离散

离散数学-图论-图的基本概念(11) 一个**无向图**G是一个有序的二元组,其中 (1)V是一个非空有穷集,称为顶点集,其元素称为顶点或结点。 (2)E是无序积V&V的有穷多重子集,称为边集,其元素称为无向边,简称边。 阅读详情

小猹的图论笔记

  • 关联次数:是点和边之间的概念。有一个环,该点的关联次数就加2。

    关联矩阵中的元素就是关联次数,纵向和必定是2,可以找到这条边关联的顶点。
    横向和是该点的度,对应各个关联边

  • 任何图中,奇点的个数一定是偶数(握手定理)

  • 若无向图中恰有两个奇点,则这两个奇点必连通:每一个连通分支都是一个单独的图,而图的奇度顶点是偶数个,所以图G中的两个奇度顶点必在同一连通分支内,所以这两个奇度顶点必然连通

  • 强连通图中的可达关系是等价关系

  • 哈密顿通路一定是简单通路 :简单通路是边不重,哈密顿通路是点不重,而点不重边必然不重

  • 若有向图是欧拉图,则一定是强连通的

  • 任何非平凡的无向树都是二部图

    • 无向树先找一个根结点(根顶点),然后与根节点距离为偶数的结点归为一个点集合,与根节点距离为奇数的结点归为另外一个点集合,那么这两个点集合就构成了图中所有顶点集合的划分,而且无向树中所有的边两端的顶点分别属于这两个集合,所以无向树是一个二部图.
  • 树没有回路,所以不是欧拉图或者哈密顿图

  • 无向简单图的Δ\DeltaΔ(G)≦\leqq≦n-1

  • n阶完全图 Kn K2很特殊,没有回路

  • K3,3,K5不是平面图,Kn(n≦4\leqq4≦4)和K2,n(n≧2\geqq2≧2)都是平面图, Kn(n≧5\geqq5≧5)和Ks,t(s,t≧3\geqq3≧3)都不是平面图

  • **极大平面图:**设G为简单平面图,若在G的任意两个不相邻的顶点之间加一条边,所的图为非平面图,则G为极大平面图

    • K1,K2,K3,K4,K5-e都是极大平面图
    • 极大平面图一定是连通的,并且n$\geqq$3时没有割点和桥
    • 设n$\geqq$3的简单连通平面图,G为极大平面图当且仅当G的每个面的次数均为3
    • 设n$\geqq$3的极大平面图G,m=3n-6 对于任意一个简单平面图,m(边数)的上界=3n-6
    • 设G为简单平面图,则G的δ\deltaδ$\leqq$5
  • 极小非平面图:若在非平面图G中任意删一条边,所得图为平面图,则G为极小平面图

    • K5,K3,3都是极小非平面图
  • K4不是欧拉图

  • 同构的图具有相同的度序列,而 度序列相同的图未必同构

  • image-20201226133639992

  • 悬挂点不在任何的点割集中

  • 连通度:点连通度

  • $\kappa(G) ≦\leqq≦\lambda(G)≦\leqq≦\delta(G)$ 等号取到:Kn和N~n都满足 严格小于:在两个Kn之间放一个顶点,并且

连接每一个Kn的两个顶点 书本page305

  • 强连通图与哈密顿图的关系

    • 强连通图:G中存在经过每个顶点至少一次的回路。
    • 所以强连通图(边多容易)很难是哈密顿图(边少容易),强连通图的回路大都要经过一个点很多次,
      哈密顿图不允许
    • 弱连通图:基图是连通图
    • 单向连通图:存在经过每个顶点至少一次
  • 有割点的图一定不是哈密顿图。

  • image-20201226163102303

  • n阶完全图是哈密顿图,不一定是欧拉图(偶数个点),(顶点个数为偶数点时, 哈密顿回路的条数是==(n-1)!/2==

    • 给一个完全图确定方向,得到的有向图是欧拉图的方法:为了保证出度=入度,先画出来一条欧拉通路再标
    • Ks,t不一定是欧拉图,当s,t都是偶数的时候才是欧拉图,当|V1=V2|时,是哈密顿图,当|V2|=|V1|+1时,是半哈密顿图
  • n(n$\geqq$2)阶零图为二部图

  • n(n$\geqq$2)阶竞赛图必定有哈密顿通路

  • 二部图首先是无向图 二部图↔\leftrightarrow↔ 无奇圈

  • 若两个不邻点u,v的度和>=n ,且G∪(u,v)是哈密顿图,那么G图一定也是哈密顿图(充要)

  • K5 K3,3 是所有非平面图的基准(最小单位)

  • 无回路的连通图是树

  • Ks,t的边数 s*t

  • 设T是连通无向图G的一颗生成树,则T的余树不含有G的任何边割集

    哈密顿图专项

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-lqwCgXX8-1609175472247)(https://i.loli.net/2020/12/29/ofvLWD8h3PJmpBy.jpg)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-iUfrxMUb-1609175472253)(https://wkretype.bdimg.com/retype/zoom/77eef822ccbff121dd36834b?pn=7&o=jpg_6&md5sum=96fb370a1b34feaa51b0fdc4ccd54976&sign=50ef25d342&png=111337-129944&jpg=736728-852917)]

哈密顿有向图中有一条包含所有顶点的圈,因此哈密尔顿有向图一定是强连通的

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-5ZMCr8iv-1609175472257)(https://i.loli.net/2020/12/29/FnUifZrRQm79jqw.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ro5P9pLI-1609175472262)(https://i.loli.net/2020/12/29/ctuY6e7MFAQmvgn.png)]

小猹的数理逻辑笔记

一阶逻辑等值演算

量词辖域扩张收缩

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-XiQvprsG-1609175472265)(https://powerpoint.officeapps.live.com/pods/GetClipboardImage.ashx?Id=e82dccec-93c7-4580-bd71-f652d24bcd92&DC=PUS1&wdoverrides=GetClipboardImageEnabled:true)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-wBfIVjPg-1609175472268)(https://powerpoint.officeapps.live.com/pods/GetClipboardImage.ashx?Id=4e62fd0b-3e18-46e2-8ea0-901090790c96&DC=PUS1&wdoverrides=GetClipboardImageEnabled:true)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-TQdtIJZr-1609175472270)(https://powerpoint.officeapps.live.com/pods/GetClipboardImage.ashx?Id=923ec53e-c222-4c43-bcb6-a96db39a734a&DC=PUS1&wdoverrides=GetClipboardImageEnabled:true)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-W03gsyn4-1609175472274)(https://powerpoint.officeapps.live.com/pods/GetClipboardImage.ashx?Id=22f3982d-d60c-48ce-83f6-8589d5931ee7&DC=PUS1&wdoverrides=GetClipboardImageEnabled:true)]

前束范式

  1. 否定词的消去和内移
  2. 利用换名规则和代替规则使得每个量词所约束的变元彼此不同,并且使得不含有既是约束又是自由的个体变项
  3. 辖域扩张

推理理论要用到的等式

  • 命题逻辑中等值式的代换实例。

  • 量词消去等值式

  • 量词否定等值式

  • 量词辖域收缩与扩张等值式

  • 量词分配等值式

  • 其它等值式

    其他等值式
    1. ∀\forall∀x∀\forall∀yQ(x,y)⇔\Leftrightarrow⇔∀\forall∀y∀\forall∀xQ(x,y)
    2. ∃\exists∃x∃\exists∃yQ(x,y)⇔\Leftrightarrow⇔∃\exists∃y∃\exists∃xQ(x,y)

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-CBpLlqGf-1609175472276)(https://i.loli.net/2020/12/28/R5LZQkqBoAg4IhT.png)]

    四条重要的推理规则(只可以对前束范式使用

    全称量词消去规则

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-P0gN6slt-1609175472278)(https://i.loli.net/2020/12/28/7Cw152DmP4yMAOb.png)]

    全称量词引入规则

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-MyyBKTzo-1609175472280)(https://i.loli.net/2020/12/28/nbUCf8Xmr1plV3u.png)]

    存在量词引入规则

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-PtwmpMXh-1609175472283)(https://i.loli.net/2020/12/28/GLMKvP67X3IBEpR.png)]

    存在量词消去规则

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-6h4Yi4Db-1609175472285)(https://i.loli.net/2020/12/28/US2T4LR9qVHcGQI.png)]

小猹的有趣习题

集合、关系

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-U9E36AZF-1609175472287)(https://i.loli.net/2020/12/28/qjQzlPyDdFw4kR1.png)] [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Zoje2O3t-1609175472289)(https://i.loli.net/2020/12/28/39rDVZHIhQYzibf.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ADSLhJan-1609175472292)(https://i.loli.net/2020/12/29/1Mo52FCmI68g7Uy.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-zMxflnO5-1609175472294)(https://i.loli.net/2020/12/28/VGF9zK4iynd1COo.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Z87RuuFe-1609175472297)(https://i.loli.net/2020/12/28/hNMnaHeSzE1qGr5.png)]

数理逻辑部分

  1. 相容或:它联结的两个命题可以同时为真

    排斥或:只有当一个为真,另一个为假时,才为真

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-WlqCq2IS-1609175472299)(https://i.loli.net/2020/12/28/WUEZPlyrF67Ndf8.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-wJHamy6b-1609175472302)(https://i.loli.net/2020/12/28/fUuyOFkYCE6wN9d.png)]

  • [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-yDBzok9N-1609175472305)(https://i.loli.net/2020/12/28/3AbyKmD9EXi7ZQL.png)]

  • img
  • 任意对析取无分配律 存在对合取无分配律

  • C项 ∀\forall∀xA(x)→\to→∀\forall∀xB(x) 前件为假

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-93jVSe5g-1609175472307)(https://i.loli.net/2020/12/28/ORBTntCYFULHAe5.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-wiCcFoOk-1609175472308)(https://i.loli.net/2020/12/28/mgqjEGsthOdQyl1.png)]

图论部分

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-GMbWDrmq-1609175472310)(https://i.loli.net/2020/12/28/2Lz7owb4VlICfuQ.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-781w0lQA-1609175472312)(https://i.loli.net/2020/12/28/Kn3QxbPqGYMwSua.png)]

小猹的重要课本习题

  • 习题五 一阶逻辑等值演算

    5,8,12(1,3,5),13(1,2)

    作业:习题五

[外链图片转存中…(img-wiCcFoOk-1609175472308)]

图论部分

[外链图片转存中…(img-GMbWDrmq-1609175472310)]

[外链图片转存中…(img-781w0lQA-1609175472312)]

小猹的重要课本习题

  • 习题五 一阶逻辑等值演算

    5,8,12(1,3,5),13(1,2)

    作业:习题五

    15(2,4), 24

离散数学 图论基础知识总结 无序对: 两个元素构成的集合{a,b}{a,b}\{a, b\}称为无序对, 若A,BA,BA, B为两个集合,则 {{a,b}|a∈A∧b∈B}{{a,b}|a∈A∧b∈B}\{\{a, b\} | a\in A \land b \in B\} 为AAA与BBB 构成的无序积 与笛卡尔积的区别在于构成笛卡尔积是由有序对构成 无序积 中的无序对的两个元素不分次序同时又可以是相同的 ... 阅读详情

相关推荐

数据离散化 - 等宽&等频&聚类离散 - Python代码

目录 等宽离散 等频离散 聚类离散 附录: rolling_mean函数解释 cut函数解释 其他数据预处理方法 一些数据挖掘算法中,特别是某些分类算法(eg:ID3算法、Aprioroi算法等),要求数据是分类属性形式。因此常常需要将连续属性变换成分类属性,即离散化。 离散化就是在数据的取值范围内设定若干个离散的花粉店,将取值范围划分为一些离散化的区间,最后用不同的符号护着整数...

黄饱饱 3万+

小猹学图论

小猹的图论笔记 关联次数:是点和边之间的概念。有一个环,该点的关联次数就加2。 关联矩阵中的元素就是关联次数,纵向和必定是2,可以找到这条边关联的顶点。 横向和是该点的度,对应各个关联边 无向简单图的Δ\DeltaΔ(G)≦\leqq≦n-1 n阶完全图 Kn K2很特殊,没有回路 K3,3,K5不是平面图,Kn(n≦4\leqq4≦4)和K2,n(n≧2\geqq2≧2)都是平面图, Kn(n≧5\geqq5≧5)和Ks,t(s,t≧3\geqq3≧3)都不是平面图 **

HYpython的博客 1252

连续属性离散化

离散化技术分类连续属性的离散化方法也可以被称为分箱法,即将一组连续的值根据一定的规则分别放到其术语的集合中。 本文介绍了几种监督离散化和非监督离散化的方法。

星之所在 1万+

【离散数学】图论

图论知识

nathanqian123的博客 1万+

机器学习——特征工程——数据离散化(时间离散,多值离散化,连续数据离散化,分位数,聚类法,频率区间,二值化)

离散化:就是把无限空间中有限的个体映射到有限的空间中。数据离散化操作大多是针对连续数据进行的,处理之后的数据值域分布将从连续属性变为离散属性。 离散化方式会影响后续数据建模和应用效果: 使用决策树往往倾向于少量的离散化区间,过多的离散化将使得规则过多受到碎片区间的影响。 关联规则需要对所有特征一起离散化,关联规则关注的是所有特征的关联关系,如果对每个列单独离散化将失去整体规则性。...

huangguohui_123的博客 1万+

离散正交变换

离散傅立叶变换将一个长度为NNN的复数序列xnx(n)xn变换到另一个同样长度为NNN的复数序列XkX(k)Xk。Xk∑n0N−1xn⋅e−j2πNknk012N−1Xk∑n0N−1​xn⋅e−jN2π​knk012...N−1其中,xnx(n)xn是原始序列的第nnn个样本,XkX(k)Xk是变换后序列的第kkk个样本,nnn是时域索引,kk。

weixin_39699362的博客 1536

离散数学重点(第四部分)

四.图论 离散数学的知识只包括本人根据自身前提情况认为有必要一看的内容 1. 边点关联:设ek=(vi,vj)为无向图G的一条边。vi,vj为ek的端点。则ek与vi,vj关联。 若vi≠vj,则关联次数为1;若vi=vj,则关联次数为2. 2. 无向图关联矩阵:mij为顶点vi与边ej的关联次数。则(mij)为G的关联矩阵。 3. 有向图关联矩阵:(不能有环) mij = : 1:vi为ej的起点 0:vi与ej不关联 -1:vi为vj的终点 则(mij)为D的关联矩阵,记作M(D) 4. 握手

Reast1nPeace的博客 6946

NCCL使用指南-进阶篇

前文介绍了NCCL的常用环境变量,本文介绍了NCCL-test性能基准测试,以及一些大规模集群测试的经验数据。

father_yingying的博客 1408

离散化

概念 离散化(Discretization),把无限空间中有限的个体映射到有限的空间中去,以此提高算法的时空效率。通俗的说,离散化是在不改变数据相对大小的条件下,对数据进行相应的缩小。例如: 原数据:1, 999, 100000, 15;处理后:1,3,4,2。 原数据:{100, 200},{20, 50000},{1, 400};处理后:{3,4},{2,6},{1,5}。 有的时候,我...

努力中的老周的专栏 1万+

DexProtector内存校验绕过与DEX提取实战

DEX文件是Android应用的核心执行单元,其动态加载与运行时保护机制直接关系到App安全强度。DexProtector作为主流商业加固方案,摒弃传统文件级防护,转而依托ART虚拟机下的匿名内存映射段(anonymous mmap)构建多维校验体系——涵盖字节码完整性校验、内存页属性检测及运行时环境感知。其技术价值在于将防护锚点从静态APK迁移至动态内存态,大幅提升逆向门槛。典型应用场景包括金融类App的防篡改加固、游戏客户端的反外挂保护,以及政企应用的合规性安全增强。本文聚焦DexProtector v

weixin_30315435的博客 714

ROS2初级面试题汇总

总结和收集了一些关于ros2的问题和解答记录

qq_57633442的博客 5576

离散化算法

离散化算法的介绍及代码实现。

涛涛的个人博客 1万+

TOPCon vs PERC:2024年光伏电站投资,哪种技术更划算?

本文深入分析了2024年光伏电站投资中TOPCon与PERC技术的财务表现。通过对比初始系统成本、全生命周期发电量及环境适应性,指出当前TOPCon组件与PERC价差已显著缩小,其更高的转换效率和更低的衰减率能有效降低度电成本并提升项目内部收益率,为投资者提供更具长期价值的方案。

p5l2m9n4o6q的博客 267

离散化:两种离散化方式详解

引入 离散化,就是把一些很离散的点给重新分配。 举个例子,如果一个坐标轴很长(>1e10),给你1e4个坐标,询问某一个点,坐标比它小的点有多少。 很容易就知道,对于1e4个点,我们不必把他们在坐标轴上的位置都表示出来,因为我们比较有多少比它小的话,只需要知道他们之间的相对大小就可以,而不是绝对大小,这,就需要离散化。 而离散化又分为两种,分为的两种是对于重复元素来划分的。第一种是重...

曹老师 5万+

从AMBA到USB:手把手教你评估和选择Synopsys DesignWare里的免费商用IP

本文详细介绍了如何评估和选择Synopsys DesignWare中的免费商用IP,从AMBA到USB等关键模块。通过技术参数核对、验证环境评估和集成注意事项,帮助工程师高效利用这些经过硅验证的商业级IP,提升SoC设计效率。文章还探讨了免费IP与付费IP的边界策略,避免常见陷阱。

weixin_42683394的博客 299

36、T5L 迪文屏C51开发之绘制动态曲线

T5L 迪文屏C51开发之绘制动态曲线1、介绍2、例程功能简介3、GUI界面设计3、C51程序设计 1、介绍   本文将利用DGUS Tool软件中的【动态曲线控件】来绘制曲线效果,在T5L迪文屏中总共支持8个通道的曲线,而曲线数据是需要缓冲区的,如果 8 通道曲线同时使用,0x1000-0x4FFF 将作为曲线缓冲区地址,此时该部分变量地址不能被其他控键使用,其他控键地址使用范围为0x5000-0xFFFF,当某曲线通道不被使用时,那么其所对应的缓冲区地址可以做其他用途,曲线通道具体的地址分布如下图所示:

嵌入式羊圈 3135

离散化(算法)

一、离散化的概念 二、离散化的模板 三、离散化的应用{题目 思路分析 代码实现}

咸鱼势力登场 1万+

【七.三维视觉与视频分析】【1.点云处理:PointNet++/PointTransformer】

各位老铁,今天咱们要聊的可不是普通的二维图像处理,而是三维视觉领域最硬核的技术——点云处理。从最早的PointNet到如今的PointTransformer,这场技术进化堪比三维版的"像素革命"。今天咱们就深入解剖两大里程碑:PointNet++和PointTransformer,保证让你看完全文就能在点云领域横着走!想象一下,你抓了把沙子撒在空中,每粒沙子的位置都是三维坐标——这就是点云的典型形态。最后送大家一句话:点云处理就像在三维宇宙中寻找星辰的轨迹,既要望远镜的宏观视野,也要显微镜的细致入微。

商务合作|问题讨论|交流学习 请联系作者微信,加微信请务必注明来意,博客主页有联系方式 474

算法里面的离散化

离散化的主要目的是将连续的值或大范围的值映射到一个有限的集合中,以便进行高效的存储和处理。这通常通过对连续的数据进行排序、分组、或者映射来实现。离散化的关键是将原始的、可能是连续或无限范围的数据,转化为有限且可处理的编号或索引。这样不仅优化了存储空间,也提高了数据处理的效率。二、在算法中,“映射”是指将一个集合中的每个元素通过某种规则或函数转换为另一个集合中的元素的过程。这一概念广泛应用于数据处理、函数设计和数据结构中。

admin_zbn的博客 1984

EML 全面实践指南:把 SAP RAP 业务对象玩出工程化的稳定与优雅

本文面向掌握ABAP基础、正在实施RAP的开发者,深入讲解EML(Entity Manipulation Language)的核心用法。文章围绕READ ENTITIES、MODIFY ENTITIES、COMMIT ENTITIES三大语句,详细解析其语义、类型体系、事务机制及工程实践。重点内容包括:字段裁剪、派生类型、草稿控制、批量更新、事务缓冲与保存序列等关键技术点,并配合真实案例代码。旨在帮助开发者在SAP ABAP On-Premise和BTP环境中构建可维护、可演进的业务对象访问层,同时避免常见

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 332

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

为什么离散化,离散化的优势

在机器学习中,很多人在处理连续数据的时候,很多情况下要将连续数据离散化,那么什么时候离散化,离散化的好处是什么? 目录 连续数据概念 离散化概念 离散化原因 离散化的优势 连续数据概念 连续数据,统计学概念,又称连续变量。指在一定区间内可以任意取值、数值是连续不断的、相邻两个数值可作无限分割(即可取无限个数值)的数据 离散化概念 百度概念 : 离散化,把无限空间中有限的个体映射到有限的空间中去,以...

qq_44204370的博客 2836

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

python数据离散化

离散化,就是把无限空间中有限的个体映射到有限的空间中。数据离散的操作大多是针对连续数据进行的,处理之后的数据值域分布将从连续属性变为离散属性。离散化通常针对连续数据进行处理,但是在很多情况下也可以针对已经是离散化的数据进行处理,这种场景一般是离散数据本身的划分过于复杂、琐碎甚至不符合业务逻辑,需要进一步做数据聚合或重新划分。

talle2021的博客 4752

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

模型离散化器

什么是模型离散化器? 模型离散化器有选择地将连续 Simulink®模块替换为离散模块。离散化是数字控制器设计中的一个关键步骤,用于硬件在环仿真。 模型离散化器可用于: 识别模型的连续模块 将模块的参数从连续更改为离散 将离散化设置应用于模型中的所有连续模块或所选模块 创建随原始连续模块一起包含多个离散化候选项的可变子系统 在不同离散化候选项之间切换并计算生成的模型仿真 模型离散化器不支持封装子系统。 要求 使用模型离散化器需要...

jk_101的博客 3905

离散化处理

什么是离散化呢?比如有这么一道题: 题目描述 小鱼有 n 名优秀的粉丝。 粉丝们得知小鱼将会在一条直线上出现,打算去膜他。为了方便,粉丝们在这条直线上建立数轴。 第 i 名粉丝有一个侦查区间[li,ri] 。如果小鱼在 j(li≤j≤ri) 处出现,这名粉丝将立刻发现并膜他。 小鱼希望膜他的人越多越好,但是他不能分身,因此只能选择一个位置出现。 小鱼想知道自己最多能被多少个人膜。 输入 第一行一个整数n —— 粉丝的个数。 接下来 n 行,每行两个整数 li,ri ,分别表示第 i 名粉丝的侦查区间的两个端

PushyTao的博客 3703

【算法】什么是离散化

离散化,本质上是一种哈希,它在保持原序列大小关系的前提下把其映射成正整数。它可以有效的降低时间复杂度。离散化可以改进一个低效的算法,甚至实现根本不可能实现的算法。

指针不指南吗的博客 2412
上一篇: 汇编期末救命
下一篇: 数据结构必考好
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值