算法

最近花了些时间在学习TCP/IP协议上，首要原因是由于本人长期以来对TCP/IP的认识就只限于三次握手四次分手上，所以希望深入了解一下。再者，TCP/IP和Linux系统层级的很多设计都可以用于中间件系统架构上，比如说TCP 拥塞控制算法也可以用在以响应时间来限流的中间件上。更深一层，像TCP/IP协议这种基础知识和原理性的技术，都是经过长时间的考验的，都是前人智慧的结晶，可以给大家很多启示和帮助。 本文中会出现一些缩写，因为篇幅问题，无法每个都进行解释，如果你不明白它的含义，请自己去搜索了解，做一个主动寻求知识的人。 TCP协议有两个比较重要的控制算法，一个是流量控制，另一个就是阻塞控制。 TCP协议通过滑动窗口来进行流量控制，它是控制发送方的发送速度从而使接受者来得及接收并处理。而拥塞控制作用于整体网络，它是防止过多的包被发送到网络中，避免出现网络负载过大，网络拥塞的情况。 拥塞算法需要 掌握其状态机和四种算法 。拥塞控制状态机的状态有五种，分别是： "Open，Disorder、CWR、Recovery和Loss状态" 。四个算法为 "慢启动，拥塞避免，拥塞发生时算法和快速恢复" 。 Congestion Control State Machine 和TCP一样，拥塞控制算法也有其状态机。当发送方收到一个ACK时，Linux TCP通过状态机的状态来决定其接下来的行为

心得体会：初步了解了数据结构与算法原理以及一些思想，算法的空间复杂度和时间复杂度，知道了要想弄清楚一个算法的实现，首先要知道这个算法的大致原理。 本学期的目标：认真完成作业，坚持上机操作，用实践检验代码。通过学习数据结构提高自己解决问题的效率。 目前存在的苦难：数据结构比较抽象，书本上各种概念比较复杂。 下一阶段的目标：多钻研书上的代码，深入了解算法思想原理以及抽象结构 来源： https://www.cnblogs.com/lionbot/p/12547357.html

全排列的生成算法 对于给定的字符集，用有效的方法将所有可能的全排列无重复无遗漏地枚举出来。 字典序法 按照字典序求下一个排列的算法 /* 例 字符集 {1,2,3}, 较小的数字较先 , 这样按字典序生成的全排列是 :123,132,213,231,312,321 。 注意 一个全排列可看做一个字符串，字符串可有前缀、后缀。 */ 生成给定全排列的下一个排列 所谓一个 全排列 的下一个排列就是这一个排列与下一个排列之间没有其他的排列。这就要求这一个排列与下一个排列有尽可能长的共同前缀，也即变化限制在尽可能短的后缀上。 /* 例 839647521 是 1 — 9 的排列。 1 — 9 的排列最前面的是 123456789 ，最后面的是 987654321 ，从右向左扫描若都是增的，就到了 987654321 ，也就没有下一个了。否则找出第一次出现下降的位置。 算法: 由 P 1 P 2 …P n 生成的下一个排列的算法如下: 1. 求 i=max{j| P j-1 <P j } 2. 求 l =max{k| P i-1 <P k } 3. 交换P i-1 与P l 得到 P 1 P 2 … P i-1 ( P i.... P n ) , 将红色部分顺序逆转,得到结果. 例 求 8396 4 7521 的下一个排列 1. 确定i，从左到右两两比较找出后一个数比前一个大的组合

最近花了些时间在学习TCP/IP协议上，首要原因是由于本人长期以来对TCP/IP的认识就只限于三次握手四次分手上，所以希望深入了解一下。再者，TCP/IP和Linux系统层级的很多设计都可以用于中间件系统架构上，比如说TCP 拥塞控制算法也可以用于以响应时间来限流的中间件。更深一层，像TCP/IP协议这种基础知识和原理性的技术，都是经过长时间的考验的，都是前人智慧的结晶，可以给大家很多启示和帮助。  本文中会出现一些缩写，因为篇幅问题，无法每个都进行解释，如果你不明白它的含义，请自己去搜索了解，做一个主动寻求知识的人。  TCP协议有两个比较重要的控制算法，一个是流量控制，另一个就是阻塞控制。  TCP协议通过滑动窗口来进行流量控制，它是控制发送方的发送速度从而使接受者来得及接收并处理。而拥塞控制是作用于网络，它是防止过多的包被发送到网络中，避免出现网络负载过大，网络拥塞的情况。  拥塞算法需要掌握其状态机和四种算法。拥塞控制状态机的状态有五种，分别是Open，Disorder，CWR，Recovery和Loss状态。四个算法为慢启动，拥塞避免，拥塞发生时算法和快速恢复。 Congestion Control State Machine  和TCP一样，拥塞控制算法也有其状态机。当发送方收到一个Ack时，Linux TCP通过状态机(state)来决定其接下来的行为

原理 http://www.cnblogs.com/jerrylead/archive/2011/04/06/2006910.html 实现 http://www.cnblogs.com/zjutzz/p/5924762.html 无监督学习之K-均值算法分析与MATLAB代码实现 转载 https://blog.csdn.net/liweibin1994/article/details/77898341 前言 K-均值是一种无监督的聚类算法。首先我们要知道什么是无监督，无监督就是说在数据集中，数据是没有标签的。在有监督的数据集中，数据的形式可能是这样： { ( x ( 1 ) , y ( 1 ) ) , ( x ( 2 ) , y ( 2 ) ) , . . . , ( x ( m ) , y ( m ) ) } {(x(1),y(1)),(x(2),y(2)),...,(x(m),y(m))}。而在无监督的数据集中，数据的形式是： { x ( 1 ) , x ( 2 ) , . . . , x ( m ) } {x(1),x(2),...,x(m)}。所谓的标签，就是有没有y。 无监督学习一般用来做什么呢？比如市场分割，也许在你的数据库中有很多用户的数据，你希望将用户分成不同的客户群，这样对不同类型的客户你可以分别提供更合适的服务。再比如 图片压缩 ，假如图片有256种颜色

参考url: https://jakevdp.github.io/PythonDataScienceHandbook/05.13-kernel-density-estimation.html 密度评估器是一种利用D维数据集生成D维概率分布估计的算法，GMM算法用不同高斯分布的加权汇总来表示概率分布估计。核密度估计（kernel density estimation,KDE）算法将高斯混合理念扩展到了逻辑极限（logical　extreme），它通过对每个点生成高斯分布的混合成分，获得本质上是无参数的密度评估器。 1、KDE的由来：直方图 　　密度估计评估器是一种寻找数据集生成概率分布模型的算法。 　　一维数据的密度估计——直方图，是一个简单的密度评估器，直方图将数据分成若干区间，统计落入每个区间内的点的数量，然后用直观的方式将结果可视化。 　　 　　 　　 　　 　　 　　 2、核密度估计的实际应用 　　核密度估计的自由参数是核类型（kernel）参数，他可以指定每个点核密度分布的形状。 　　核带宽（kernel bandwidth）参数控制每个点的核的大小 　　核密度估计算法在sklearn.neighbors.KernelDensity评估器中实现，借助六个核中的任意一个核、二三十个距离量度就可以处理具有多个维度的KDE。 　　由于KDE计算量非常大，因此Scikit

经典排序算法 – 插入排序Insertion sort 插入排序就是每一步都将一个 待排数据 按其大小插入到 已经排序的数据中 的适当位置，直到全部插入完毕。 插入排序方法分 直接插入排序 和折半插入排序两种，这里只介绍直接插入排序，折半插入排序留到“查找”内容中进行。 入。 源码如下： (1) （2） 设数组为a[0…n-1]。 1. 初始时，a[0]自成1个有序区，无序区为a[1..n-1]。令i=1 2. 将a[i]并入当前的有序区a[0…i-1]中形成a[0…i]的有序区间。 3. i++并重复第二步直到i==n-1。排序完成。 源码如下： （3） 这样的代码太长了，不够清晰。现在进行一下改写，将搜索和数据后移这二个步骤合并。 即每次a[i]先和前面一个数据a[i-1]比较，如果a[i] > a[i-1]说明a[0…i]也是有序的，无须调整。 否则就令j=i-1,temp=a[i]。然后一边将数据a[j]向后移动一边向前搜索，当有数据a[j]<a[i]时停止并将temp放到a[j + 1]处。 源码如下： （4） 源码如下： 来源： https://www.cnblogs.com/chengbao/p/4859358.html

1 什么是推荐系统？ 　　 　　推荐系统的任务是联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现对它感兴趣的用户面前，从而实现信息消费者和信息生产者的双赢。 　　推荐系统和搜索引擎不同的是，推荐系统不需要用户提供明确的需求，而是通过分析用户的历史行为给用户的兴趣建模，从而主动给用户推荐能够满足他们兴趣和需求的信息。 　　推荐系统通过发掘用户的行为，找到用户的个性化需求，从而将长尾商品准确地推荐给需要它的用户，帮助用户发现那些他们感兴趣但很难发现的商品。 2 推荐系统的方法 　　 　　推荐系统的方法： 　　　　社会化推荐（ social recommendation ） 　　　　基于内容的推荐（ content-based filtering ） 　　　　基于协同过滤（ collaborative filtering ） 　　推荐算法的本质是通过一定的方式将用户和物品联系起来，而不同的推荐系统利用了不同的方式。 3 推荐系统的应用 　　 个性化推荐系统在网站中的主要作用是通过分析大量用户行为日志，给不同用户提供不同的个性化页面展示，来提高网络的点击率和转化率。 1. 电子商务：例如亚马逊 2. 电影和视频网站：例如 Netflix 3. 个性化音乐网络电台：例如 Last.fm 4. 社交网络：例如 Facebook 5. 个性化阅读：例如 Digg 6.

概要 前面几章对红黑树进行了比较全面的介绍，包括红黑树的理论以及C/C++/Java的实现。这部分将我学习红黑树期间的一些参考资料和代码分享出来，供大家参考。 转载请注明出处： http://www.cnblogs.com/skywang12345/p/3644742.html 更多内容： 数据结构与算法系列 目录 (01) 红黑树(一)之 原理和算法详细介绍 (02) 红黑树(二)之 C语言的实现 (03) 红黑树(三)之 Linux内核中红黑树的经典实现 (04) 红黑树(四)之 C++的实现 (05) 红黑树(五)之 Java的实现 (06) 红黑树(六)之 参考资料 参考说明 在写红黑树这几篇文章的过程中，参考了许多资料：主要有 《算法导论》 、 《数据结构与算法分析-C语言描述》 以及 网上的一些文章 ；此外，还参考了" Linux内核中的红黑树源码 "、" JDK中的红黑树源码 "、" STL中的红黑树源码 "。 1. Linux内核中的红黑树源码 在" 红黑树(三)之 Linux内核中红黑树的经典实现 "这篇文章中，我已经将Linux内核中的红黑树源码移植出来了，供大家参考。若你想自己亲自研究，可以获取Linux内核源码后再进行查阅。 (01) Linux内核源码下载地址： https://www.kernel.org/ (02) 头文件路径：include

3 月，跳不动了？>>> 选择排序 首先，找到数组中最小的那个元素，其次，将它和数组的第一个元素交换位置（如果第一个元素就是最小元素那么它就和自己交换）。再次，在剩下的元素中找到最小的元素，将它与数组的第二个元素交换位置。如此以往，直到 将整个数组排序。 性能 ：算法的时间效率取决于比较的次数。对于长度为N的数组，选择排序需要大约N²/2次比较和N次交换。 特点 ：1. 运行时间和输入无关 ：比如即使输入一个有序的数列，还是会和随机数列一样，进行比较、交换处理。 2. 数据移动是最少的 ：共N次交换，即交换次数和数组大小是线性关系。其他任何算法都不具备这个特征，大部分都是线性对数或是平方级别的。 函数实现如下： public class Selection { public static void sort(Comparable[] a) { //将a[]按升序排列 int N=a.length; for(int i=0;i<N;i++) { int min=i; for(int j=i+1;j<N;j++) { if(less(a[j],a[min]))min=j; } exch(a,i,min); } } } 插入排序 就像通常人们整理桥牌的方法一样，一张一张来，将每一张牌插入到其他已经有序的牌中的适当的位置。 在计算机中的实现中，为了给要插入的元素腾出空间