当前位置: 首页 > news >正文

贪心、分治和回溯算法

1. 贪心算法

1.1. 贪心算法的概念

  • 定义:在求解过程中,始终做出当前状态下看起来“最优”的选择,不回退。
  • 核心思想:每一步都选择当前最优解,期望最后得到全局最优解。

适用问题的特征:

  • 问题可以分解成多个子问题
  • 每个子问题的局部最优解能构成全局最优解(即贪心选择性质)。
  • 子问题之间是相互独立的

1.2. 贪心算法的使用步骤

1. 识别问题模型

  • 数据有一个 限制值(如背包容量);
  • 有一个 期望值(如总价值、最大数量等);
  • 目标是 在限制值范围内最大化期望值

2. 设计贪心策略

  • 每一步选取对期望值“最有贡献”的元素;
  • 遵循“当前最优选择”原则。

3. 验证贪心策略有效性

  • 举例验证策略是否能得到全局最优解;
  • 严格证明较复杂,但通常可通过实际情况判断可行性。

贪心算法的局限性:

  • 并非所有问题都适合贪心。
  • 示例:图最短路径问题
    • 从 S 到 T 的路径,如果每次都选当前最短边,可能会错过更优的全局路径(如 Dijkstra 可用,BFS/DFS 或 DP更适合)。
  • 原因:贪心不回退,前面的错误选择无法弥补。

1.3. Huffman 编码与贪心算法

Huffman 编码简介:

  • 一种基于字符频率的压缩编码方式;
  • 高频字符使用更短的二进制编码,低频字符使用更长编码;
  • 实现数据压缩,广泛用于文件压缩、传输等。

如何利用贪心算法实现?

  1. 统计所有字符的出现频率
  2. 将每个字符看作一棵只有一个节点的树,将它们放入最小堆(优先队列)
  3. 重复操作直到只剩下一棵树:
  • 每次从堆中取出两棵最小频率的树;
  • 合并成一棵新树,新树频率 = 左右子树频率之和;
  • 新树再放回堆中。
  1. 最终得到的树即为霍夫曼树,由根到叶子的路径即为每个字符的编码。
  2. 编码过程中没有一个字符的编码是另一个的前缀。

为什么这是贪心?

  • 每次都选择频率最小的两个节点进行合并;
  • 局部选择最小,最终构成的树有最短的平均编码长度
  • 可证明是最优编码方式之一。

2. 分治算法

2.1. 分治算法的概念

分治算法的定义

分治算法(Divide and Conquer)核心思想:

  • 分而治之:将原问题划分成若干规模较小、结构相似的子问题
  • 递归解决子问题
  • 合并子问题的结果得到原问题的解

实现步骤

  1. 分解:将问题分解为子问题
  2. 解决:递归求解子问题(足够小可直接解决)
  3. 合并:合并子问题的解,得到整体结果

应用条件

  • 原问题和子问题结构相似
  • 子问题可以独立求解(无依赖)
  • 存在终止条件(问题足够小可直接解)
  • 合并过程的复杂度不能过高

分治算法要点

  • 四字口诀:“分而治之
  • 减少时间复杂度,提高处理效率
  • 与递归的关系:分治是思想,递归是实现手段

分治算法两大典型应用

  1. 优化算法复杂度(如归并排序 + 逆序对问题)
  2. 处理大规模数据(如 MapReduce 并行处理)

2.2. 分治思想的应用

1. 求数组中的逆序对个数

问题定义

  • 给定一个数组,统计其中的逆序对个数
  • 逆序对:满足 i < ja[i] > a[j] 的元素对
  • 暴力解法时间复杂度为 O(n²)

分治优化方案

  1. 将数组拆分成两半:A1 和 A2
  2. 分别递归求 A1 和 A2 中的逆序对个数:K1、K2
  3. 合并时计算 A1 与 A2 之间的逆序对个数:K3
  4. 最终结果为:K = K1 + K2 + K3

借助归并排序计算逆序对

  • 在归并的过程中,每当发现 a[i] > a[j],就可确定从 a[i]a[q](q - i + 1) 个数都与 a[j] 构成逆序对

2. 在大规模数据处理中的应用

实际场景:排序 10GB 文件

  • 内存仅 2~3GB,无法一次性加载所有数据
  • 分治方案:
    • 按金额区间将数据拆分为若干小文件
    • 各文件内使用内存排序
    • 最后合并排序结果

优势

  • 解决大数据内存无法加载问题
  • 支持并行处理,加快速度
  • 可部署在分布式系统中,如 GFS + 多台机器并行处理

3. MapReduce 的本质是分治思想

MapReduce 简介

  • Google 三驾马车之一(另两个:GFS、Bigtable)
  • 广泛应用于:倒排索引、PageRank、网页分析等大数据任务

MapReduce 的分治体现

  • Map 阶段:将任务拆分,分配给多个节点并行处理(分解+独立求解
  • Reduce 阶段:汇总结果(合并

核心思想总结

“将大任务拆成小任务并行处理,再合并结果”,本质就是 分治思想

应用案例

  • 单词频率统计
  • 网页分词、分析(各网页间无依赖)
  • 上百亿网页通过 MapReduce 并行处理提高效率

3. 回溯算法

3.1. 回溯算法的概念

回溯 = 暴力搜索 + 剪枝优化 + 递归实现

用剪枝,并不需要穷举搜索所有的情况,从而提高搜索效率。

回溯算法的定义:

回溯是一种“枚举所有可能解路径,并剪枝无效路径”的搜索方法,本质是递归 + 状态恢复

核心思想:

尝试 - 判断 - 回退 - 再尝试

可以理解为:在解题过程中不断做选择、走下去,一旦发现不满足要求,就回退到上一步换个方向再尝试

现实类比理解:电影《蝴蝶效应》

主人公可以回到过去,在关键节点重新做选择,希望达成“最优”的人生结局。

回溯就是在“每个岔路口”尝试所有可能的选择,最终找到最优或满足条件的解。

3.2. 回溯思想的应用

算法问题

  • 八皇后问题
  • 数独
  • 0-1 背包问题
  • 全排列 / 子集生成
  • 图着色 / 旅行商问题(TSP)

工程实践

  • 正则表达式匹配
  • 编译器语法解析
  • 深度优先搜索(DFS 的思想基础)

回溯算法通用解题模型

每一步都做一个决策,尝试所有可能,当不符合预期时“回退”。

步骤:

  1. 选择路径:从一组候选项中做出一个选择。
  2. 判断合法性:当前路径是否满足约束条件。
  3. 递归探索:继续向下探索。
  4. 撤销选择(回溯):如果当前路径走不通,则撤销上一步选择,尝试其他选项。

1. 0-1背包问题

0-1 背包问题:

有 n 个物品,每个物品有一个重量 w[i] 和价值 v[i],现在有一个容量为 W 的背包,你只能选择放或不放每个物品(不能切割),求在不超过背包容量的情况下,最大可获得的总价值。

回溯思想的核心:

回溯算法是一种逐步探索所有可能选择的算法策略。

对于 0-1 背包来说,每个物品只有两种选择:

放进背包;

不放进背包。

于是就构成了一棵 二叉决策树。我们通过深度优先的方式,遍历整棵决策树,寻找满足条件的最优解。

maxV = 0def knapsack(i, cw, cv):global maxVif cw > W:return  # 剪枝if i == n:maxV = max(maxV, cv)return# 不选第 i 个knapsack(i + 1, cw, cv)# 选第 i 个(如果重量允许)if cw + w[i] <= W:knapsack(i + 1, cw + w[i], cv + v[i])

2. 正则匹配

设定简化版本

* 表示匹配任意个字符(包括 0 个)

? 表示匹配 0 或 1 个字符

核心思路:

遇到普通字符:匹配即可。

遇到 *:尝试匹配 0 个、1 个、...字符,递归尝试所有情况。

遇到 ?:尝试匹配 0 个或 1 个字符。

匹配失败则回溯到上一个 *? 重新尝试。

class PatternMatcher:def __init__(self, pattern):self.pattern = patternself.plen = len(pattern)self.matched = Falsedef match(self, text):self.text = textself.tlen = len(text)self.matched = Falseself.rmatch(0, 0)return self.matcheddef rmatch(self, ti, pj):if self.matched:return  # 剪枝:已有匹配结果if pj == self.plen:self.matched = (ti == self.tlen)returnp = self.pattern[pj]if p == '*':for k in range(self.tlen - ti + 1):  # k=0到剩余所有字符self.rmatch(ti + k, pj + 1)elif p == '?':self.rmatch(ti, pj + 1)  # 匹配0个字符if ti < self.tlen:self.rmatch(ti + 1, pj + 1)  # 匹配1个字符elif ti < self.tlen and p == self.text[ti]:self.rmatch(ti + 1, pj + 1)

相关文章:

贪心、分治和回溯算法

1. 贪心算法 1.1. 贪心算法的概念 定义&#xff1a;在求解过程中&#xff0c;始终做出当前状态下看起来“最优”的选择&#xff0c;不回退。核心思想&#xff1a;每一步都选择当前最优解&#xff0c;期望最后得到全局最优解。 适用问题的特征&#xff1a; 问题可以分解成多个…...

window自带截图快捷键

Win Shift S&#xff1a;按此组合键后&#xff0c;会出现截图模式选择框&#xff0c;可选择矩形截图、任意形状截图、窗口截图和全屏幕截图&#xff0c;然后使用 “Ctrl V” 粘贴截图内容...

简单使用Slidev和PPTist

简单使用Slidev和PPTist 1 简介 前端PPT制作有很多优秀的工具包&#xff0c;例如&#xff1a;Slidev、revealjs、PPTist等&#xff0c;Slidev对Markdown格式支持较好&#xff0c;适合与大模型结合使用&#xff0c;选哟二次封装&#xff1b;revealjs适合做数据切换&#xff0c…...

1.2.2

某智慧养老平台的心率监测模块目前存在数据准确性不高、异常预警响应慢等问题&#xff0c;影响了老年人健康监测的体验和服务质量。作为人工智能训练师&#xff0c;你需要结合业务知识和人工智能技术&#xff0c;对该模块进行优化设计与实现。 &#xff08;1&#xff09;列出心…...

LeeCode 101.对称二叉树

给你一个二叉树的根节点 root &#xff0c; 检查它是否轴对称。 提示&#xff1a; 树中节点数目在范围 [1, 1000] 内-100 < Node.val < 100 进阶&#xff1a;你可以运用递归和迭代两种方法解决这个问题吗&#xff1f; 答案 && 测试代码&#xff1a; #include &…...

面向GIS的Android studio移动开发(二)--在地图上绘制电子围栏

电子围栏&#xff0c;校园跑的常客&#xff0c;也是定位打卡必不可少的东西 主要代码&#xff1a; 创建电子围栏代码 // 添加多边形地理围栏&#xff08;兼容2023版SDK&#xff09;private void addPolygon(String fenceName, List<LatLng> points) {if (points null…...

《从零开始:Spring Cloud Eureka 配置与服务注册全流程》​

关于Eureka的学习&#xff0c;主要学习如何搭建Eureka&#xff0c;将order-service和product-service都注册到Eureka。 1.为什么使用Eureka? 我在实现一个查询订单功能时&#xff0c;希望可以根据订单中productId去获取对应商品的详细信息&#xff0c;但是产品服务和订单服…...

能力验证及大练兵活动第一期

计算机 请根据计算机检材&#xff0c;回答以下问题&#xff1a; (10道题&#xff0c;共19.0分) 1. 计算机中曾挂载的Bitlocker加密分区的恢复密钥后6位为&#xff1f;&#xff08;答案格式&#xff1a;6位数字&#xff09; (1.0分) 答案&#xff1a;700755 2. 请写出曾远程连…...

TASK03【Datawhale 组队学习】搭建向量知识库

文章目录 向量及向量知识库词向量与向量向量数据库 数据处理数据清洗文档分割 搭建并使用向量数据库 向量及向量知识库 词向量与向量 词向量&#xff08;word embedding&#xff09;是一种以单词为单位将每个单词转化为实数向量的技术。词向量背后的主要想理念是相似或相关的…...

ProfibusDP转ModbusRTU的实用攻略

ProfibusDP转ModbusRTU的实用攻略 在工业自动化领域中&#xff0c;Profibus DP和Modbus RTU是两种常见的通信协议。 Profibus DP是一种广泛应用于过程控制和工厂自动化的现场总线标准&#xff0c;具有高实时性和可靠性。 而Modbus RTU则是一种串行通信协议&#xff0c;常用于…...

基于开源AI智能名片链动2+1模式S2B2C商城小程序源码的去中心化商业扩散研究

摘要&#xff1a;本文探讨在去中心化商业趋势下&#xff0c;开源AI智能名片链动21模式S2B2C商城小程序源码如何助力企业挖掘数据价值、打破信息孤岛&#xff0c;实现商业高效扩散。通过分析该技术组合的架构与功能&#xff0c;结合实际案例&#xff0c;揭示其在用户关系拓展、流…...

iOS 工厂模式

iOS 工厂模式 文章目录 iOS 工厂模式前言工厂模式简单工厂案例场景分析苹果类优点缺点 小结 工厂模式客户端调用**优点****缺点** 抽象工厂模式三个模式对比 前言 笔者之前学习了有关于设计模式的六大原则,之前简单了解过这个工厂模式,今天主要是重新学习一下这个模式,正式系统…...

LaTeX OCR - 数学公式识别系统

文章目录 一、关于 LaTeX OCR1、项目概览架构图2、相关链接资源3、功能特性 二、安装配置基础环境要求Linux 安装Mac 安装 三、使用指南1、快速训练&#xff08;小数据集&#xff09;2、完整训练&#xff08;大数据集&#xff09; 四、可视化功能训练过程可视化预测过程可视化 …...

Go 语言即时通讯系统开发日志-日志day2-5:架构设计与日志封装

Go语言即时通讯系统开发日志day2 计划&#xff1a;学习go中MySQL&#xff0c;Redis的使用&#xff0c;使用MySQL和Redis完成一个单聊demo。 总结&#xff1a;现在每天下午用来开发这个项目&#xff0c;如果有课的话可能学习时间只有3-4个小时&#xff0c;再加上今天的学习效率不…...

@JsonProperty和@JSONField 使用

JsonProperty和JSONField注解的区别 1.底层框架不同 JsonProperty 是Jackson实现的 JSONField 是fastjson实现的 2.用法不同 &#xff08;1&#xff09;bean序列化为Json&#xff1a; JsonProperty&#xff1a; ObjectMapper().writeValueAsString(Object value) JSONField&…...

从代码学习深度学习 - 近似训练 PyTorch版

文章目录 前言负采样 (Negative Sampling)层序Softmax (Hierarchical Softmax)代码示例总结前言 在自然语言处理(NLP)领域,词嵌入(Word Embeddings)技术如Word2Vec(包括Skip-gram和CBOW模型)已经成为一项基础且强大的工具。它们能够将词语映射到低维稠密向量空间,使得…...

代码上传gitte仓库

把代码push上去就行...

系统架构设计(十四):解释器风格

概念 解释器风格是一种将程序的每个语句逐条读取并解释执行的体系结构风格。程序在运行时不会先被编译为机器码&#xff0c;而是动态地由解释器分析并执行其语义。 典型应用&#xff1a;Python 解释器、JavaScript 引擎、Bash Shell、SQL 引擎。 组成结构 解释器风格系统的…...

掌握LINQ:查询语法与方法语法全解析

文章目录 引言1. 查询语法 vs 方法语法1.1 查询语法 (Query Syntax)1.2 方法语法 (Method Syntax)1.3 两种语法的比较 2. 基本的 LINQ 查询结构2.1 数据源2.2 查询操作2.3 查询执行 3. 查询表达式中的关键字3.1 基本关键字fromwhereselectorderbygroup byjoin 3.2 其他常用关键…...

Go 后端中双 token 的实现模板

下面是一个典型的 Go 后端双 Token 认证机制 实现模板&#xff0c;使用 Gin 框架 JWT Redis&#xff0c;结构清晰、可拓展&#xff0c;适合实战开发。 项目结构建议 /utils├── jwt.go // Access & Refresh token 的生成和解析├── claims.go // 从请求…...

GESP编程能力等级认证C++3级1-数组1

1 GESP编程能力等级认证C3级 1.1 GESP简介 GESP是CCF 编程能力等级认证的简称&#xff0c;它为青少年计算机和编程学习者提供学业能力验证的规则和平台。GESP 覆盖中小学阶段&#xff0c;符合年龄条件的青少年均可参加认证。 1.2 GESP的分级 C 编程测试划分为一至八级&…...

FreeRTOS “探究任务调度机制魅力”

引入 现如今随着单片机的资源越来越多&#xff0c;主频越来越高&#xff0c;在面临更复杂的功能实现以及对MCU性能的充分压榨&#xff0c;会RTOS已经成为一个必要的技能&#xff0c;新手刚开始学习的时候就很好奇“为什么代码可以放到两个循环里同时运行&#xff1f;”。接下来…...

BGP策略实验练习

要求&#xff1a; 1、使用PreVal策略&#xff0c;确保R4通过R2到达192.168.10.0/24 2、使用AS_Path策略&#xff0c;确保R4通过R3到达192.168.11.0/24 3、配置MED策略&#xff0c;确保R4到达R3到达192.168.11.0/24 4、使用Local Preference策略&#xff0c;确保R1通过R2到达192…...

Office 中 VBE 的共同特点与区别

1. Excel VBE 核心对象 #mermaid-svg-IklDO11Hu656bdGS {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#mermaid-svg-IklDO11Hu656bdGS .error-icon{fill:#552222;}#mermaid-svg-IklDO11Hu656bdGS .error-text{fill:#552222;stro…...

Linux虚拟文件系统(1)

1 虚拟文件系统&#xff08;VFS&#xff09; 虚拟文件系统&#xff08;Virtual File System, VFS&#xff09;作为内核的子系统。&#xff0c;它为用户空间的应用程序提供了一个统一的文件系统接口。通过VFS&#xff0c;不同的文件系统可以共存于同一个操作系统中&#xff0c;…...

目标检测评估指标mAP详解:原理与代码

目标检测评估指标mAP详解&#xff1a;原理与代码 目标检测评估指标mAP详解&#xff1a;原理与代码一、前言&#xff1a;为什么需要mAP&#xff1f;二、核心概念解析2.1 PR曲线&#xff08;Precision-Recall Curve&#xff09;2.2 AP计算原理 三、代码实现详解3.1 核心函数ap_pe…...

Linux干货(六)

前言 从B站黑马程序员Linux课程摘选的学习干货&#xff0c;新手友好&#xff01;若有侵权&#xff0c;会第一时间处理。 目录 前言 1.环境变量 1.环境变量的定义 2.env命令的作用 3.$符号的作用 4.PATH的定义和作用 5.修改环境变量的方法 1.临时生效 2.永久生效 2.…...

字符串相乘(43)

43. 字符串相乘 - 力扣&#xff08;LeetCode&#xff09; 解法&#xff1a; class Solution { public:string multiply(string num1, string num2) {string res "0";for (int i 0; i < num2.size(); i) {string str multiplyOneNum(num1, num2[num2.size() -…...

【Vue篇】数据秘语:从watch源码看响应式宇宙的蝴蝶效应

目录 引言 一、watch侦听器&#xff08;监视器&#xff09; 1.作用&#xff1a; 2.语法&#xff1a; 3.侦听器代码准备 4. 配置项 5.总结 二、翻译案例-代码实现 1.需求 2.代码实现 三、综合案例——购物车案例 1. 需求 2. 代码 引言 &#x1f4ac; 欢迎讨论&#…...

esp32课设记录(二)lcd屏显示文字与照片

取模软件链接&#xff1a; 链接: 百度网盘 请输入提取码 提取码: 1234 课设要求如图所示&#xff0c;因此需要在esp32显示文字和照片。在上个文章中我已经写了按键相关内容。这篇主要描述怎么显示文字和照片。我使用的是ESP-IDF库。 本项目使用的是基于ST7789驱动芯片的LCD屏幕…...

Open CASCADE学习|几何体切片处理:OpenMP与OSD_Parallel并行方案深度解析

在三维建模与仿真领域&#xff0c;几何体切片处理是CAE前处理、3D打印路径规划、医学影像分析等场景的关键技术。其核心目标是将三维模型沿特定方向离散为二维截面集合&#xff0c;便于后续分析或制造。OpenCASCADE作为开源几何内核&#xff0c;提供高效的布尔运算与几何算法&a…...

【Android】从Choreographer到UI渲染(二)

【Android】从Choreographer到UI渲染&#xff08;二&#xff09; Google 在 2012 年推出的 Project Butter&#xff08;黄油计划&#xff09;是 Android 系统发展史上的重要里程碑&#xff0c;旨在解决长期存在的 UI 卡顿、响应延迟等问题&#xff0c;提升用户体验。 在 Androi…...

板凳-------Mysql cookbook学习 (三)

1.22 使长输出行更具可读性 mysql> show full columns from limbs; ------------------------------------------------------------------------------------------------------------- | Field | Type | Collation | Null | Key | Default | Extra | Pri…...

济南国网数字化培训班学习笔记-第三组-2-电力通信光缆网认知

电力通信光缆网认知 光缆网架构现状 基础底座 电路系统是高度复杂&#xff0c;实时性、安全性、可靠性要求极高的巨系统&#xff0c;必须建设专用通信网 相伴相生 电力系统是由发电、输电、变电、配电、用电等一次设施&#xff0c;及保障其正常运行的保护、自动化、通信等…...

黑灰产业链深度解析

黑灰产业链深度解析 大家好&#xff0c;欢迎来到「黑产档案」。本频道专注于反诈教育宣传&#xff0c;通过深度拆解黑灰产业链的运作逻辑&#xff0c;帮助公众识别骗局、规避风险。本节课将聚焦产业链的核心环节&#xff0c;揭示其背后的灰色生态。 一、黑灰产的定义与范畴 要…...

golang选项设计模式

选项设计模式 有时候一个函数会有很多参数&#xff0c;为了方便函数的使用&#xff0c;我们会给希望给一些参数设定默认值&#xff0c;调用时只需要传与默认值不同的参数即可&#xff0c;类似于 python 里面的默认参数和字典参数&#xff0c;虽然 golang 里面既没有默认参数也…...

方案精读:104页DeepSeek金融银行核算流程场景部署建设方案【附全文阅读】

DeepSeek,金融银行核算流程的革新方案! 这份方案专为金融银行从业者打造,旨在解决传统核算流程的难题。当下,金融银行核算面临效率低、错误率高、合规压力大等挑战,DeepSeek 方案正是应对之策。 该方案运用人工智能和大数据技术,实现数据采集、清洗自动化,智能核算对账,…...

【MySQL】02.数据库基础

1. 数据库的引入 之前存储数据用文件就可以了&#xff0c;为什么还要弄个数据库? 文件存储存在安全性问题&#xff0c;文件不利于数据查询和管理&#xff0c;文件不利于存储海量数据&#xff0c;文件在程序中控制不方便。而为了解决上述问题&#xff0c;专家们设计出更加利于…...

STM32项目实战:ADC采集

STM32F103C8T6的ADC配置。PB0对应的是ADC1的通道8。在标准库中&#xff0c;需要初始化ADC&#xff0c;设置通道&#xff0c;时钟&#xff0c;转换模式等。需要配置GPIOB的第0脚为模拟输入模式&#xff0c;然后配置ADC1的通道8&#xff0c;设置转换周期和触发方式。 接下来是I2C…...

《AI语音模型:MiniMax Speech-02》

开场&#xff1a;AI 语音界的震撼弹 在 AI 语音技术的激烈竞争赛道上&#xff0c;MiniMax Speech - 02 的出现宛如一颗震撼弹&#xff0c;瞬间引爆了整个行业。不久前&#xff0c;一则消息在全球 AI 领域引起轩然大波&#xff1a;MiniMax 的新一代语音大模型 Speech - 02&#…...

基于LabVIEW的双音多频系统设计

目录 1 系统设计概述 双音多频(Dual-Tone Multi-Frequency, DTMF)信号是一种广泛应用于电话系统中的音频信号,通过不同的频率组合表示不同的按键。每个按键对应两个频率,一个低频和一个高频,共同组成独特的信号。在虚拟仪器技术快速发展的背景下,利用LabVIEW等图形化编程…...

快速生成角色背景设定:基于Next.js的AI辅助工具开发实践

引言 在游戏开发、小说创作和角色扮演&#xff08;RP&#xff09;中&#xff0c;角色背景设定&#xff08;Headcanon&#xff09;的构建往往耗时耗力。传统方法依赖手动编写&#xff0c;容易陷入思维定式。本文将分享如何利用Next.js和Tailwind CSS开发一个高效的AI角色设定生…...

轻量级视频剪辑方案:FFmpeg图形化工具体验

FFmpeg小白助手是基于开源FFmpeg开发的本地化视频处理软件&#xff0c;采用绿色免安装设计&#xff0c;解压后即可直接运行。该工具主要面向普通用户的日常音视频处理需求&#xff0c;通过简洁的图形界面降低了FFmpeg的使用门槛。 功能特性 基础编辑功能 格式转换&#xff1a;…...

主成分分析的应用之sklearn.decomposition模块的PCA函数

主成分分析的应用之sklearn.decomposition模块的PCA函数 一、模型建立整体步骤 二、数据 2297.86 589.62 474.74 164.19 290.91 626.21 295.20 199.03 2262.19 571.69 461.25 185.90 337.83 604.78 354.66 198.96 2303.29 589.99 516.21 236.55 403.92 730.05 438.41 225.80 …...

Java基于数组的阻塞队列实现详解

在多线程编程中&#xff0c;阻塞队列是一种非常有用的工具&#xff0c;它可以在生产者和消费者之间提供一个缓冲区&#xff0c;使得生产者可以往队列中添加数据&#xff0c;而消费者可以从队列中取出数据。当队列满时&#xff0c;生产者会被阻塞直到有空间可用&#xff1b;当队…...

ngx_http_random_index_module 模块概述

一、使用场景 随机内容分发 当同一目录下存放多份等价内容&#xff08;如多张轮播图、不同版本静态页面等&#xff09;时&#xff0c;可通过随机索引实现负载均衡或流量分散。A/B 测试 通过目录请求自动随机分配用户到不同测试组&#xff0c;无需后端逻辑参与。动态“首页”选…...

你引入的lodash充分利用了吗?

#开发中&#xff0c;发现自己只有cloneDeep的时候才想起来用这个库的便利&#xff0c;搜索了项目内代码&#xff0c;发现大家基本也是这样&#xff0c;其实我们错过了很多好东西# cloneDeep 深拷贝 var objects [{ a: 1 }, { b: 2 }];var deep _.cloneDeep(objects); conso…...

Python爬虫基础

本篇内容中&#xff0c;我们主要分享一些爬虫的前置知识&#xff0c;主要知识点有&#xff1a; 爬虫的概念和作用爬虫的流程【重要】http相关的复习 http和https概念和区别浏览器访问一个网址的过程爬虫中常用的请求头、响应头常见的响应状态码 浏览器自带开发者工具的使用 爬…...

飞帆控件:on_post_get 接口配置

在网页中写一个接口是很基础的要求。 今天我们介绍一个工具&#xff0c;不用写代码&#xff0c;配置即可。 先上链接&#xff1a; on_post_gethttps://fvi.cn/798来看看控件的配置&#xff1a; 使用这个控件&#xff0c;在网页中写 post/get 接口可以告别代码。或许能做到初…...

C++笔试题(金山科技新未来训练营):

题目分布&#xff1a; 17道单选&#xff08;每题3分&#xff09;3道多选题&#xff08;全对3分&#xff0c;部分对1分&#xff09;2道编程题&#xff08;每一道20分&#xff09;。 不过题目太多&#xff0c;就记得一部分了&#xff1a; 单选题&#xff1a; static变量的初始…...