随机算法

STL概述 STL (Standard Template Library, 标准模板库) 是惠普实验室开发的一系列软件的统称。主要核心分为三大部分：容器（container）、算法（algorithm）和迭代器（iterator），另外还有容器适配器（container adaptor）和函数对象（functor）等其它标准组件。 容器： 顺序容器： 名称 特性 vector 模拟的数据结构式动态数组，在内存中是连续储存的，支持随机存取，支持在 尾部 快速插入和删除元素，搜索速度较慢 deque 称为双端队列，在内存中的储存方式是小片连续，每片之间用链表连接起来，支持随机存取，支持在 头部和尾部 快速插入和删除元素，搜索速度较慢 list 称为双向链表，在内存中的储存是不连续的，每个元素的内存之间用指针相连， 不支持 随机存取（因为要从首或尾遍历至指定位置），但是支持在 任意位置 快速插入和删除元素，搜索速度 最慢 ，扩展内存时无需复制和拷贝原元素 array 称为静态数组，在内存中是连续储存的，支持随机存取，不支持插入或删除元素 forward_list 称为前向链表，在内存中的储存是不连续的，同list一样支持在任意位置快速插入和删除元素，不支持随机存取，搜索速度也较慢，与list最大的区别在于其只能从头部遍历至尾部，不能反向遍历，因此没有保存后向指针，比list更省内存

在计算机视觉领域广泛的使用各种不同的采样一致性参数估计算法用于排除错误的样本，样本不同对应的应用不同，例如剔除错误的配准点对，分割出处在模型上的点集，PCL中以随机采样一致性算法（RANSAC）为核心，同时实现了五种类似与随机采样一致形算法的随机参数估计算法，例如随机采样一致性算法（RANSAC）最大似然一致性算法（MLESAC），最小中值方差一致性算法（LMEDS）等，所有估计参数算法都符合一致性原则。在PCL中设计的采样一致性算法的应用主要就是对点云进行分割，根据设定的不同的几个模型，估计对应的几何参数模型的参数，在一定容许的范围内分割出在模型上的点云。 （1）RANSAC随机采样一致性算法的介绍 RANSAC是“RANdom SAmple Consensus（随机抽样一致）”的缩写。它可以从一组包含“局外点”的观测数据集中，通过迭代方式估计数学模型的参数。它是一种不确定的 算法 ——它有一定的概率得出一个合理的结果；为了提高概率必须提高迭代次数。 数 据分两种：有效数据（inliers）和无效数据（outliers）。偏差不大的数据称为有效数据，偏差大的数据是无效数据。如果有效数据占大多数，无 效数据只是少量时，我们可以通过最小二乘法或类似的方法来确定模型的参数和误差；如果无效数据很多（比如超过了50%的数据都是无效数据），最小二乘法就 失效了，我们需要新的算法

明天网络安全考试了，看了一下午，还没理解透，持续更新... 质数: 除了1和它本身以外不再有其他因素的数 互质关系: 两个正整数，除了1以外，没有其他公因子 RSA实现了非对称加密 DES实现了对称加密 ************************************************** RSA密钥生成的步骤 step1: 随机选择两个不相等的质数p和q step2: 计算p和q的乘积n step3: 计算n的欧拉函数φ(n)=(p-1)(q-1) step4: 随机选择一个整数e，条件是1< e < φ(n)，且e与φ(n)互质 step5: 计算e对于φ(n)的模反元素d(多组取一) ed ≡ 1 (mod φ(n)) 　 p q 　　 //基础随机 公 n 私 　 φ(n) 公 e 　　　 //在上一步基础随机上随机 　 d 私 　　//d多组取一，在解密过程中效果一样(为什么效果一样，只是我一知半解的猜测) *************************************************** RSA算法的可靠性 若已知n、e要推出d ->先推出φ(n) ->将n因式分解 ->大整数的因式分解基本不能完成， 虽然此处只有除1外的一对因子，现存方法只有暴力破解 成对的生成公钥、私钥，却无法单独由公钥推出私钥 ******************

什么是负载均衡 负载均衡，英文 名称为Load Balance，指由多台服务器以对称的方式组成一个服务器集合，每台服务器都具有等价的地位，都可以单独对外提供服务而无须其他服务器的辅助。通过某种 负载分担技术，将外部发送来的请求均匀分配到对称结构中的某一台服务器上，而接收到请求的服务器独立地回应客户的请求。负载均衡能够平均分配客户请求到服 务器阵列，借此提供快速获取重要数据，解决大量并发访问服务问题，这种集群技术可以用最少的投资获得接近于大型主机的性能。 负载均衡分为软件负载均衡和硬件负载均衡，前者的代表是阿里章文嵩博士研发的LVS，后者则是均衡服务器比如F5，当然这只是提一下，不是重点。 本文讲述的是" 将外部发送来的请求均匀分配到对称结构中的某一台服务器上 "的各种算法，并以Java代码演示每种算法的具体实现，OK，下面进入正题，在进入正题前，先写一个类来模拟Ip列表： 1 public class IpMap 2 { 3 // 待路由的Ip列表，Key代表Ip，Value代表该Ip的权重 4 public static HashMap<String, Integer> serverWeightMap = 5 new HashMap<String, Integer>(); 6 7 static 8 { 9 serverWeightMap.put("192.168.1.100",

什么是负载均衡 负载均衡，英文名称为Load Balance，指由多台服务器以对称的方式组成一个服务器集合，每台服务器都具有等价的地位，都可以单独对外提供服务而无须其他服务器的辅助。通过某种负载分担技术，将外部发送来的请求均匀分配到对称结构中的某一台服务器上，而接收到请求的服务器独立地回应客户的请求。负载均衡能够平均分配客户请求到服务器阵列，借此提供快速获取重要数据，解决大量并发访问服务问题，这种集群技术可以用最少的投资获得接近于大型主机的性能。 负载均衡分为软件负载均衡和硬件负载均衡，前者的代表是阿里章文嵩博士研发的LVS，后者则是均衡服务器比如F5，当然这只是提一下，不是重点。 本文讲述的是" 将外部发送来的请求均匀分配到对称结构中的某一台服务器上 "的各种算法，并以Java代码演示每种算法的具体实现，OK，下面进入正题，在进入正题前，先写一个类来模拟Ip列表： 1 public class IpMap 2 { 3 // 待路由的Ip列表，Key代表Ip，Value代表该Ip的权重 4 public static HashMap<String, Integer> serverWeightMap = 5 new HashMap<String, Integer>(); 6 7 static 8 { 9 serverWeightMap.put("192.168.1.100", 1);

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> 传统的 hash 算法只负责将原始内容尽量均匀随机地映射为一个签名值，原理上相当于伪随机数产生算法。产生的两个签名，如果相等，说明原始内容在一定概 率 下是相等的；如果不相等，除了说明原始内容不相等外，不再提供任何信息，因为即使原始内容只相差一个字节，所产生的签名也很可能差别极大。从这个意义 上来 说，要设计一个 hash 算法，对相似的内容产生的签名也相近，是更为艰难的任务，因为它的签名值除了提供原始内容是否相等的信息外，还能额外提供不相等的 原始内容的差异程度的信息。 而 Google 的 simhash 算法产生的签名，可以满足上述要求。出人意料，这个算法并不深奥，其思想是非常清澈美妙的。 1、Simhash 算法简介 simhash算法的输入是一个向量，输出是一个 f 位的签名值。为了陈述方便，假设输入的是一个文档的特征集合，每个特征有一定的权重。比如特征可以是文档中的词，其权重可以是这个词出现的次数。 simhash 算法如下： 1，将一个 f 维的向量 V 初始化为 0 ； f 位的二进制数 S 初始化为 0 ； 2，对每一个特征：用传统的 hash 算法对该特征产生一个 f 位的签名 b 。对 i=1 到 f ： 如果b 的第 i 位为 1 ，则 V 的第 i 个元素加上该特征的权重； 否则，V

记内存中的树为T0, 硬盘上的树按时间顺序，记做T1, ..., Tk 读: T0 Tk -> Tk-1 -> ... -> T0 写 T0 T0超过一定大小后，插入硬盘变为Tk+1 复杂度 读：最坏需要读k+1棵树，所以需要定期合并，从而使得只有常数棵树。 写：T0需要O(log)次操作，T0写入硬盘是Append-only的。 比较B+-Tree和LSM-Tree，可以发现对于Scan，前者需要O(logN)次查找，而后者只需要O(k)次（Ti的大小和N无关）。 原理上，无论是B+-Tree还是LSM-Tree都是针对现代存储器的特点而设计的，前者注意利用了Bulk读写，而后者则是力求减少Seek操作，可以说各有侧重。 发布于 2018-10-24 作者：匿名用户 链接：https://www.zhihu.com/question/19887265/answer/517406632 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 LSM的思想，在于对数据的修改增量保持在内存中，达到指定的限制后将这些修改操作批量写入到磁盘中，相比较于写入操作的高性能，读取需要合并内存中最近修改的操作和磁盘中历史的数据，即需要先看是否在内存中，若没有命中，还要访问磁盘文件。 原理：把一颗大树拆分成N棵小树，数据先写入内存中，随着小树越来越大

随机森林（ Random Forest ，简称 RF ） 随机森林就是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，而它的本质属于机器学习的一大分支——集成学习（Ensemble Learning）方法。随机森林的名称中有两个关键词，一个是“随机”，一个就是“森林”。“森林”我们很好理解，一棵叫做树，那么成百上千棵树就可以叫做森林了，这也是随机森林的主要思想“集成”的体现。 每棵决策树都是一个分类器（假设现在针对的是分类问题），那么对于一个输入样本，N棵树会有N个分类结果。而随机森林集成了所有的分类投票结果，将投票次数最多的类别指定为最终的输出，这就是一种最简单的 Bagging 思想。 随机森林的特点 在当前所有算法中，具有极好的准确率 能够有效地运行在大数据集上 能够处理具有高维特征的输入样本，而且不需要降维 能够评估各个特征在分类问题上的重要性 在生成过程中，能够获取到内部生成误差的一种无偏估计 对于缺省值问题也能够获得很好得结果 集成学习 集成学习通过建立几个模型组合的来解决单一预测问题。它的工作原理是生成多个分类器/模型，各自独立地学习和作出预测。这些预测最后结合成单预测，因此优于任何一个单分类的做出预测。 随机森林是集成学习的一个子类，它依靠于决策树的投票选择来决定最后的分类结果。 随机森林的生成 随机森林中有许多的分类树。我们要将一个输入样本进行分类

SecureML：A system for Scalable Privacy-Preserving Machine Learning 1 摘要及介绍 1.1　模型的大致架构 首先，主要模型中主要有客户端和两台服务器，假设这两台服务器不会恶意合作。 　　整个训练过程大致分为在线和离线两个阶段，在线阶段的主要任务就是利用本文提出的安全算数技术在共享的十进制数上进行模型的更新，根据混淆电路的思想，除了最后能得到的模型，什么数据也不会暴露出来；离线阶段的主要任务是服务于在线阶段的乘法运算——利用线性同态加密或者不经意传输生成必要的三元组，因为这个开销比较大，后期还提出了一种改进，用客户端来辅助生成三元组； 1.２ 主要贡献 为线性回归、逻辑回归、神经网络这三种机器学习算法开发出了新型的隐私保护的深度学习协议 开发出了支持在共享的十进制数上的安全算数操作的技术 对于那些非线性激活函数，如sigmoid softmax，提出了一种支持安全多方计算的替代方案 以上提出的所有技术相较于目前的技术，在保证安全的前提下，速度上都有很大的提升 1.2.1 为三种机器学习算法开发出的隐私保护的协议 线性回归、逻辑回归和神经网络这三种机器学习方案非常简单但也非常常用，而且他们之间思想类似且一种递进的趋势。 所谓思想类似指的是他们都是有监督的机器学习算法，思路都是先前馈，算出交叉熵之后，在利用随机梯度下降

PKUSC 2018 随机算法 \[ made \ by \ Ameiyo \] 题目连接 用 $ f[i][s] $ 表示已经有 $ i $ 个点在排列里面，最大独立集的集合为 $ s $ ，这样的方案数。 对于当前不能加入最大独立集的点，在之后仍然不能加入，所以这些点可以被视为相同点，当做消耗品一样使用即可。 而可以加入的点，即加入后会使最大独立集变大的点，就直接放进 $ s $ 就行了。 #include <cstdio> #include <cctype> #include <cstring> #include <iostream> #include <algorithm> using namespace std; #define ll long long #define reg register #define rep(i, a, b) for (reg int i = (a), i##end = (b); i <= i##end; ++i) #define dep(i, a, b) for (reg int i = (a), i##end = (b); i >= i##end; --i) template <typename _typer> inline _typer read() { _typer init = 0; char ch = getchar(), k =