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。 首先，分治算法是一种比较常用的套路，一般都是把原问题一分为二，然后合并两个问题的答案。如果可以利用分治解决问题，复杂度一般可以优化，比如以上两个问题，分治法复杂度都是1.5n，比一般解法要好。

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

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。

如何优化ChatGLM-6B？一行代码就行 | 最“in”大模型

基于英特尔® 架构硬件的微调优化方案 本文通过以下三个方面实现了基于第四代英特尔® 至强® 可扩展处理器的 ChatGLM 高效微调优化： 1、借助英特尔® AMX，大幅提升模型微调计算速度 AMX 是内置于第四代英特尔 修改前的main.py △图 6. 在英特尔® 至强® CPU Max 系列产品上，结合之前的两项优化，我们可以通过以下命令行启动 ChatGLM-6B 微调： △图 7. 在拥有 32 个物理核的英特尔® 至强® CPU Max 9462 双路服务器上启动微调 优化结果 通过以上简单软、硬件综合优化，无须采用昂贵的 GPU 硬件，即可实现对 ChatGLM-6B 模型的高性能微调 作者简介： 夏磊，英特尔（中国）有限公司人工智能首席工程师，拥有近 20 年的人工智能从业经验，在软件算法、自动控制和工程管理等领域积累了丰富经验。

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 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

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。 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。 3.3、等值情况优化 思路：二元选择排序的时候，每一轮可以知道最大值和最小值，如果某一轮最大最小值都一样了，说明剩下的数字都是相等的，直接结束排序。 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。

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

【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。

JAVA学习(6)-全网最详细~

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

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？ 该算法常用来解决分类问题，具体的算法原理就是先找到与待分类值A距离最近的K个值，然后判断这K个值中大部分都属于哪一类，那么待分类值A就属于哪一类。 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 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。 表6-1:来源于网络 现在有一电影A，已知其打斗次数为18，接吻次数为90，需要利用knn算法去预测该电影属于哪一类别。

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。 它会在第一个弱分类器（或第一棵树中）随便用一个年龄比如20岁来拟合，然后发现误差有10岁； 接下来在第二棵树中，用6岁去拟合剩下的损失，发现差距还有4岁； 接着在第三棵树中用3岁拟合剩下的差距，发现差距只有 /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。

枚举+优化（6）——双指针优化2

|Bj - Ck| + |Ai - Ck| IF s < ans ans = s } } } print ans  这个算法的时间复杂度是 O(NML)，NML是三个数组的长度，最大值都是10万，显然会超时 优化1  第一个数组是0，1，3，8，12，15，我们从中选中了8。 ); } cout << ans; return 0; } 例4.题目链接：hihoCoder1607 思路  一般的暴力枚举这题肯定是过不了的，数据量太大，那我们就要想办法优化

回顾 2018 ：最 6 的 6 个机器学习开源项目

本文将回顾了去年最实用的六个机器学习项目，文中会附上他们的 GitHub 地址，方便大家观摩参阅。 fastai ? 它是用于物体检测和实例分割研究的平台，具有多种目标检测算法，包括： 1）Mask R-CNN：使用更快的 R-CNN 结构实现目标检测和实例分割。 灵活易用，能实现标准的 RL 算法，指标和基准。 根据 Dopamine 的文档，看到设计的原则是： 操作简单：帮助新用户运行基准实验 开发灵活：促进新用户创造出新的理念 紧凑可靠：为以前的新流行的算法提供保障 克重复性：确保结果可重复 vid2vid Vid2vid 算法的目标是学习从输入源视频到输出照片拟真视频的映射函数。最终输出视频精确地描绘了源视频的内容。 ?

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 基本定义 个体(individual)：在遗传学中表示的是基因编码，在优化问题中指的是每一个解。 适应值(fitness)：评价个体好坏的标准，在优化问题中指的是优化函数。 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。 适应度函数的计算 适应度函数的目的是评价个体的好坏，如上面的优化问题中，即为最终的优化目标函数。 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

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 基本定义 个体(individual)：在遗传学中表示的是基因编码，在优化问题中指的是每一个解。 适应值(fitness)：评价个体好坏的标准，在优化问题中指的是优化函数。 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。 ( 1-a_2 \right )x_2,\cdots ,a_ny_n+\left ( 1-a_n \right )x_n \right ) 变异(mutation) 变异操作的目的是使得基因突变，在优化算法中 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

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​=β1​vdw​+(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

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

JVM性能优化系列-(6) 晚期编译优化

6. 晚期编译优化 晚期编译优化主要是在运行时做的一些优化手段。 “逃生门”，让编译器根据概率选择一些大多数时候都能提升运行速度的优化手段，当激进优化的假设不成立时，可以通过逆优化退回到解释状态继续执行。 , LIR），而在此之前会在HIR上完成另外一些优化，如空值检查清除、范围检查清除等 最后阶段：使用平台相关的后端使用线性扫描算法（Linear Scan Register Allocation）在LIR 从而抵消了额外的编译时间开销. 6.4 编译优化技术 在即时编译器中采用的优化技术有很多，本节主要针对以下四种优化技术： 语言无关的经典优化技术之一：公共子表达式消除 语言相关的经典优化技术之一：数组范围检查消除 6.5 java与C/C++的编译器对比 java与C/C++的编译器对比实际上代表了最经典的即时编译器与静态编译器的对比。

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，