的数据类型&#xff0c;允许在相同的内存位置存储不同的数据类型。联合体的所有成员共享同一块内存空…...

Rust: 从内存地址信息看内存布局

内存布局其实有几个&#xff1a;address&#xff08;地址&#xff09;、size&#xff08;大小&#xff09;、alignment&#xff08;对齐位数&#xff0c;2 的自然数次幂&#xff0c;2&#xff0c;4&#xff0c;8…&#xff09;。 今天主要从address来看内存的布局。 下面以Str…...

分类算法中one-vs-rest策略和one-vs-one 策略的区别是什么?

LGBMClassifier 参数中&#xff0c;常使用objective: 这个参数定义了模型的目标函数。 而对于多分类问题&#xff0c;通常使用 multiclass 或者 multiclassova。multiclass 表示 one-vs-rest 策略&#xff0c;而 multiclassova 则是 one-vs-one 策略。 在机器学习领域&#x…...

新能源汽车充电桩运营模式的发展与优化路径探析

摘要&#xff1a;以民用新能源汽车充电桩为研究对象&#xff0c;在分析政府主导型、电网企业主导型及汽车厂商主导型三种运营模式特点的基础上&#xff0c;结合我国新能源汽车发展现状&#xff0c;提出汽车厂商与电网企业协同共建的联盟模式。通过构建涵盖政府补贴、建设成本与…...

【前端样式】用 aspect-ratio 实现等比容器:视频封面与图片占位的终极解决方案

在网页开发中&#xff0c;处理视频封面、图片卡片等需要固定比例的容器一直是前端工程师的必修课。本文将以 aspect-ratio 属性为核心&#xff0c;深入探讨如何优雅实现等比容器&#xff0c;并通过完整代码示例和常见问题解析&#xff0c;助你彻底掌握这一现代布局利器。 目录…...

redis常用的五种数据类型

redis常用的五种数据类型 文档 redis单机安装redis数据类型-位图bitmap 说明 官网操作命令指南页面&#xff1a;https://redis.io/docs/latest/commands/?nameget&groupstring 常用命令 keys *&#xff1a;查看所有键exists k1 k2&#xff1a;键存在个数type k1&…...

Cribl 利用表向event 中插入相应的字段-example-02

Working with Lookups – Example 2 ​ Let’s assume we have the following lookup file, and given both the fields impact and priority in an event, we would like to add a corresponding ingestion-time field called severity. cisco_sourcefire_severity.csv im…...

SystemWeaver详解:从入门到精通的深度实战指南

SystemWeaver详解&#xff1a;从入门到精通的深度实战指南 文章目录 SystemWeaver详解&#xff1a;从入门到精通的深度实战指南一、SystemWeaver环境搭建与基础配置1.1 多平台安装全流程 二、新手必学的十大核心操作2.1 项目创建全流程2.2 建模工具箱深度解析 三、需求工程与系…...

归一化对C4.5决策树无效的数学原理与实证分析

一、引言 在机器学习的预处理流程中&#xff0c;归一化&#xff08;Normalization&#xff09;常被视作提升模型性能的"银弹"。然而&#xff0c;这一经验法则在决策树算法中却遭遇挑战——尤其对基于信息增益比的C4.5算法&#xff0c;归一化操作几乎不产生任何效果。…...

# 05_Elastic Stack 从入门到实践(五)

05_Elastic Stack 从入门到实践(五) 一、Elasticsearch集群之分布式文档(文档的写操作、搜索操作) 1、文档的写操作 1)新建、索引和删除请求都是写(write)操作,它们必须在主分片上成功完成才能复制到相关的复制分片上。 2)下面我们罗列在主分片和复制分片上成功新建、…...

n8n 中文系列教程_05.如何在本机部署/安装 n8n(详细图文教程)

n8n 是一款强大的开源工作流自动化工具&#xff0c;可帮助你连接各类应用与服务&#xff0c;实现自动化任务。如果你想快速体验 n8n 的功能&#xff0c;本机部署是最简单的方式。本教程将手把手指导你在 Windows 或 MacOS 上通过 Docker 轻松安装和运行 n8n&#xff0c;无需服务…...

Spark,从0开始配置Spark的local模式

1.启动虚拟机 2.通过finalshell连接虚拟机&#xff0c;并上传安装文件到 /opt/software下 3.解压spark安装文件到/opt/module下 tar -zxvf spark-3.3.1-bin-hadoop3.tgz -C /opt/module/ 4.重命名&#xff0c;把解压后的文件夹改成spark-local。因为后续我们还会使用其他的配置…...

策略模式:优雅应对多变的业务需求

一、策略模式基础概念 策略模式&#xff08;Strategy Pattern&#xff09; 是一种行为型设计模式&#xff0c;它通过定义一系列可互换的算法族&#xff0c;并将每个算法封装成独立的策略类&#xff0c;使得算法可以独立于使用它的客户端变化。策略模式的核心思想是 “将算法的…...

性能比拼: Nginx vs Apache

本内容是对知名性能评测博主 Anton Putra Nginx vs Apache Performance 内容的翻译与整理, 有适当删减, 相关指标和结论以原作为准 引言 在本视频中&#xff0c;我们将比较 Nginx 与 Apache 这两个 Web 服务器。我们将进行多项测试&#xff0c;并且实际上&#xff0c;在某些情…...

(7)NodeJS的使用与NPM包管理器

本系列教程目录&#xff1a;Vue3Element Plus全套学习笔记-目录大纲 文章目录 第1章 NodeJS1.1 NodeJS简介1.2 NodeJS下载1.3 Node基础入门1.3.1 控制台输出1.3.2 使用函数 1.4 NodeJS模块化编程1.5 NodeJS内置模块1.5.1 fs模块1.5.2 http模块 1.6 NPM包管理工具1.6.1 修改npm镜…...

策略模式:思考与解读

原文地址:策略模式&#xff1a;思考与解读 更多内容请关注&#xff1a;7.深入思考与解读设计模式 引言 你是否曾遇到过这样的情况&#xff1a;在一个系统中&#xff0c;有许多算法或策略&#xff0c;每种策略的实现逻辑相似&#xff0c;但在某些情况下需要进行替换和扩展&am…...

1.Vue3 - 创建Vue3工程

目录 一、 基于vue-cli 脚手架二、基于vite 推荐2.1 介绍2.2 创建项目2.3 文件介绍2.3.1 extensions.json2.3.2 脚手架的根目录2.3.3 主要文件 src2.3.3.1 main.js2.3.3.2 App.vue 组件2.3.3.3 conponents 2.3.4 env.d.ts2.3.5 index.html 入口文件2.3.6 package2.3.7 tsconfig…...

Spring MVC 执行流程全解析:从请求到响应的七步走

Spring MVC 的工作流程&#xff0c;漏了这一个今天刚好面试提到了&#xff0c;没回答出来&#xff0c;记录一下。 &#x1f9ed; Spring MVC 整体执行流程一览&#xff08;从请求到响应&#xff09; ✅ 1. 请求发出&#xff1a;浏览器发送 HTTP 请求 如用户访问&#xff1a; …...

四元数转旋转矩阵

目录 gsplat 四元数转旋转矩阵等同代码实现 scipy 四元数转旋转矩阵替换代码 gsplat 四元数转旋转矩阵等同代码实现 import torch import torch.nn.functional as Fdef quat_act(x: torch.Tensor) -> torch.Tensor:return x / x.norm(dim-1, keepdimTrue)def normalized_q…...

Pytorch的极简transformer用于时间序列预测

本博客来源于CSDN机器鱼&#xff0c;未同意任何人转载。 更多内容&#xff0c;欢迎点击本专栏&#xff0c;查看更多内容。 目录 0.引言 1.数据准备 2. 网络搭建 3. 完整代码 4. 结语 0.引言 在【博客】中&#xff0c;我们基于tensorflow2.x深度学习框架搭建了transforme…...

垂直行业突围:工业软件在汽车、航空领域的 “破壁” 实践

在当今科技高速发展的时代&#xff0c;工业软件已悄然完成从通用工具到垂直行业 “战略武器” 的蜕变。特别是在汽车与航空这两大高端制造领域&#xff0c;工业软件的价值早已超越单纯的效率提升&#xff0c;成为关乎核心技术自主可控的关键要素&#xff0c;一场围绕工业软件的…...

人工智能在智能家居中的应用与发展

随着人工智能&#xff08;AI&#xff09;技术的飞速发展&#xff0c;智能家居逐渐成为现代生活的重要组成部分。从智能语音助手到智能家电&#xff0c;AI正在改变我们与家居环境的互动方式&#xff0c;让生活更加便捷、舒适和高效。本文将探讨人工智能在智能家居中的应用现状、…...

维度建模工具箱 提纲与总结

这里写自定义目录标题 基本概念事实表和维度表BI(Business Intelligence) 产品 事实表事实表的粒度事实表的种类 维度表建模技术基本原则避免用自然键作为维度表的主键&#xff0c;而要使用类似自增的整数键避免过度规范化避免变成形同事实表的维度表 SCD(Slowly Changed Dimen…...

Vue3 源码解析(六):响应式原理与 reactive

今天这篇文章是笔者会带着大家一起深入剖析 Vue3 的响应式原理实现&#xff0c;以及在响应式基础 API 中的 reactive 是如何实现的。对于 Vue 框架来说&#xff0c;其非侵入的响应式系统是最独特的特性之一了&#xff0c;所以不论任何一个版本的 Vue&#xff0c;在熟悉其基础用…...

规则引擎 - Easy Rules

Easy Rules 依赖demodemo1demo2 总结 Easy Rules 是一个轻量级的 Java 规则引擎&#xff0c;使用简单&#xff0c;适合快速开发和简单的规则场景&#xff0c;适合对于一些判断&#xff0c;是否属于白名单&#xff0c;是否有特殊权限&#xff0c;是否属于当前区域&#xff0c;调…...

uniapp打ios包

uniapp在windows电脑下申请证书并打包上架 前言 该开发笔记记录了在window系统下&#xff0c;在苹果开发者网站生成不同证书&#xff0c;进行uniapp打包调试和上线发布&#xff0c;对window用户友好 注&#xff1a;苹果打包涉及到两种证书&#xff1a;开发证书 和 分发证书 …...

from tensorflow.keras.models import Model中Model报红;以及动态链接库(DLL)初始化例程失败

博主也是网上搜索资料又问的kimi 试了一节课 总结下来&#xff1a; 1、用这句话导入Model from tensorflow.keras.models import Model 2、更新pip pip install --upgrade pip 3、卸载重装tensorflow pip uninstall tensorflow 4、使用阿里云使tensorflow降低到2.8.0&a…...

【初阶数据结构】树——二叉树(上)

文章目录 目录 前言 一、树 1.树的概念与结构 2.树相关术语 3.树的表示 二、二叉树 1.概念与结构 2.特殊的二叉树 3.二叉树存储结构 总结 前言 本篇带大家学习一种非线性数据结构——树&#xff0c;简单认识树和二叉数以及了解二叉树的存储结构。 一、树 1.树的概念与结构 树…...

Debian GNU/Linux的新手入门介绍

Debian GNU/Linux&#xff1a;起源、基本介绍与发行版对比 一、起源与发展历程 Debian GNU/Linux 是现存最古老的 Linux 发行版之一&#xff0c;由 Ian Murdock 于 1993 年 8 月 16 日创立。其名称结合了他的女友&#xff08;后成为妻子&#xff09;Debra 和他自己的名字 Ian…...

13 数据存储单位与 C 语言整数类型:从位到艾字节、常见整数类型及其范围、字面量后缀、精确宽度类型详解

1 数据存储单位 在计算机科学领域&#xff0c;数据存储采用分层级的单位体系&#xff0c;各层级单位以 2 的幂次方为换算基础&#xff0c;而非传统数学中的 10 的幂次方。 以下是常见的数据存储单位介绍&#xff1a; 位&#xff08;bit&#xff0c;b&#xff09;是计算机中的最…...

【CPU】结合RISC-V CPU架构回答中断系统的7个问题(个人草稿)

结合RISC-V CPU架构对中断系统七个关键问题的详细解析&#xff0c;按照由浅入深的结构进行说明&#xff1a; 一、中断请求机制&#xff08;问题①&#xff09; 硬件基础&#xff1a; RISC-V通过CLINT&#xff08;Core Local Interrupter&#xff09;和PLIC&#xff08;Platfor…...

基于unsloth微调一个越狱大模型

网上其实并没有找到现成的开源越狱数据集&#xff0c;所以数据集获取是个麻烦事。想了想easydataset&#xff0c;可能还是不行&#xff0c;easydataset是基于大模型回答的&#xff0c;大模型一般都做了对齐训练&#xff0c;那本地文档生成数据这条路也不可靠。 现成的越狱数据…...

城市客运安全员证适用岗位及要求

城市客运安全员证适用岗位及要求 城市客运安全员证是从事城市公共交通行业安全管理工作的重要资格证书&#xff0c;主要适用于以下岗位&#xff1a; 1. 公交车辆安全员 岗位职责&#xff1a;负责公交车辆运行过程中的安全监督&#xff0c;检查乘客携带物品&#xff0c;防止危…...

UDP协议详解

UDP协议详解 一、理解socket套接字 1.1理解IP ​ 我们都知道在网络中IP用来标识主机的唯一性。那么&#xff1f;这句话该如何理解呢&#xff1f;大家来思考一个问题&#xff1a;计算机之间传输传输数据是目的吗&#xff1f;就好比&#xff0c;你爸叫你给你妈带句话&#xff…...