计算机科学中最重要的32个算法(转）来源：Marvin（马文韬）的日志
奥地利符号计算研究所（Research Institute for Symbolic Computation，简称RISC）做了一个
调查，投票选出32个最重要的算法：
搜索算法图形搜索算法，从给定起点到给定终点计算出路径。其中使用了一种启发式的估算，为
A* ——
每个节点估算通过该节点的最佳路径，并以之为各个地点排定次序。算法以得到的次序访问这些节点。因此，A*搜索算法是最佳优先搜索的范例。
集束搜索（又名定向搜索，Beam Search——
）最佳优先搜索算法的优化。使用启发式函数评估它检查
是固定数字
的每个节点的能力。不过，集束搜索只能在每个深度中发现最前面的m个最符合条件的节点，m——集束的宽度。
）在线性数组中找特定值的算法，每个步骤去掉一半不符合要求的数据。
二分查找（Binary Search——
）在多种最优化问题中寻找特定最优化解决方案的算法，特别分支界定算法（Branch and Bound——
是针对离散、组合的最优化。
算法一种数学算法，可将其视为针对单变量最大公约数求解的欧几里得算法和线性系统 Buchberger——
中高斯消元法的泛化。
——
数据压缩采取特定编码方案，使用更少的字节数（或是其他信息承载单元）对信息编码的过程，又叫
来源编码。
密钥交换算法一种加密协议，允许双方在事先不了解对方的情况下，在不安全的
Diffie-Hellman——
通信信道中，共同建立共享密钥。该密钥以后可与一个对称密码一起，加密后续通讯。
算法针对没有负值权重边的有向图，计算其中的单一起点最短算法。
Dijkstra——
离散微分算法（Discrete differentiation）
）展示互相覆盖的子问题和最优子架构算法动态规划算法（Dynamic Programming——
欧几里得算法（Euclidean algorithm——
）计算两个整数的最大公约数。最古老的算法之一，出现在公元前300前欧几里得的《几何原本》。
）在统计计算期望-最大算法（Expectation-maximization algorithm，又名EM-Training——
中，期望-最大算法在概率模型中寻找可能性最大的参数估算值，其中模型依赖于未发现的潜在变量。EM在两个步骤中交替计算，第一步是计算期望，利用对隐藏变量的现有估计值，计算其最大可能估计值；第二步是最大化，最大化在第一步上求得的最大可能值来计算参数的值。
）计算离散的傅里叶变换（DFT）及其反转。
快速傅里叶变换（Fast Fourier transform，FFT——
该算法应用范围很广，从数字信号处理到解决偏微分方程，到快速计算大整数乘积。
）一种数学上的最优化算法。
梯度下降（Gradient descent——
哈希算法（Hashing）
堆排序（Heaps）
乘法需要完成上千位整数的乘法的系统中使用，比如计算机代数系统和大数程序库，如
Karatsuba——
果使用长乘法，速度太慢。该算法发现于1962年。
）以格规约（lattice）基数为
LLL算法（Lenstra-Lenstra-Lovasz lattice reduction——
输入，输出短正交向量基数。LLL算法在以下公共密钥加密方法中有大量使用：背包加密系统（knapsack）、有特定设置的RSA加密等等。
）该算法试图从一个流量网络中找到最大的流。它优势被定义为找到最大流量算法（Maximum flow——
这样一个流的值。最大流问题可以看作更复杂的网络流问题的特定情况。最大流与网络中的界面有关，这就是最大流-最小截定理（Max-flow min-cut theorem）。Ford-Fulkerson 能找到一个流网络中的最大流。
合并排序（Merge Sort）
）求非线性方程（组）零点的一种重要的迭代法。
牛顿法（Newton's method——
学习算法这是一种通过学习动作值函数（action-value function）完成的强化学
Q-learning——
习算法，函数采取在给定状态的给定动作，并计算出期望的效用价值，在此后遵循固定的策略。Q-leanring 的优势是，在不需要环境模型的情况下，可以对比可采纳行动的期望效用。
）现代整数因子分解算法，在实践中，是目前已知第二快的此类算法两次筛法（Quadratic Sieve——
（仅次于数域筛法Number Field Sieve）。对于110位以下的十位整数，它仍是最快的，而且都认为它
比数域筛法更简单。
是RANdom SAmple Consensus”的缩写。该算法根据一系列观察得到的数据，数据中包
RANSAC——“
含异常值，估算一个数学模型的参数值。其基本假设是：数据包含非异化值，也就是能够通过某些模型参数解释的值，异化值就是那些不符合模型的数据点。
RSA——公钥加密算法。首个适用于以签名作为加密的算法。RSA在电商行业中仍大规模使用，大家也相
信它有足够安全长度的公钥。
算法在数学中，Schnhage-Strassen算法是用来完成大整数的乘法的快速
Schnhage-Strassen——
渐近算法。其算法复杂度为：O(N log(N) log(log(N)))，该算法使用了傅里叶变换。
单纯型算法（Simplex Algorithm——
）在数学的优化理论中，单纯型算法是常用的技术，用来找到线性规划问题的数值解。线性规划问题包括在一组实变量上的一系列线性不等式组，以及一个等待最大化（或最小化）的固定线性函数。
奇异值分解（Singular value decomposition ，简称SVD ——）在线性代数中，SVD 是重要的实数或复数矩阵的分解方法，在信号处理和统计中有多种应用，比如计算矩阵的伪逆矩阵（以求解最小二乘法问题）、解决超定线性系统（overdetermined linear systems ）、矩阵逼近、数值天气预报等等。 求解线性方程组（Solving a system of linear equations ——）线性方程组是数学中最古老的问题，它们有很多应用，比如在数字信号处理、线性规划中的估算和预测、数值分析中的非线性问题逼近等等。—求解线性方程组，可以使用高斯约当消去法（Gauss-Jordan elimination ），或是柯列斯基分解（ Cholesky decomposition ）。
Strukturtensor ——算法应用于模式识别领域，为所有像素找出一种计算方法，看看该像素是否处于 同质区域（homogenous region ），看看它是否属于边缘，还是是一个顶点。
合并查找算法（Union-find ——）给定一组元素，该算法常常用来把这些元素分为多个分离的、彼此不重合的组。不相交集（disjoint-set ）的数据结构可以跟踪这样的切分方法。合并查找算法可以在此种数据结构上完成两个有用的操作： 查找：判断某特定元素属于哪个组。
合并：联合或合并两个组为一个组。 维特比算法（Viterbi algorithm ——）寻找隐藏状态最有可能序列的动态规划算法，这种序列被称为维特比路径，其结果是一系列可以观察到的事件，特别是在隐藏的Markov 模型中。
运动目标检测 目录 基于统计背景模型的运动目标检测方法 背景模型提取 运动目标检测 后处理 基于统计背景模型的运动目标检测方法 问题：（1）背景获取：需要在场景存在运动目标的情况下获得背景图像（2）背景扰动：背景中可以含有轻微扰动的对象，如树枝、树叶的摇动，扰动部分不应该被看做是前景运动目标（3）外界光照变化：一天中不同时间段光线、天气等的变化对检测结果的影响（4）背景中固定对象的移动：背景里的固定对象可能移动，如场景中的一辆车开走、一把椅子移走，对象移走后的区域在一段时间内可能被误认为是运动目标，但不应该永远被看做是前景运动目标（5）背景的更新：背景中固定对象的移动和外界光照条件的变化会使背景图像发生变化，需要及时对背景模型进行更新，以适应这种变化（6）阴影的影响：通常前景目标的阴影也被检测为运动目标的一部分，这样讲影响对运动目标的进一步处理和分析首先利用统计的方法得到背景模型，并实时地对背景模型进行更新以适应光线变化和场景本身的变化，用形态学方法和检测连通域面积进行后处理，消除噪声和背景扰动带来的影响，在HSV色度空间下检测阴影，得到准确的运动目标。 背景模型提取 前提假设在背景模型提取阶段，运动目标在场景区域中运动，不会长时间停留在某一位置视频流中某一像素点只有在前景运动目标通过时，它的亮度值才发生大的变化，在一段时间内，亮度值主要集中在很小的一个区域中，可以用这个区域内的平均值作为该点的背景值。具体实现过程：在YUV颜色空间下，Y值的变化范围为0~255，将该范围划分成若干区间[0,T][T,2T]…[Nt,255],n=255/T，对于每个像素点，统计一段时间内每个区间内亮度值的出现的次数。找出出现次数最多的那个区间，将该区间内所有值的平均值作为背景模型在该点的亮度值。这种方法不受前景运动目标的影响。 运动目标检测 检测当前图像和背景图像中对应像素点的差异，如果差值大于一定阈值，则判定该像素为前景运动目标
基于协同过滤的推荐算法与代码实现 什么是协同过滤？ 协同过滤是利用集体智慧的一个典型方法。要理解什么是协同过滤(Collaborative Filtering, 简称CF)，首先想一个简单的问题，如果你现在想看个电影，但你不知道具体看哪部，你会怎么做？大部分的人会问问周围的朋友，看看最近有什么好看的电影推荐，而我们一般更倾向于从口味比较类似的朋友那里得到推荐。这就是协同过滤的核心思想。 协同过滤一般是在海量的用户中发掘出一小部分和你品位比较类似的，在协同过滤中，这些用户成为邻居，然后根据他们喜欢的其他东西组织成一个排序的目录作为推荐给你。当然其中有一个核心的问题： 如何确定一个用户是不是和你有相似的品位？ 如何将邻居们的喜好组织成一个排序的目录？ 简单来说： 1. 和你兴趣合得来的朋友喜欢的，你也很有可能喜欢； 2. 喜欢一件东西A，而另一件东西B 与这件十分相似，就很有可能喜欢B； 3. 大家都比较满意的，人人都追着抢的，我也就很有可能喜欢。 三者均反映在协同过滤的评级（rating）或者群体过滤（social filtering）这种行为特性上。 深入协同过滤的核心 首先，要实现协同过滤，需要一下几个步骤： 1. 收集用户偏好 2. 找到相似的用户或物品 3. 计算推荐 (1)收集用户偏好 要从用户的行为和偏好中发现规律，并基于此给予推荐，如何收集用户的偏好信息成为系统推荐效果最基础的决定因素。用户有很多方式向系统提供自己的偏好信息，而且不同的应用也可能大不相同，下面举例进行介绍：
以上列举的用户行为都是比较通用的，推荐引擎设计人员可以根据自己应用的特点添加特殊的用户行为，并用他们表示用户对物品的喜好。 在一般应用中，我们提取的用户行为一般都多于一种，关于如何组合这些不同的用户行为，基本上有以下两种方式： 将不同的行为分组：一般可以分为“查看”和“购买”等等，然后基于不同的行为，计算不同的用户/物品相似度。类似于当当网或者Amazon 给出的“购买了该图书的人还购买了...”，“查看了图书的人还查看了...”
Hans Journal of Data Mining 数据挖掘, 2019, 9(3), 81-87 Published Online July 2019 in Hans. https://www.doczj.com/doc/723354089.html,/journal/hjdm https://https://www.doczj.com/doc/723354089.html,/10.12677/hjdm.2019.93010 Overview and Prospect of Personalized Recommendation Algorithm Xinxin Li Dalian University of Foreign Languages, Dalian Liaoning Received: Jun. 19th, 2019; accepted: Jul. 2nd, 2019; published: Jul. 9th, 2019 Abstract In recent years, the word “information overload” frequently appears in people’s vision, it has be-come a hot word in the field of computer, and it is also an important problem that researchers ur-gently need to solve. In order to solve the problem of information overload, researchers in the field of computer constantly optimize the personalized recommendation algorithm, strive to re-duce the difficulty of information retrieval for users, to provide users with the best personalized recommendation results. This paper gives a brief overview of the personalized recommendation methods which are widely used and common. Combined with the experience of using personalized recommendation algorithm to generate results in daily life, the author puts forward expectations for the development of personalized recommendation algorithm in the future. Keywords Personalized Recommendation, Collaborative Filtering, Hybrid Recommendation 个性化推荐算法概述与展望 李鑫欣 大连外国语大学，辽宁大连 收稿日期：2019年6月19日；录用日期：2019年7月2日；发布日期：2019年7月9日 摘要 近年来，“信息过载”一词频繁出现在人们的视野中，它成为了计算机相关领域中的热门词汇，同时它也是研究人员急待解决的重要问题。为解决信息超载的问题，计算机领域研究人员不断优化个性化推荐
1、二分搜索算法是利用（ A ）实现的算法。 A、分治策略 B、动态规划法 C、贪心法 D、回溯法 2、下列不是动态规划算法基本步骤的是（ A ）。 A、找出最优解的性质 B、构造最优解 C、算出最优解 D、定义最优解 3、最大效益优先是（ A ）的一搜索方式。 A、分支界限法 B、动态规划法 C、贪心法 D、回溯法 4、最长公共子序列算法利用的算法是（ B ）。 A、分支界限法 B、动态规划法 C、贪心法 D、回溯法 5. 回溯法解TSP问题时的解空间树是（ A ）。 A、子集树 B、排列树 C、深度优先生成树 D、广度优先生成树6．下列算法中通常以自底向上的方式求解最优解的是（ B ）。 A、备忘录法 B、动态规划法 C、贪心法 D、回溯法 7、衡量一个算法好坏的标准是（C ）。 A 运行速度快 B 占用空间少 C 时间复杂度低 D 代码短 8、以下不可以使用分治法求解的是（D ）。 A 棋盘覆盖问题 B 选择问题 C 归并排序 D 0/1背包问题 9. 实现循环赛日程表利用的算法是（ A ）。 A、分治策略 B、动态规划法 C、贪心法 D、回溯法 10、实现最长公共子序列利用的算法是（ B ）。 A、分治策略 B、动态规划法 C、贪心法 D、回溯法11．下面不是分支界限法搜索方式的是（ D ）。 A、广度优先 B、最小耗费优先 C、最大效益优先 D、深度优先 12．下列算法中通常以深度优先方式系统搜索问题解的是（ D ）。 A、备忘录法 B、动态规划法 C、贪心法 D、回溯法 13. 一个问题可用动态规划算法或贪心算法求解的关键特征是问题的（ B ）。 A、重叠子问题 B、最优子结构性质 C、贪心选择性质 D、定义最优解14．广度优先是（ A ）的一搜索方式。 A、分支界限法 B、动态规划法 C、贪心法 D、回溯法 15．背包问题的贪心算法所需的计算时间为（ B ）。
基于内容的推荐算法（Content-Based Recommendation）1.基本思想 基本思想就是给用户推荐与他们曾经喜欢的项目内容相匹配的新项目。 基于内容的推荐的基本思想是：对每个项目的内容进行特征提取(FeatureExtraction)，形成特征向量(Feature Vector)；对每个用户都用一个称作用户的兴趣模型(User Profile)的文件构成数据结构来描述其喜好；当需要对某个用户进行推荐时，把该用户的用户兴趣模型同所有项目的特征矩阵进行比较得到二者的相似度，系统通过相似度推荐文档。 （基于内容的推荐算法不用用户对项目的评分，它通过特定的特征提取方法得到项目特征用来表示项目，根据用户所偏好的项目的特征来训练学习用户的兴趣模型，然后计算一个新项目的内容特征和用户兴趣模型的匹配程度，进而把匹配程度高的项目推荐给用户。） 2.基于内容的推荐层次结构图：
CB的过程一般包括以下三步： （1）Item Representation：为每个item抽取出一些特征（也就是item的content 了）来表示此item；对应着上图中的Content Analyzer。 （2）Profile Learning：利用一个用户过去喜欢（及不喜欢）的item的特征数据，来学习出此用户的喜好特征（profile）；对应着上图中的Profile Learner。 （3）Recommendation Generation：通过比较上一步得到的用户profile与候选item 的特征，为此用户推荐一组相关性最大的item。对应着上图中的Filtering Component。 3.详细介绍上面的三个步骤： 3.1 Item Representation 项目表示：对项目进行特征提取，比如最著名的特征向量空间模型，它首先将一份文本（项目）以词袋形式来表示，然后对每一个词用词频-逆向文档频率（TF-IDF）来计算权重，找出若干权重较大的词作为关键词（特征）。每个文本（项目）都可以表示成相同维度的一个向量 TF-IDF词频-逆文档频率计算： TF 词项t在文档d中出现的次数，df 表示词项t在所有文档出现的次数，idf 为反向文档频率，N为文档集中所有文档的数目。 TF-IDF公式同时引入词频和反向文档频率，词频TF表示词项在单个文档中的局部权重，某一词项在文档中出现的频率越高，说明它区分文档内容的属性越强，权重越大。IDF表示词项在整个文档集中的全局权重，某一词项在各大文档都有出现，说明它区分文档类别属性的能力越低，权值越小。
图像处理与计算机视觉算法及应用 图像处理与计算机视觉算法及应用（Algorithms for Image Processing and Computer Vision）（第2版）的配套代码。基于OpenCV库-matching code for the book"Algorithms for Image Processing and Computer Vision".Based on OpenCV Library. [上传源码成为会员下载此文件] [成为VIP会员下载此文件] 文件列表(点击判断是否您需要的文件，如果是垃圾请在下面评价投诉): 图像处理与计算机视觉算法及应用（第2版）\Chapter 1\capture.c .......................................\.........\lib0.c .......................................\.........\thr_glh.c .......................................\.........0\angular.c .......................................\..........\check.c .......................................\..........\convert.c .......................................\..........\display.c .......................................\..........\listGreyFiles.c
《计算机视觉》复习题 1、利用MFC及OpenCV 库函数编写对话框程序，添加按钮实现图像读入、图像阈值分割、边缘提取等功能（至少实现三个以上功能）。（考前做好并用A4纸打印，考试当天带来） 为旋转不变算子，即当图像()v,u f旋转后，计算值在对应点保持不变。 2、证明Laplace算子 理论 3、计算机视觉研究的目的是什么？它和图像处理及计算机图形学的区别和联系是什么？ 从20世纪50年代末开始，计算机开始被作为实现人类智能和人类感知的工具，借助计算机人类第一次可以象借助机械实现对体力的延伸一样实现对脑力和感知能力的延伸。对人类视觉感知能力的计算机模拟导致了计算机视觉的产生。计算机视觉就是用各种成像系统代替视觉器官作为输入敏感手段，由计算机来替代大脑完成处理和解释。计算机视觉使用的理论方法主要是基于几何、概率和运动学计算与三维重构的视觉计算理论。 具体地讲，计算机视觉要达到的基本目的有以下几个： 根据一幅或者多幅二维图像计算出观测点到目标物体的距离； 根据一幅或者多幅二维图像计算出观测点到目标物体的运动参数； 根据一幅或者多幅二维图像计算出观测点到目标物体的表面物理特征； 根据多幅二维投影图像恢复出更大空间区域的投影图像。 简单来说，计算机视觉要达到的最终目的是实现利用计算机对三维景物世界的理解，即实现人的视觉系统的某些功能。从本质上来讲，计算机视觉研究就是利用二维投影图像来重构三维物体的可视部分。 计算机视觉和图像处理及计算机图形学的区别和联系： 区别： 图像处理（image processing）通常是把一幅图像变换为另外一幅图像。它输入的是图像，输出的也是图像。Photoshop中对一幅图像应用滤镜就是典型的一种图像处理。常见操作有模糊、灰度化、增强对比度。 计算机图形学（Computer Graphics）是借助计算机来研究图形表达、处理图像、显示生成的学科。，主要通过几何基元，如线、圆和自由曲面等，来生成图像，属于图像综合。输入的是对虚拟场景的描述，通常为多边形数组，输出的是图像，即二维像素数组。
推荐系统的出现 推荐系统的任务就是解决，当用户无法准确描述自己的需求时，搜索引擎的筛选效果不佳的问题。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在对他感兴趣的人群中，从而实现信息提供商与用户的双赢。 推荐算法介绍 基于人口统计学的推荐 这是最为简单的一种推荐算法，它只是简单的根据系统用户的基本信息发现用户的相关程度，然后将相似用户喜爱的其他物品推荐给当前用户。 系统首先会根据用户的属性建模，比如用户的年龄，性别，兴趣等信息。根据这些特征计算用户间的相似度。比如系统通过计算发现用户A和C比较相似。就会把A喜欢的物品推荐给C。 优缺点： ?不需要历史数据，没有冷启动问题 ?不依赖于物品的属性，因此其他领域的问题都可无缝接入。 ?算法比较粗糙，效果很难令人满意，只适合简单的推荐 基于内容的推荐 与上面的方法相类似，只不过这次的中心转到了物品本身。使用物品本身的相似度而不是用户的相似度。
系统首先对物品（图中举电影的例子）的属性进行建模，图中用类型作为属性。 在实际应用中，只根据类型显然过于粗糙，还需要考虑演员，导演等更多信息。 通过相似度计算，发现电影A和C相似度较高，因为他们都属于爱情类。系统还会发现用户A喜欢电影A，由此得出结论，用户A很可能对电影C也感兴趣。 于是将电影C推荐给A。 优缺点： ?对用户兴趣可以很好的建模，并通过对物品属性维度的增加，获得更好的推荐精度 ?物品的属性有限，很难有效的得到更多数据 ?物品相似度的衡量标准只考虑到了物品本身，有一定的片面性 ?需要用户的物品的历史数据，有冷启动的问题 协同过滤 协同过滤是推荐算法中最经典最常用的，分为基于用户的协同过滤和基于物品的协同过滤。那么他们和基于人口学统计的推荐和基于内容的推荐有什么区别和联系呢？ 基于用户的协同过滤——基于人口统计学的推荐 基于用户的协同过滤推荐机制和基于人口统计学的推荐机制都是计算用户的相似度，并基于“邻居”用户群计算推荐，但它们所不同的是如何计算用户的相似度，基于人口统计学的机制只考虑用户本身的特征，而基于用户的协同过滤机制可是在用户的历史偏好的数据上计算用户的相似度，它的基本假设是，喜欢类似物品的用户可能有相同或者相似的口味和偏好。 基于物品的协同过滤——基于内容的推荐
计算机算法设计与分析小论文 摘要： 算法是一个系列解决问题的清晰指令,即在有限时间内能够对一定规范的输入,能够得到所需要的输出。如果一个算法本身是有缺陷的!那么他往往不是这个问题的最佳解决方法,可见一个算法的优劣是通过一定的准则来规定的。通过这学期的对《计算机算法分析设计》这门课程的学习让我们充分的了解到了计算机算法的多样性和复杂性，让我们更加细心和耐心的去对待这门课程。例如甲某要去某个地方旅游,他有很多种方案到旅游地,但是不见的每种方案都是合理最优的!这时就是需要考虑透过一定的算法来得到自己的最优路线。所以可见算法就是以最少的成本、最快的速度、最好的质量开发出合适各种各样应用需求的软件，必须遵循软件工程的原则，设计出高效率的程序。一个高效的程序不仅需要编程技巧，更需要合理的数据组织和清晰高效的算法。目前我们将进行常见的算法分析设计策略介绍： 1.递归算法 1.1递归算法介绍: 直接或间接的调用自身的算法称为递归算法。或者说就是用自己来定义自己,不断调用自己的某一种状态。 1.2递归算法满足的条件 （1）递归满足2个条件： 1）有反复执行的过程（调用自身） 2）有跳出反复执行过程的条件（递归出口） 1.3递归例子 递归例子：阶乘问题 n! = n * (n-1) * (n-2) * ...* 1(n>0) //阶乘 intresult(int i) { int sum = 0; if (0 == i) return (1); else sum = i * result(i-1); return sum; }
可见一个递归算法都有一个比较特殊的特点,那就是要先处理一些比较特殊的情况再处理递归关系。如上例中如果是0!的话！那么他的阶乘就是1，所以先处理0!这个特殊情况，然后再调用其他的递归关系得到自己想要的阶乘。比如当我们想要求出4!的结果那么我们就需要调用result(3)的结果而result(3)又要调用result(2)的结果！就这样直到得出答案为止。 在我们日常,递归算法的出现可以帮助我们解决很多问题,正因为它的：结构清晰，可读性强，而且容易用数学归纳法来证明算法的正确性，因此它为设计算法、调试程序带来很大方便。 2.分治算法 2.1分治算法介绍: 一个分治算法把问题实例划分成若干子实例（多数情况是分成两个），并分别递归地解决每个子实例，然后把这些子实例的解组合起来，得到原问题实例的解。 2.2 分治算法的特性 1）规模小，则很容易解决 2）大问题可以分为若干规模小的相同问题 3）利用子问题的解可以合并成该问题的解 2.3分治算法的遇到问题 为了阐明这个方法，考虑这样一问题：在一个整数组A[1...n]中，同时寻找最大值和最小值。下面我们来看一下用分治策略：将数组分割成两半，A[1...n/2]和A[(n/2)+1...n]，在每一半中找到最大值和最小值，并返回这两个最小值中的最小值及这两个最大值中的最大值。 过程 Min-Max ⅰ输入 n个整数元素的数组A[1...n]n为2的幂 ⅱ输出 (x,y), A中的最大元素和最小元素
Computer Science and Application 计算机科学与应用, 2019, 9(9), 1803-1813 Published Online September 2019 in Hans. https://www.doczj.com/doc/723354089.html,/journal/csa https://https://www.doczj.com/doc/723354089.html,/10.12677/csa.2019.99202 Review of Classical Recommendation Algorithms Chunhua Zhou, Jianjing Shen, Yan Li, Xiaofeng Guo Information Engineering University, Zhengzhou Henan Received: Sep. 3rd, 2019; accepted: Sep. 18th, 2019; published: Sep. 25th, 2019 Abstract Recommender systems are effective tools of information ?ltering that are prevalent due to cont i-nuous popularization of the Internet, personalization trends, and changing habits of computer us-ers. Although existing recommender systems are successful in producing decent recommend a-tions, they still suffer from challenges such as cold-start, data sparsity, and user interest drift. This paper summarizes the research status of recommendat ion system, presents an overview of the field of recommender systems, describes the classical recommendation methods that are usually classified into the following three main categories: content-based, collaborative and hybrid recommendation algorithms, a nd prospects future research directions. Keywords Recommender Systems, Cold-Start, Data Sparsity, Collaborative Filtering 经典推荐算法研究综述 周春华，沈建京，李艳，郭晓峰 信息工程大学，河南郑州 收稿日期：2019年9月3日；录用日期：2019年9月18日；发布日期：2019年9月25日 摘要 推荐系统作为一种有效的信息过滤工具，由于互联网的不断普及、个性化趋势和计算机用户习惯的改变，将变得更加流行。尽管现有的推荐系统也能成功地进行推荐，但它们仍然面临着冷启动、数据稀疏性和用户兴趣漂移等问题的挑战。本文概述了推荐系统的研究现状，对推荐算法进行了分类，介绍了几种经
视觉检测技术基础》课程教学大纲 一、课程基本信息 1、课程代码：MI420 2 、课程名称（中/ 英文）：视觉检测技术基础/ Foundation of visual measurement technique 3、学时/ 学分：27/1.5 4、先修课程：高等数学，大学物理 5、面向对象：电子信息类专业本科生 6、开课院（系）、教研室：电子信息与电气工程学院仪器系自动检测技术研究所 7、教材、教学参考书：自编讲义 《机器视觉》，贾云得著，科学出版社，2000 《计算机视 觉》，马颂德著，科学出版社，1997 《图像工程》，章毓晋 著，清华大学出版社，2002 二、本课程的性质和任务 《视觉检测基础》是电子信息学院仪器系四年级本科生的选修课，通过本课程的学习，使学生初步了解视觉检测系统的构成及基本原理，每个组成部分如何选择设计，掌握相应的图像处理方法，增加学生的专业知识。通过上机实践提高学生的实际编程能力，增强感性认识，为以后科研、工作中遇到的相关问题提供一个解决的思想，并能实际运用。 三、本课程教学内容和基本要求
1. 基本要求 《视觉检测基础》作为本科生的选修课，应当主要立足于对学生知识的普及，主要讲述计算机视觉系统的组成、设计、处理等方面的基本知识，以课堂讲述为主，讲述中应结合日常生活实际，提高学生的学习兴趣，让学生掌握基本的处理过程及算法，并辅以实验手段进一步增强学生对视觉检测技术的了解，增加感性认识， 2. 教学内容 (1) 课堂教学部分 第一讲计算机视觉概述 一、什么是计算机视觉 二、计算机视觉的应用 三、计算机视觉的研究内容 1 、主要研究内容 2 、与其它学科的关系 第二讲成像原理与系统 一、成像几何基础 1、透视投影 2、正交投影 二、输入设备 1 、镜头 2 、摄像机
1. 前言 随着互联网技术和社会化网络的发展，每天有大量包括博客，图片，视频，微博等等的信息发布到网上。传统的搜索技术已经不能满足用户对信息发现的需求，原因有多种，可能是用户很难用合适的关键词来描述自己的需求，也可能用户需要更加符合他们兴趣和喜好的结果，又或是用户无法对自己未知而又可能感兴趣的信息做出描述。推荐引擎的出现，可以帮用户获取更丰富，更符合个人口味和更加有意义的信息。 个性化推荐根据用户兴趣和行为特点，向用户推荐所需的信息或商品，帮助用户在海量信息中快速发现真正所需的商品，提高用户黏性，促进信息点击和商品销售。推荐系统是基于海量数据挖掘分析的商业智能平台，推荐主要基于以下信息： ●热点信息或商品 ●用户信息，如性别、年龄、职业、收入以及所在城市等等 ●用户历史浏览或行为记录 ●社会化关系 2. 个性化推荐算法 2.1. 基于人口统计学的推荐（同类人喜欢什么就推荐什么） 基于人口统计学的推荐机制（Demographic-based Recommendation）是一种最易于实现的推荐方法，它只是简单的根据系统用户的基本信息发现用户的相关程度，然后将相似用户喜爱的其他物品推荐给当前用户。 首先，系统对每个用户都有一个用户 Profile 的建模，其中包括用户的基本信息，例如用户的年龄，性别等等；然后，系统会根据用户的 Profile 计算用户的相似度，可以看到用 户 A 的 Profile 和用户 C 一样，那么系统会认为用户 A 和 C 是相似用户，在推荐引擎中，可以称他们是“邻居”；最后，基于“邻居”用户群的喜好推荐给当前用户一些物品。 这种基于人口统计学的推荐机制的好处在于： ●因为不使用当前用户对物品的喜好历史数据，所以对于新用户来讲没有“冷启动（Cold Start）”的问题。 ●这个方法不依赖于物品本身的数据，所以这个方法在不同物品的领域都可以使用，它是领域独立的（domain-independent）。 然后，这个方法的缺点和问题就在于，这种基于用户的基本信息对用户进行分类的方法过于粗糙，尤其是对品味要求较高的领域，比如图书，电影和音乐等领域，无法得到很好的推荐效果。另外一个局限是，这个方法可能涉及到一些与信息发现问题本身无关却比较敏感的信息，比如用户的年龄等，这些用户信息不是很好获取。 2.2. 基于内容的推荐（用户喜欢什么，就推荐相同类型的） 基于内容的推荐是在推荐引擎出现之初应用最为广泛的推荐机制，它的核心思想是根据推荐物品或内容的元数据，发现物品或者内容的相关性，然后基于用户以往的喜好记录，推荐给用户相似的物品。这种推荐系统多用于一些资讯类的应用上，针对文章本身抽取一些tag作为该文章的关键词，继而可以通过这些tag来评价两篇文章的相似度。
电子科技大学 2012级本科毕业设计（论文）开题报告表
只有这样计算机才能运行。为使更多的人能使用复杂的计算机，必须改变过去的那种让人来适应计算机，来死记硬背计算机的使用规则的情况。而是反过来让计算机来适应人的习惯和要求，以人所习惯的方式与人进行信息交换，也就是让计算机具有视觉、听觉和说话等能力。这时计算机必须具有逻辑推理和决策的能力。具有上述能力的计算机就是智能计算机。 智能计算机不但使计算机更便于为人们所使用，同时如果用这样的计算机来控制各种自动化装置特别是智能机器人，就可以使这些自动化系统和智能机器人具有适应环境，和自主作出决策的能力。这就可以在各种场合取代人的繁重工作，或代替人到各种危险和恶劣环境中完成任务。 3、课题研究内容 将计算机视觉和图像处理技术应用到车辆驾驶辅助系统当中可以有效地为车辆行驶提供安全保障。而在计算机视觉中，利用视觉信息感知环境，由单幅二维投影图像确定目标与装载摄像机物体之间距离信息的研究，是目前智能交通系统(ITS)和智能车辆系统(IVS)的关键技术之一。本文主要研究针对ITS和IVS的单目视觉测距方法。基于单目视觉的测量技术是从计算机视觉领域中发展起来的新型非接触测量技术，它是一种结合图像处理技术，把图像当作检测和传递信息的手段或载体而加以利用的测量方法。本文利用投影几何原理和图像处理方法研究了单目测距算法，重点研究了摄像机标定技术、图像预处理方法、障碍物体检测及计算障碍物体距离的算法。本文首先采用了一种在照、摄像机内外部参数未知的条件下，利用图像平面中的平行线，以及它们形成的消隐点具有几何约束关系来实现摄像机标定的新方法。该方法与以前方法相比，计算复杂性不高，但相对而言，准确性和鲁棒性较高，且无须在使用前标定相机，更符合实际需要(因现今的照、摄像机都是变焦距的)，从而具有广泛的推广价值。其次，对多种图像预处理方法进行了分析、比较和选择，采用的方法兼顾了图像处理效果和实时性要求。最后，在分析道路特征的基础上建立了道路几何模型，并利用改进的Hough变换提取出道路边缘曲线模型。并在现有单一道路模型测距算法的基础上做了改进，提出了混合几何模型的单目测距算法。模拟试验结果表明该算法对视觉测距领域的研究有一定的借鉴意义。 4、关键问题及研究目标 本次研究目标主要是通过对已有基于计算机视觉的测距算法的实现和评估。关键问题在于如何用OpenCV实现这些算法并对其进行合适的评估。 5、研究特点 基于计算机视觉的距离测量主要是单目测距和多目测距，它们都有各自的优点，也
算法设计与分析试卷 一、填空题（20分，每空2分） 1、算法的性质包括输入、输出、＿确定性＿＿、有限性。 2、动态规划算法的基本思想就将待求问题＿＿分解成若干个 子问题＿＿＿、先求解子问题，然后从这些子问题的解得 到原问题的解。 3、设计动态规划算法的4个步骤： （1）找出＿＿最优解的性质＿＿，并刻画其结构特征。（2）＿＿递归的定义最优值＿＿＿＿＿。 （3）＿＿以自底向上的方式计算出最优值＿＿＿＿＿。（4）根据计算最优值得到的信息，＿＿构造最优解＿＿＿＿＿。 4、流水作业调度问题的johnson算法： （1）令N1=＿{i|ai
1、当（a1,a2,a3,a4,a5,a6）=(-2,11,-4,13,-5,-2)时，最大子段和为∑ak(2<=k<=4)＿＿＿20＿（5分） 2、由流水作业调度问题的最优子结构性质可知，T（N，0）=＿＿＿＿＿＿（5分） 3、最大子段和问题的简单算法(10分) int maxsum(int n,int *a,int & bestj) { intsum=0; for (int i=1;i<=n;i++) for (int j=i;j<=n;j++) int thissum=0; for(int k=i;k<=j;k++)＿＿thissum+=a【k】＿＿＿; if(thissum>sum){ sum=thissum; ＿＿besti=i＿＿＿＿； bestj=j;} } return sum; } 4、设计最优二叉搜索树问题的动态规划算法 OptimalBinarysearchTree? (15分)
课程名称：计算机视觉 课程编码：M510021 课程学分：3 适用学科：信息与计算科学、数学与应用数学 计算机视觉 Computer Vision 教学大纲 一、课程性质 计算机视觉是人工智能领域的一个重要部分，它的研究目标是使计算机具有通过二维图像认知三维环境信息的能力。计算机视觉是以图象处理技术、信号处理技术、概率统计分析、计算几何、神经网络、机器学习理论和计算机信息处理技术等为基础，通过计算机分析与处理视觉信息。 二、课程教学目的 通过计算机视觉课程的学习，使硕士研究生掌握计算机视觉基本理论与方法以及计算机视觉的一些典型应用，初步具有设计、实现计算机视觉中比较简单的算法的能力，从而为学生进一步从事该方向的学习与研究工作打下基础。 三、教学基本内容及基本要求 计算机视觉主要内容分为六部分。基本要求与基本内容如下： 1、教学基本内容 (一)计算机视觉概述：计算机视觉的基本概念，计算机视觉的发展和应用，计 算机视觉的现状。 (二)摄像机成像原理及针孔摄像机成像模型。 (三)射影几何的基本介绍及几何元素的数学表达方法。 (四)多视几何理论，包括单视几何中的射影测量、两视几何中的外极几何的基 本概念、基本矩阵、本质矩阵的理论推导及其含义。 (五)立体视觉方法。使用双摄像机得到的图像恢复三维物体深度信息的方法， 包括直接重建和分层重建理论。 (六)视觉系统的标定，包括3D标定模板下的Tsai标定算法、2D标定模板下的 张正友标定算法、基于圆的标定算法、1D张正友标定算法、基于Kruppa方程的自标定算法。 2、教学基本要求 通过对计算机视觉的教学活动，对学生的要求按了解、理解、掌握三个层面给出，具体要求如下： (一)计算机视觉概述 1.理解计算机视觉的基本概念。 2.了解计算机视觉的应用前景及发展现状。 (二)摄像机成像 掌握针孔摄像机成像模型。 (三)射影几何
计算机算法设计与分析期末试题 一。选择题 1、二分搜索算法是利用（ A ）实现的算法。 A、分治策略 B、动态规划法 C、贪心法 D、回溯法 2、下列不是动态规划算法基本步骤的是（ A ）。 A、找出最优解的性质 B、构造最优解 C、算出最优解 D、定义最优解 3、最大效益优先是（ A ）的一搜索方式。 A、分支界限法 B、动态规划法 C、贪心法 D、回溯法 4、在下列算法中有时找不到问题解的是（ B ）。 A、蒙特卡罗算法 B、拉斯维加斯算法 C、舍伍德算法 D、数值概率算法 5. 回溯法解旅行售货员问题时的解空间树是（ A ）。 A、子集树 B、排列树 C、深度优先生成树 D、广度优先生成树6．下列算法中通常以自底向上的方式求解最优解的是（ B ）。 A、备忘录法 B、动态规划法 C、贪心法 D、回溯法 7、衡量一个算法好坏的标准是（C ）。 A 运行速度快 B 占用空间少 C 时间复杂度低 D 代码短 8、以下不可以使用分治法求解的是（D ）。 A 棋盘覆盖问题 B 选择问题 C 归并排序 D 0/1背包问题 9. 实现循环赛日程表利用的算法是（ A ）。 A、分治策略 B、动态规划法 C、贪心法 D、回溯法 10、下列随机算法中运行时有时候成功有时候失败的是（C ） A 数值概率算法 B 舍伍德算法 C 拉斯维加斯算法 D 蒙特卡罗算法 11．下面不是分支界限法搜索方式的是（ D ）。 A、广度优先 B、最小耗费优先 C、最大效益优先 D、深度优先12．下列算法中通常以深度优先方式系统搜索问题解的是（ D ）。 A、备忘录法 B、动态规划法 C、贪心法 D、回溯法 13.备忘录方法是那种算法的变形。（ B ） A、分治法 B、动态规划法 C、贪心法 D、回溯法
用分治法解决快速排序问题及用动态规划法解决最优二叉搜索树问题及用回溯法解决图的着色问题 一、课程设计目的： 《计算机算法设计与分析》这门课程是一门实践性非常强的课程，要求我们能够将所学的算法应用到实际中，灵活解决实际问题。通过这次课程设计，能够培养我们独立思考、综合分析与动手的能力，并能加深对课堂所学理论和概念的理解，可以训练我们算法设计的思维和培养算法的分析能力。 二、课程设计内容： 1、分治法： （2）快速排序； 2、动态规划： （4）最优二叉搜索树； 3、回溯法： （2）图的着色。 三、概要设计： 分治法—快速排序： 分治法的基本思想是将一个规模为n的问题分解为k个规模较小的子问题，这些子问题互相独立且与原问题相同。递归地解这些子问题，然后将各个子问题的解合并得到原问题的解。分治法的条件： （1)该问题的规模缩小到一定的程度就可以容易地解决； （2) 该问题可以分解为若干个规模较小的相同问题，即该问题具有最优子结构性质；（3) 利用该问题分解出的子问题的解可以合并为该问题的解； （4) 该问题所分解出的各个子问题是相互独立的，即子问题之间不包含公共的子子问题。 抽象的讲，分治法有两个重要步骤： （1）将问题拆开；
（2）将答案合并； ● 动态规划—最优二叉搜索树： 动态规划的基本思想是将问题分解为若干个小问题，解子问题，然后从子问题得到原问题的解。设计动态规划法的步骤： （1）找出最优解的性质，并刻画其结构特征； （2）递归地定义最优值（写出动态规划方程）； （3）以自底向上的方式计算出最优值； （4）根据计算最优值时得到的信息，构造一个最优解。 ● 回溯法—图的着色 回溯法的基本思想是确定了解空间的组织结构后，回溯法就是从开始节点（根结点）出发，以深度优先的方式搜索整个解空间。这个开始节点就成为一个活结点，同时也成为当前的扩展结点。在当前的扩展结点处，搜索向纵深方向移至一个新结点。这个新结点就成为一个新的或节点，并成为当前扩展结点。如果在当前的扩展结点处不能再向纵深方向移动，则当前的扩展结点就成为死结点。换句话说，这个节点，这个结点不再是一个活结点。此时，应往回（回溯）移动至最近一个活结点处，并使这个活结点成为当前的扩展结点。回溯法即以这种工作方式递归的在解空间中搜索，直到找到所要求的解或解空间中以无活结点为止。 四、详细设计与实现： ● 分治法—快速排序 快速排序是基于分治策略的另一个排序算法。其基本思想是，对于输入的子数组[]r p a :,按以下三个步骤进行排序： （1）、分解(divide) 以元素[]p a 为基准元素将[]r p a :划分为三段[]1:-q p a ，[]q a 和，[]r q a :1+使得[]1:-q p a 中任何一个元素都小于[]q a ，而[]r q a :1+中任何一个元素大于等于[]q a ，下标在划分过程中确定。 （2）、递归求解(conquer) 通过递归调用快速排序算法分别对[]1:-q p a 和[]r q a :1+进行排序。 （3）、合并(merge) 由于[]1:-q p a 和[]r q a :1+的排序都是在原位置进行的，所以不必进行任何合并操作就已经排好序了。
视觉研究中投入巨大，在IEEE 模式分析与机器智能汇刊(IEEE Transactions on Pattern Analysis and Machine Intelligence, IEEE TPAMI)、计算机视觉国际期刊(International Journal of Computer Vision, IJCV)、IEEE图像处理汇刊(IEEE Transactions on Image Processing, IEEE TIP)、IEEE国际计算机视觉大会(IEEE Inter-national Conference on Computer Vision, IEEE ICCV)和IEEE国际计算机视觉与模式识别会议(IEEE Conference on Computer Vi-sion and Pattern Recognition, IEEE CVPR)等顶级国际期刊和会议上发表了许多重要学术论文，产生了许多国际一流的研究成果。其中最受到关注的研究是深度学习，而深度学习领域发表的论文70%以上是关于视觉图像识别方面的。 为了更好地开展学术交流，推动国内计算机视觉学科发展，进一步提升我国计算机视觉研究在国际领域的影响力，中国计算机学会成立了“计算机视觉专业组”。在本期专题中，计算机视觉专业组特别邀请了多位著名的视觉专家从不同角度撰文，介绍计算机视觉前沿与深度学习研究方面的最新进展。 香港中文大学助理教授王晓刚、博士孙祎、教授汤晓鸥共同撰写的《从统一子空间分析到联合深度学习：人脸识别的十年历程》文章，回顾了人脸识别近十年的发展历程。他们的团队使用深度学习开发了DeepID2+系统，在人脸识别最受关注的LFW(labeled faces in the wild)1数据集上取得了人脸确认任务的世界第一，识别率99.47%。深度学习在人脸识别上的巨大成功，并非只是利用复杂模型拟合数据集。DeepID2+系统的神经元响应有很多重要的性质，比如它是中度稀疏的，对人物身份和人脸属性有很强的选择性，对局部遮挡具有良好的鲁棒性。这些性 计算机视觉通常是指用摄像机和计算机代替人眼对目标进行识别、跟踪/测量来实现对客观三维世界的理解。计算机视觉既是科学领域中富有挑战性的理论研究，也是工程领域中的重要应用，在图像检索、安全监控、人机交互、医疗诊断和机器人等领域具有广阔的应用前景。美国和欧洲等先进国家将计算机视觉列为对经济和科学有广泛影响的重大基本问题，计算机视觉也是“谷歌大脑”、“百度大脑”等研究计划中的核心项目。 计算机视觉作为一门学科始于20世纪60年代。随着个人计算机的普及，计算机视觉在80年代取得了重要进展。最近10年，随着计算机性能的大幅提升和互联网的快速发展，新的视觉特征、大数据、稀疏低秩、深度学习等技术的不断涌现，使计算机视觉又迎来了一次突飞猛进的发展，开辟出许多新的研究领域。国内高校与科研单位在计算机特邀编辑：王 涛1 查红彬2 1爱奇艺公司 2北京大学 计算机视觉前沿与深度学习关键词：计算机视觉 深度学习 1 标注过的户外脸部测试数据集。