- 综合排序
- 最热优先
- 最新优先
- 来自专栏labuladong的算法专栏
谁能想到，求最值的算法还能优化？
其实不然，其中的细节操作十分精妙，渐进时间复杂度肯定是 O(n) 无法再减少，但如果深究算法的执行速度，仍然有优化空间。 接下来，我们想办法优化这两个算法，使这两个算法只需要固定的1.5n次比较。 最大值和最小值 为啥一般的解法还能优化呢？肯定是因为没有充分利用信息，存在冗余计算。 对于这个问题，还有另一种优化方法，那就是分治算法。大致的思路是这样： 先将数组分成两半，分别找出这两半数组的最大值和最小值，然后max就是两个最大值中更大的那个，min就是两个最小值中更小的那个。 PS：其实这个分治算法可以再优化，比较次数可以进一步降到 n + log(n)，但是稍微有点麻烦，所以这里就不展开了。 归纳假设是可以随意加强、减弱的，现在我们是假设已知f(n-1)去求f(n)，那么不妨试试假设已知f(n-2)或f(n-3)去求f(n)？
1.2K20发布于 2021-09-23 - 来自专栏分布式｜微服务｜性能优化｜并发编程｜源码分析
性能优化｜讲的最清楚的垃圾回收算法
结论：使用标记-清除算法，清理垃圾后会发现存活对象分布的位置比较零散，如果有有大对象需要分配的话，很难有连续的空间进行分配；缺点：效率低、空间碎片 复制算法 为了解决内存碎片问题，jvm大师们研究出了复制算法 ，复制算法的原理是将内存空间分为两块，当其中一块内存使用完之后，就会将存活对象复制到另外一块内存上，将之前的内存块直接清理掉，这样就不会产生内存碎片的问题了。 使用复制算法，内存前后对比 ? ? 结论：解决了内存碎片的问题，但是会导致内存空间缩减一半，适用于存活对象少的区域。 标记整理算法 标记整理算法的步骤和标记-清除是一样的，不过最后多加一步就是整理，用来整理存活对象造成的内存碎片，使用标记-整理后内存前后对比： ? ? 分代收集算法 分代收集算法主要就是将内存分为两个年代，一个是年轻代，一个是老年代，在年轻代中使用复制算法，因为年轻代存活的对象少，比较适合使用复制算法，老年代使用标记整理算法，因为老年代垃圾比较少，所以适用于标记整理算法
1.1K20发布于 2020-11-19 - 来自专栏前端迷
Vue3diff算法原理和优化
你知道 Vue3.0 diff算法原理和它有什么优化吗？ 你知道 Vue3.0 proxy是如何通知相关组件进行重新渲染吗？ ... 你：。。。 「废话不多说，今天的主题是和大家分享一下Vue 虚拟Dom、Diff算法原理以及源码解析、以及Vue3.0的diff算法是如何进行优化的。」 Vue3.0 diff算法优化 virtual dom 如果咱们不了解virtual dom 的话，要理解DIff算法是比较困难的。 patch(也叫做patching算法)：虚拟DOM最核心的部分，它可以将vnode渲染成真实的DOM，这个过程是对比新旧虚拟节点之间有哪些不同，然后根据对比结果找出需要更新的的节点进行更新。 Vue2.x diff算法 Vue2.x diff算法原理 传统diff算法通过循环递归对节点进行依次对比效率低下，算法复杂度达到O(N^3)，主要原因在于其追求完全比对和最小修改，而React、Vue
2.1K10发布于 2021-03-18 算法之冒泡排序：最直观的排序哲学与优化智慧
） 空间复杂度 O(1) 原地排序 算法特性： 稳定排序（相同元素保持原序） 实现简单但效率较低 优化后对部分有序数据敏感 四、应用场景 教学演示：理解排序算法的基础教学案例 swapped) break; } } 高手进阶： 并行化优化（OpenMP多线程分块处理） 混合排序策略（当数据基本有序时切换冒泡） 鸡尾酒排序实现（双向冒泡优化） // 鸡尾酒排序 true; } } start++; } } 六、哲学启示 冒泡排序教会我们： 耐心观察：通过多轮遍历逐步解决问题 简单力量：最基础的算法也能蕴含深刻思想 优化智慧：提前终止机制体现效率意识 当你能在面试白板上5分钟写出优化版冒泡排序时，说明掌握了算法工程师的基本功——在简单中见真章。 记住：算法优化的本质是在理解问题特征后做针对性改进，就像这个优化版本通过检测交换状态提前终止不必要的遍历。
26810编辑于 2025-10-14- 来自专栏AI悦创·一对一编程教学
【久远讲算法3】数组——最简单的数据结构
前言： 前面两篇文章，我们对算法以及时空复杂度进行了详细的讲解，但是，这其实是远远不够的，时空复杂度只是我们算法学习中的冰山一角，下面让我们通过数组的学习来正式打开算法与数据结构的大门吧！ 什么是数组 关于数组，虽然它是数据结构世界里最常用以及最简单的，但是之前仍有同学向我反馈：数组难以理解！那我们就来对数组进行详细的讲解，帮助大家解惑。 对于数组来说，读取元素是最简单的操作。由于数组在内存中顺序存储，所以只要给出一个数组下标，就可以读取到对应的数组元素。 例如我们当前新建的list_array数组，我们要读取数组下标为 3 的元素，就写作 array_list3；读取的元素即为 yellow ，读取数组下标为 5 的元素，就写作 array_list5 尾部插入 在 java 和 c 语言中，尾部插入是最简单的方法,我们只需要对数组进行一次循环找到要插入的位置，然后进行赋值即可。
1.1K00发布于 2021-10-24 - 来自专栏决策智能与机器学习
近端策略优化算法(PPO)：RL最经典的博弈对抗算法之一「AI核心算法」
作者：Abhishek Suran 转载请联系作者 提要：PPO强化学习算法解析及其TensorFlow 2.x实现过程（含代码） 在本文中，我们将尝试理解Open-AI的强化学习算法：近端策略优化算法 因此，最后的目标包括3个部分， 第一个是Lclip， 第二个是我们的批评者网的MSE，即预测的状态值和目标的平方损失。 第三部分是熵来鼓励探索。 ? 算法的步骤 游戏n步，存储状态，动作概率，奖励，完成变量。 基于上述经验，应用广义优势估计方法。我们将在编码部分看到这一点。 通过计算各自的损失，训练神经网络在某些时期的运行。 call(self, input_data): x = self.d1(input_data) a = self.a(x) return a 行动选择: 我们定义代理类并初始化优化器和学习率 class agent(): def __init__(self): self.a_opt = tf.keras.optimizers.Adam(learning_rate=7e-3)
8.2K20发布于 2020-12-14 - 来自专栏北京马哥教育
史上最简单！冒泡、选择排序的Python实现及算法优化详解
冒泡排序、简单选择排序、直接插入排序就是简单排序算法。 评价排序算法优劣的标准主要是两条：一是算法的运算量，这主要是通过记录的比较次数和移动次数来反应；另一个是执行算法所需要的附加存储单元的的多少。 2、简单排序之冒泡法Python实现及优化 原理图 2.1、基本实现 2.2、优化实现 思路：如果本轮有交互，就说明顺序不对；如果本轮无交换，说明是目标顺序，直接结束排序。 ,n-1之和n(n-1)/2 最好的排序情况是，初始顺序与目标顺序完全相同，遍历次数n-1 时间复杂度O(n^2) 3、简单排序之选择排序Python实现及优化 选择排序的核心：每一轮比较找到一个极值（ 原理图 3.1、基本实现 3.2、优化实现——二元选择排序 思路：减少迭代次数，一轮确定2个数，即最大数和最小数。 还可能存在一些特殊情况可以优化，但是都属于特例的优化了，对整个算法的提升有限。
2.2K40发布于 2018-05-02 - 来自专栏文武兼修ing——机器学习与IC设计
神经网络优化算法总结优化算法框架优化算法参考
优化算法框架 优化算法的框架如下所示： $$ w_{t+1} = w_t - \eta_t \ \eta_t = \cfrac{\alpha}{\sqrt{V_t}} \cdot m_t $$ ,g_t) \ g_t = \nabla f(w_t) $$ 一阶动量和二阶动量均是历史梯度和当前梯度的函数 优化算法 固定学习率优化算法 学习率固定的优化算法均有一个特点：不考虑二阶动量（即$M _2(g_i) = I$） 随机梯度下降（SGD） 随机梯度下降时最简单的优化算法，有：$m_t = g_t,V_t = I$，带入公式有优化公式为：$\eta_t = \alpha \cdot g_t m_{t-1}) \ m_t = \beta \cdot m_{t-1} + (1-\beta)\cdot g_t \ \eta_t = \alpha \cdot m_t $$ 自适应学习率优化算法 自适应学习率的优化算法考虑二阶动量，一般来说，一阶动量决定优化方向，二阶动量自适应学习率 AdaGrad 二阶动量取梯度平方和：$V_t = \sum\limits^t_{i=1} g^2_i$，此时
1.3K80发布于 2018-04-27 - 来自专栏深度学习|机器学习|歌声合成|语音合成
libtorch 优化算法性能 从90ms 优化到3ms
为啥选择C++部署AI算法? 因为很多算法都是模型比较大,属于计算密集型算法,对服务器或pc机的要求较高.落地使用Python来部署算法肯定没有优势性. 如何优化性能? 算法层面 确定你的模型是否能精简? 重新思考你的算法模型是否已经是最简,很多问题是没必要选择很复杂的模型,看看输入的维度能否简化?模型的节点数能否减少?输入的层数能否减少? libtorch 框架层优化 因为libtorch模型是依据cpu的核数来自动开启等量的线程,并不是起的线程越多 效率越高; 线程数与效率的关系图如下: 3.依据你的电脑cpu核数来改变线程数 结论 从原来90ms 优化到3ms
2.5K30编辑于 2022-09-28 - 来自专栏全栈程序员必看
【优化算法】粒子群优化算法简介
在此基础上，提出了一种基于元启发式（ metaheuristic）的粒子群优化算法来模拟鸟类觅食、鱼群移动等。这种算法能够模拟群体的行为，以便迭代地优化数值问题。 例如，它可以被分类为像蚁群算法、人工蜂群算法和细菌觅食这样的群体智能算法。 J. ）的强大算法，受鸟群中的规则启发，连续优化过程允许多目标和更多的变化。 ---- 粒子群优化算法伪代码： 其中： V i ( k + 1 ) V_i(k+1) Vi(k+1) 是下一个迭代速度； W W W 是惯性参数。 为了测试算法，Rastrigin函数将被用作误差函数，这是优化问题中最具挑战性的函数之一。在平面上有很多余弦振荡会引入无数的局部极小值，在这些极小值中，boid会卡住。
1.9K20编辑于 2022-11-10 - 来自专栏hotarugaliの技术分享
优化算法
简介 深度学习网络中参数更新的优化方法主要分为两种： 调整学习率，使得优化更稳定 梯度估计修正，优化训练速度 2. 常用优化方法汇总 image.png 3. L,⋯,∂Wt∂L) 其中， 是第 步的梯度， 是第 步的学习率（可以进行衰减，也可以不变）； 是学习率缩放函数，可以取 1 或者历史梯度的模的移动平均； 是优化后的参数更新方向
1.7K10编辑于 2022-03-10 - 来自专栏张俊红
最懒惰的算法—KNN
总第77篇 本篇介绍机器学习众多算法里面最基础也是最“懒惰”的算法——KNN（k-nearest neighbor）。你知道为什么是最懒的吗？ 02|算法三要素： 通过该算法的原理，我们可以把该算法分解为3部分,第一部分就是要决定K值，也就是要找他周围的几个值；第二部分是距离的计算，即找出距离他最近的K个值；第三部分是分类规则的确定，就是以哪种标准去评判他是哪一类 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。 训练算法：KNN没有这一步，这也是为何被称为最懒算法的原因。 测试算法：将提供的数据利用交叉验证的方式进行算法的测试。 使用算法：将测试得到的准确率较高的算法直接应用到实际中。 2、准备数据 3、分析数据 4、测试算法 通过测试最后得出，如果一部电影中含有18次打斗次数，90次接吻次数，那么可以判定为该电影是爱情片。
2.5K50发布于 2018-04-11 - 来自专栏计算机视觉
深度学习500问——Chapter13：优化算法（3）
（3）扩充数据集：正则化通过控制模型复杂度，来增加更多样本的适应性。那增加训练集让模型适应不同类型的数据本身就是一种最简单直接的方式提升模型稳定的方法，也是最可靠的一种方式。 一般可以包含模型初始化的配置，优化算法的选取、学习率的策略以及如何配置正则和损失函数等等。这里需要提出的是对于同一优化算法，相近参数规模的前提下，不同类型的模型总能表现出不同的性能。 这实际上就是模型优化成本。从这个角度的反方向来考虑，同一模型也总能找到一种比较适合的优化算法。所以确定了模型后选择一个适合模型的优化算法也是非常重要的手段。 13.17.4 训练角度 很多时候我们会把优化和训练放在一起。但这里我们分开来讲，主要是为了强调充分的训练。在越大规模的数据集或者模型上，诚然一个好的优化算法总能加速收敛。 3、选择更强大的学习算法，比如对度梯度更新的方式，也可以是采用除以先前梯度 L2 范数来更新所有参数，甚至还可以选用计算代价较大的二阶算法。 参考文献 [1] 冯宇旭, 李裕梅.
31610编辑于 2024-09-11 - 来自专栏全栈程序员必看
gbdt算法_双色球最简单的算法
解释一下GBDT算法的过程 1.1 Boosting思想 1.2 GBDT原来是这么回事 3. GBDT的优点和局限性有哪些？ 3.1 优点 3.2 局限性 4. 解释一下GBDT算法的过程 GBDT(Gradient Boosting Decision Tree)，全名叫梯度提升决策树，使用的是Boosting的思想。 3. GBDT的优点和局限性有哪些？ 3.1 优点 预测阶段的计算速度快，树与树之间可并行化计算。 /ML-NLP/Machine Learning/3.2 GBDT 代码补充参考for——小白： Python科学计算——Numpy.genfromtxt pd.DataFrame()函数解析（最清晰的解释 ） iloc的用法（最简单） scikit-learn 梯度提升树(GBDT)调参小结（包含所有参数详细介绍） 版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。
2K20编辑于 2022-11-07 - 来自专栏null的专栏
优化算法——遗传算法
遗传算法的基本概念 遗传算法(Genetic Algorithm, GA)是由Holland提出来的，是受遗传学中的自然选择和遗传机制启发发展起来的一种优化算法，它的基本思想是模拟生物和人类进化的方法求解复杂的优化问题 遗传算法的基本流程 遗传算法的过程中主要包括这样几个要素：1、参数的编码。2、初始群体的设定。3、适应度函数的设计。4、遗传操作设计。5、控制参数的设定。 基本遗传算法的具体过程如下： ? 遗传算法过程中的具体操作 参数的编码 遗传算法中的参数编码的方式主要有：1、二进制编码。2、Gray编码。3、实数编码。4、有序编码。 二进制编码 二进制编码是最原始的编码方式，遗传算法最初是在二进制编码的方式下进行运算的。二进制编码也是遗传算法中使用最为直接的运算编码方式。二进制编码是指利用00和11对问题的解向量进行编码。 我在这里简单介绍了遗传算法，遗传算法是一个研究较多的算法，还有利用遗传算法求解组合优化问题，带约束的优化问题，还有一些遗传算法的理论知识，如模式定理，积木块假设，在这里就不一一列举了，希望我的博文对你的学习有帮助
4.4K61发布于 2018-03-20 - 来自专栏null的专栏
优化算法——遗传算法
遗传算法的基本概念 遗传算法(Genetic Algorithm, GA)是由Holland提出来的，是受遗传学中的自然选择和遗传机制启发发展起来的一种优化算法，它的基本思想是模拟生物和人类进化的方法求解复杂的优化问题 遗传算法的基本流程 遗传算法的过程中主要包括这样几个要素：1、参数的编码。2、初始群体的设定。3、适应度函数的设计。4、遗传操作设计。5、控制参数的设定。 基本遗传算法的具体过程如下： ? 遗传算法过程中的具体操作 参数的编码 遗传算法中的参数编码的方式主要有：1、二进制编码。2、Gray编码。3、实数编码。4、有序编码。 二进制编码 二进制编码是最原始的编码方式，遗传算法最初是在二进制编码的方式下进行运算的。二进制编码也是遗传算法中使用最为直接的运算编码方式。二进制编码是指利用00和11对问题的解向量进行编码。 我在这里简单介绍了遗传算法，遗传算法是一个研究较多的算法，还有利用遗传算法求解组合优化问题，带约束的优化问题，还有一些遗传算法的理论知识，如模式定理，积木块假设，在这里就不一一列举了，希望我的博文对你的学习有帮助
1.7K20发布于 2019-02-13 - 来自专栏从流域到海域
Adam优化算法
Adam优化算法 基本思想是把动量梯度下降和RMSprop放在一起使用。 Adam优化算法计算方法 动量梯度下降部分： vdw=β1vdw+(1−β1)dWv_{dw}=\beta_1 v_{dw}+(1-\beta_1)dWvdw=β1vdw+(1−β1)dW 这是Adam名称的由来，大家一般称之为：Adam Authorization Algorithm(Adam权威算法)。 默认参数值选取 α\alphaα 学习速率是你需要是调参的。 β2=0.999\beta_2=0.999β2=0.999 -> dw2dw^2dw2 -> (dw2)(dw^2)(dw2) RMSprop term. 0.999出自Adam paper，即该算法提出者
1.3K20发布于 2019-05-26 - 来自专栏WD学习记录
kmeans优化算法
k-means算法的优、缺点 1、优点： ①简单、高效、易于理解 ②聚类效果好 2、缺点： ①算法可能找到局部最优的聚类，而不是全局最优的聚类。使用改进的二分k-means算法。 优化方法 二分k-means算法：首先将整个数据集看成一个簇，然后进行一次k-means（k=2）算法将该簇一分为二，并计算每个簇的误差平方和，选择平方和最大的簇迭代上述过程再次一分为二，直至簇数达到用户指定的 算法进行细聚类。 k-means算法的k值自适应优化算法：首先给定一个较大的k值，进行一次k-means算法得到k个簇中心，然后计算每两个簇中心之间的距离，合并簇中心距离最近的两个簇，并将k值减1，迭代上述过程，直至簇类结果 参考： k-means算法、性能及优化
2.3K30发布于 2018-09-04 - 来自专栏YoungGy
【优化3】非线性优化
凸集和凸函数 SOCP Guideline
87360发布于 2018-01-02 - 来自专栏美小妮
智能优化算法
智能优化算法神经网络算法利用的是目标函数导数信息去迭代更新参数，选找目标函数最优值。智能优化算法是一种收索算法，也是通过迭代，筛选，选找目标函数最优值（极值）。 一般步骤为：给定一组初始解评价当前这组解的性能从当前这组解中选择一定数量的解作为迭代后的解的基础在对其操作，得到迭代后的解若这些解满足要求则停止，否则将这些迭代得到的解作为当前解重新操作智能优化算法包含有许多 ，比如粒子群优化算法（PSO）,飞蛾火焰算法（MFO）...等一.飞蛾火焰算法(MFO)算法核心思想：飞蛾以螺旋线运动方式不断靠近火焰，痛过对火焰的筛选，不断选出离目标函数极值最接近的位置。 用随机的位置与该鲸鱼位置做差，然后用该随机的位置和做差后的值继续做差，去更新鲸鱼位置三.樽海鞘群优化算法(SSA)算法核心思想：与MFO类似，初始化鱼群后，对其求自适应度，然后进行排序，记录最小位置（也就是最优位置 四.灰太狼优化器(GWO)算法核心思想：与前面几种都是类似初始化狼群（随机初始化）和初始化3只重要程度递减的狼（Alpha、Beta、Delta，求解极小值问题时候初始化为无穷大）判断狼群是否超出边界，
93320编辑于 2023-10-06
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号