启发式

05-搜索：最优、分支界限、A 1、引入 搜索是关于选择的 启发式距离：黑板上粉色的直线线段是现实中没有的，叫做启发式距离。 启发式找到的路不见得都能走得通，因为在现实中考虑问题的时候，离得近不一定是最好的，因为可能会出现死胡同 上节的爬山算法和束搜索，目的都是考虑离目标最近的距离 例子 2、最短路径的4种算法 1.branch bound分支限界 没有考虑离目标有多远，只考虑自己走了多远 直到积累的长度都已经大于等于到达目标的长度，就不需要再进行扩展了 总是扩展当前最短的路径，直到目标节点 把当前所有的路径都扩展出来，比较最后距离最短的 然后扩展最短的，再进行比较没有扩展的 只要没有负值长度，我们就肯定能得到一个最短路径 入队和扩展的概念 我们跟踪已经扩展过的节点，不再扩展。 这些放在队列中的所有路径就是入队列表 入队思想对于这些最短路径并不奏效 路径需要加到扩展队列（不是入队队列） 因为我们必须要保证扩展的都是短路径（最后要得到最短路径） 这个就相当于迪杰斯特拉算法，单独用一张列表来保存所有扩展，叫做扩展列表 2.分支限界+扩展列表 找到迄今为止最短的路径进行扩展（类似Dijkstra算法） 已经扩展过的，就不需要再扩展，这会减掉很多多余的树枝 死马原则（the dead horse principal)：只要发现一条不是最短路径，就不再扩展它 3.可容许启发式 可容许启发式

&论文概述 获取地址 ： https://arxiv.org/abs/1903.00621 &总结与个人观点 本文的工作将启发式的特征选取作为带有特征金字塔的anchor-based single-shot检测器的主要限制。提出应用了online特征选择来在特征金字塔上训练anchor-free分支的FASF模型。通过使用较小的推理开销实现对baseline极大的提升，同时在表现超过当前最优的single-shot检测器。 本文从一个新的方向出发来对网络的表现性能作出改进：通过寻找对应anchor的最优表现的特征层来做分类与回归，在使用FASF模块对一般的anchor选择模块进行替换时，mAP有着显著的改进，同时也对anchor-free以及anchor-based方法进行了融合。想法很新颖。 &贡献 1、提出使用anchor-free计算对应anchor能够获得最优表现的特征层。 &拟解决的问题 问题 ：使用特征金字塔时，用到启发式的anchor，在做回归与分类之前，会根据anchor的尺度将其分配到固定的特征层上进行，为了区分开相同位置不同尺度的目标。然而，这种启发式的方法，可能 并不能将anchor分配到最优的特征层上 。 分析 ： 当前使用的anchor近乎均为启发式的定义，固定的尺寸、固定的纵横比（在我看过的论文中除了Guided Anchor以及Meta

参考自： https://blog.csdn.net/XY20130630/article/details/50635756 题意：一个序列被称为是不无聊的，仅当它的每个连续子序列存在一个独一无二的数字， 即每个子序列里至少存在一个数字只出现一次。 给定一个整数序列，请你判断它是不是不无聊的。 分析：预处理每个元素上一次出现位置和下一个出现位置， 　　我们发现对于一个子序列[L,R]来说， 　　如果存在pre[i]<L&&nxt[i]>R那么这个子序列一定是满足条件的， 　　否则就不满足，那么我们分治处理这个问题， 　　从两边往中间寻找这个i，那么每次拆开的复杂度就是拆成的两个序列中较小的一个， 　　所以这是一个逆启发式合并的过程，复杂度O(nlogn) 一、在区间[l,r]找到一个只出现一次的元素P（如果不存在，那么序列无聊） 二、递归处理区间[l,p−1]和区间[p+1,r] 关键在于如何找到一个只出现一次的元素。 首先，我们得知道如何判断一个元素是不是只出现一次。 我们可以用STL中的map记录与当前元素值相同的上一个元素（下一个元素）的位置，然后滚动更新即可。 因为 map的所有操作都是O(logn) 的，所以预处理的时间复杂度为O(nlogn) 所以，我们就可以用O(1)的时间判断出一个元素是不是只出现一次了。 若从左到右扫描整个序列，那么 最坏情况