首页 > TAG信息列表 > XJ

退役随想

有天我突然发现,在 NOI 那几天,正好是我学 OI 整两年,我将在那时退役了。 这么快两年过去了,身边一起学 OI 的小伙伴越来越少。最开始是 Oustcast(logos),我已经不太记得他退役的细节了,但是我还记得之前机房的日子。 前不久省选取消了,Deep_Cold 和 lingo 于是莫名奇妙退役了,就剩我一个

差分约束,背包问题

差分约束,求最大值跑最短路,求最小值跑最长路, 最长路 xi-xj>=k添加j到i的权值为k的边 最短路xi-xj<=k添加j到i的权值为k的边 超级源点,到所有的点权值为0 注意用spfa跑时还要注意是否有负环 背包问题: 01背包 1 int w[N], v[N]; 2 int f[N]; 3 int main() { 4 int n, m; 5

反编译APK 以及编译高版本签名

apktool d xj.apk apktool b xj --use-aapt2 jarsigner -verbose -sigalg SHA1withRSA -digestalg SHA1 -keystore wsmud.jks -signedjar xj_s.apk xj.apk wsmud zipalign -v 4 xj_s.apk xj_zip.apk apksigner sign --ks wsmud.jks --ks-key-alias wsmud --ks-pass pass:xxx

DG方法:一维ODE

DG方法:一维ODE 有限差分方法Discrete Galerkin格式导出求解方式解的存在唯一性误差量度 考虑一维ODE的边值问题: {

Non-local Network:人类早期在CV驯服Transformer尝试 | CVPR 2018

Non-local操作是早期self-attention在视觉任务上的尝试,核心在于依照相似度加权其它特征对当前特征进行增强,实现方式十分简洁,为后续的很多相关研究提供了参考   来源:晓飞的算法工程笔记 公众号 论文: Non-local Neural Networks 论文地址:https://arxiv.org/abs/1711.07971

C++基础:差分约束系统

基本思路:利用最短路中di≤dj+c(j指向i,边权为c,此指算法结束后)将求解三角不等式组转换为(单源)最短路问题 三角不等式(组): xi≤xj+ck   其中xi、xj是自变量,ck是常量 差分约束系统有如下功能: 求不等式组的可行解 源点需要满足条件:从原点出发,一定可以走到所有的边。故可设“超级源点”

自定义函数创建对象

function User(name){ this.name=name; } function createByObject(obj,...args){ const constructor= Object.getPrototypeOf(obj).constructor; return new constructor(...args); } let hd=new User('HDR'); let x

没有原型的对象也是存在的

let xj={name:"xiangjun"}; console.log(xj); console.log(xj.hasOwnProperty("name")); //完全数据字典对象 let hd2=Object.create(null,{ name:{value:"houdunren"} }) //没有原型的对象也是存在的 console.log(hd2.hasOwnProperty("name"));//ax

构造函数创建对象的方式

function User(name){ this.name=name; this.show=function(){ console.log(this); } } let xj=new User("xj"); xj.show();//对象去调用的时候this指向当前对象 User {name: 'xj', show: ƒ} //如果是当作普通函数调用,this指向是window let xj1=xj.

算法学习笔记(1):差分约束

差分约束 问题类型描述 给定 n n n个变量和 m m m个约束条件,如

二维平面内无人机的路径规划——势场法-改进

通过这一算法可以实现二维平面内无人机的路径规划。在该平面内存在已知的障碍,势场法通过给终点添加引力,对障碍增加斥力,使得无人机能够顺利的避障并到达终点。通过对传统势场法的改进,避免了无人机容易陷入极值的问题,使搜索更易实现。 clear all; x=[1 3 4 7 6 5.5 8 9.5];%???x?

leetcode 2121. 相同元素的间隔之和

    1 class Solution { 2 public: 3 vector<long long> getDistances(vector<int>& arr) { 4 unordered_map<int,vector<int>>mp; 5 int n=arr.size(); 6 vector<long long>ans(n); 7 unorde

sklearn机器学习(五)

Task05 本次学习参照Datawhale开源学习:https://github.com/datawhalechina/machine-learning-toy-code/tree/main/ml-with-sklearn 内容安排如下,主要是一些代码实现和部分原理介绍。 5. k均值聚类 无监督学习训练样本的标签信息是未知的,目标是通过对无标签训练样本的学习来

2D-LSTM

LSTM Understanding LSTM Networks 和 人人都能看懂的LSTM 这两篇文章介绍了 LSTM 的原理。 2D-LSTM 2D-LSTM 是作用于三维输入( W × H ×

anylogic professional 7 安装

anylogic professional 7  安装                 J:\Anylogic\AnyLogic7_0_2_install\AnyLogic 7 Professional\plugins\com.xj.anylogic.truelicense_7.0.2.201404181534\tl.jar   J:\Anylogic\AnyLogic7_0_2_install\AnyLogic 7 Professional\plugins\com.xj

E. Bored Bakry

E. Bored Bakry 题意:给定一个长度为 n 的序列 an ,找出最长的 good 子序列的长度。当一个序列 al-r 满足它的 & 大于它的 ^ 时,我们称该序列是 good 序列。 分析:来分析一个 good 序列性质。 不妨设一个序列的 & 为 X ,一个序列的 ^ 为 Y 。 X > Y 即存在 i 使得在大于 i 的位上 X 与

DBSCAN算法

本文简单介绍DBSCAN算法的原理及实现。 DBSCAN算法原理 基本概念 DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一种基于密度的空间聚类算法。该算法将具有足够密度的区域划分为簇,并在具有噪声的空间数据库中发现任意形状的簇,它将簇定义为密度相连的

2021-09-09

Pairwise ranker 1.引言2.优先函数的设计2.1 RankSVM2.2 IR SVM2.3 RankNet2.4 LambdaRank2.5 FRank 3.排序算法的设计3.1 Greedy Ordering Algorithm3.2 Gain3.3 Sum of Preferences3.4 QuickSort3.5 Multi-QuickSort3.6 Fuzzy-Merge 1.引言   排序学习(learning to

P4782 【模板】2-SAT 问题

题目 n n n个布尔变量 x i ∼ x

模式识别笔记

1 PCA为什么按照方差(特征值)大小排列经过分析后的特征向量,并由此确定各向量重要性?      经过pca分析后,得到的一系列特征值就是经过重新组合后的各个向量的方差,选取方差大的作为综合指标因子,作为新的特征进行后续工作。方差越大,认为其蕴含的信息越多,这是因为我们认为真正的信息

球形空间产生器 (高斯消元)

n维球上的任意一点到球心距离相等,故设球心坐标为(x1,x2,...,xn) 则有公式∑(ai,j-xj)2=C 设法消去平方项x2,考虑相邻两项相减 可将公式化为Σ2(ai,j-ai+1,j)xj=Σ(ai,j2-ai+1.j2) 此时就可以构造线性方程组了     #include<iostream> #include<cstdio> #include<algorithm> #inc

kvm 克隆批处理

kvm 指克隆脚本,仅做参考 [root@localhost kvm]# cat kvm.sh #! /bin/bash imgdir="/home" moban_disk="moban.img" moban_name="moban" declare -A XJ random(){ STR="abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ1234567890:><

【论文笔记】FM: Factorization Machines

本文记录因子分析机FM算法的推导和理解笔记 论文地址 https://www.csie.ntu.edu.tw/~b97053/paper/Rendle2010FM.pdf FM 推导过程 FM在预测任务是考虑了不同特征之间的交叉情况, 以2阶的交叉为例:

局部路径规划算法——人工势场法

人工势场法是由Khatib于1986年提出,其方法是将移动机器人所处的环境用势场来定义,通过位置信息来控制机器人的避障行驶,基本思想是构造目标位姿引力场和障碍物周围斥力场共同作用的人工势场,搜索势函数的下降方向来寻找无碰撞路径。人工势场法避障技术使得机器人的移动能很好的适应机器

将 0-1 变量的乘积转化成线性

偶尔在 Gurobi 的讲座中听到了这个技巧,假如两个 0-1 变量 x i x_i xi​, y