给出两个相同维数的向量，向量的分量顺序任意，求向量内积的最小值

animalcoder animalcoder 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.6k累计阅读 1.6k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄9年
关注
原创 最新推荐文章于 2026-08-10 12:20:17 发布 1.6k 阅读 AI 写同款· GEO 优化 ›
正规方程原理与实战：从几何投影到数值求解 正规方程是线性回归的闭式解法，本质是通过最小二乘准则在高维空间中寻找目标向量在特征列空间上的正交投影。其数学基础涵盖线性代数（列空间、正交性、伪逆）、矩阵微积分（梯度推导）与数值分析（条件数、LU分解）。相比迭代优化方法，它无需调参、结果确定，但时间复杂度为O(mn²+n³)，仅适用于中小规模数据。实际应用中需关注XᵀX的可逆性、多重共线性诊断、特征缩放对数值稳定性的影响，并可通过np.linalg.solve替代显式求逆提升鲁棒性。本文结合几何直觉、代数推导与NumPy实测，系统解析正规方程的技术价值与工 阅读详情

2008Round1 A

题意：给出两个相同维数的向量，向量的分量顺序任意，求向量内积的最小值

样例：

ip:

3

1 3 -5

-2 4 1

op:-25 

思路：数学题。。暴力不可行，通过灵敏的数感，发现一个向量升序，另一个向量降序的内积会最小。。。不会证明0.0，归纳法？

注意：结果会超int


收录于
ACM--数学

当前文章被收录于：

ACM--数学
11 篇文章 0 人学习
订阅专栏 查看详情
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
28、语义空间：不同子空间距离的测量 本文围绕语义空间中不同子空间距离的测量展开深入探讨，介绍了语义空间的基本概念及其在希尔伯特空间中的表示方法，并详细讨论了多种子空间距离的度量方式，如主角度、测地线距离、弦距离和子空间距离。通过初步实验验证了子空间距离在衡量文档语义关系方面的有效性。此外，还探讨了子空间距离在量子态区分、超平面填充问题和相互无偏基检测等领域的应用，分析了其在自然语言处理任务中的潜力。文章总结了子空间距离的优势与局限性，并提出了未来研究方向，包括计算方法优化、多模态数据融合和更广泛的任务拓展。 阅读详情

相关推荐

【12】 神经网络与深度学习（下）

12章下

课题分离 367

向量最小内积

最小内积 题目描述 考虑两个向量 v1=(x1,x2,…,xn)和v2=(y1,y2,…,yn)，向量的内积定义为x1y1+x2y2+…+xnyn。例如向量(1,9,8,8)和(0,9,1,1)的内积是1×0+9×9+1×8+1×8=97。下面我们考虑这样一个问题，如果我们能够任意的重新排列v1 和v2 中的分量（但是不能修改，删除和添加分量），然后再计算内积。显然这样计算的内积取决于选择的重排方...

qq_41726230的博客 1901

【信息科学与工程学】计算机科学与自动化——第八十四篇 C++分布式软件高并发/高可用算法01

4. 提交：协调者选择提交时间戳(>所有读时间戳)，两阶段提交：a) 写意图预提交到所有参与者，b) 参与者持久化后确认，c) 协调者决定提交，异步清理意图。：客户端请求发送到协调节点，协调节点根据路由转发到主分片所在节点。Span有父子关系。1. 索引文档：客户端发送PUT请求到协调节点，协调节点路由到主分片节点，主分片写入本地，然后并行复制到副本分片，等待确认后响应客户端。3. 搜索：客户端发送搜索请求到协调节点，协调节点广播到所有相关分片，每个分片执行查询，返回结果，协调节点合并、排序、分页后返回。

weixin_49199313的博客 1077

(code jam)Problem A. Minimum Scalar Product

Problem You are given two vectors v1=(x1,x2,...,xn) and v2=(y1,y2,...,yn). The scalar product of these vectors is a single number, calculated as x1y1+x2y2+...+xnyn. Suppose you are allowed to perm

无奈滴微笑 957

WebVTT中的文本轨道（Text Tracks，TT）到底是什么鬼？

WebVTT，全称是The Web Video Text Tracks Format，意思是网络视频文本轨道格式。那么到底什么是文本轨道（Text Tracks）呢？这篇文章希望一探究竟。

码农1479的博客 1985

SLG项目开发经验二_大地图设计与实现

本文深入探讨了SLG游戏大地图设计与实现的关键技术，包括网格化业务框架、AOI系统优化、边界处理方案以及行军系统实现。通过Unity引擎的实践案例，详细解析了大地图性能优化的核心策略，如分块加载、GPU Instancing和差异同步协议，为SLG项目开发提供宝贵经验。

weixin_29001419的博客 219

最小向量积

题目重述: 两个N维向量的点积定义为，对应维度上的数的乘积之和。 两个三维向量[1, 3, −5]和[4, −2, −1]的点积是1 * 4 + 3 * (-2) + (-5) * (-1) = 3 现在允许我们对两个向量里的维度重新排列，让点积尽可能小。 例如上述两个向量，我们可以调整维[3,1,-5]和[-2,-1,4]，点积是-27。 输入格式： 多组数据，每组数据第一行是一个整数n,

Proteus 589

YOLOv8的Anchor-Free革新：从中心点预测到动态IoU匹配的全面解析

本文深入解析了YOLOv8采用Anchor-Free（无锚框）设计的核心优势与实现机制。通过摒弃预设锚框，模型直接预测目标中心点与宽高，结合解耦头、动态IoU匹配及Varifocal Loss等创新，显著简化了训练流程并提升了检测精度，尤其在小目标检测和模型泛化能力上表现突出。

weixin_29094301的博客 356

向量点乘最小值

两个n维的向量，向量的点乘是指将向量对应维度的乘积相加，但是我们可以将向量维度交换下可以得到更小的向量点乘，例如3维向量：【1, 3, −5】和【4, −2, −1】，最小向量点乘为-27，即将维度变为：[3,1,-5]和[-2,-1,4]，程序设计要求：输入一个整数n为向量的维度，然后输入两个n维度的向量，用空格区别向量元素，输出为一行，包含一个整数，为最小的点乘。 我写的代码为： #i

3374

十大排序算法详解（一）冒泡排序、选择排序、插入排序、快速排序、希尔排序

冒泡排序、选择排序、插入排序、快速排序、希尔排序

HK的博客 18万+

Surface Pro 4/5/6/7保姆级黑苹果安装：从Windows分区到OC引导配置全流程（含EFI文件替换避坑）

本文详细介绍了在Surface Pro 4/5/6/7上安装黑苹果的全流程，包括Windows分区、OC引导配置和EFI文件替换等关键步骤。通过实战经验分享，帮助用户避开常见陷阱，实现Windows与macOS双系统完美共存，特别适合对黑苹果安装感兴趣的Surface Pro用户。

weixin_30300225的博客 1359

线性代数 05.01 向量的内积

向量的内积

一朵花开的时间 8461

Modis数据处理工具：MRT百度网盘下载和手把手图文安装教程

如下图所示为MODIS Reprojection Tool（MRT）的软界面，看似简单，却是Modis遥感影像必不可少的处理工具，如投影变换等。本文以图文并茂的形式，详细讲解MRT软件在Windows10平台上的安装过程，并附MRT软件百度网盘下载地址。 Modis Tool主界面： 一、安装过程 1、安装Java运行环境 双击Java.exe，安装运行环境。默认的安装路径为C:\Program Files (x86)\Java\jre6\bin，后面需要用到这个路径。 等待...

智慧空间实验室 2623

GAMES001 Mathematics in Computer Graphics学习:内积、外积、向量积

这一节讲向量之间两种最基本的乘法：内积（点乘，结果是一个数）和叉积（也叫外积、向量积，结果是一个向量）。这两种"乘法"是线性代数和几何、物理里都绕不开的基础工具，下面从定义、几何意义、坐标公式三个层面，从零讲清楚。两个向量 a\boldsymbol aa 和 b\boldsymbol bb 的内积（也叫点积、数量积），记作 a⋅b\boldsymbol a\cdot \boldsymbol ba⋅b 或者 ⟨a,b⟩\langle \boldsymbol a,\boldsymbol b\rangle⟨a,b

虾球 280

【报错解决】OpenClaw 报错 `openclaw: command not found`：全局命令未加入系统 PATH 的深度排查与修复指南

在国产AI工具链开发中，OpenClaw作为关键命令行工具常出现command not found报错。本文深度分析该问题的根源——Linux环境变量PATH未包含用户级安装目录（~/.local/bin）。通过四种解决方案（临时PATH修改、永久配置、软链接、虚拟环境处理）和排错Checklist，揭示"命令存在却找不到"的本质是路径配置问题，特别适用于Docker/国产Linux/非root环境。文中强调理解Linux工具链机制对国产AI开发的重要性，并指出这是开发者掌握环境

博客 5382

uniapp中使用canvas生成海报，并下载保存到手机相册

如下图，是在H5中，canvas生成后的效果，首先说明，H5不支持返回图片的临时路径，不能用于保存，APP端生成成功后，会返回图片的临时路径用来保存到相册。本地测试，用的网络图片，没有出现跨域的问题，APP端也正常显示。 完整代码：可以将整个代码复制到你得uniapp项目中直接运行。代码中做了详细的注册，关于API的用法，这里只标注的简单的提示，具体还是参考 官方链接uniapp-canvas吧 <template> <view class="demo"> <c.

sunluyi的博客 3万+

hdu1166 线段树单点更新区间查询

题意：单点修改：人数+= c区间查询：【l,r】人数和思路：单点暴力修改到叶子区间信息：维护加法和难度：0.5866ms #include&lt;stdio.h&gt; #include&lt;math.h&gt; #include&lt;iostream&gt; using namespace std; const int inf=0x3f3f3f; struct Stree { int va...

animalcoder 224

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件

北航第十二届程序设计竞赛网络预赛__M最小内积

M 最小内积 时间限制：1000ms   内存限制：131072kb 题目描述 给定两个 nn 维向量 A⃗ =(x1,x2,⋯,xn)A→=(x1,x2,⋯,xn) 和 B⃗ =(y1,y2,⋯,yn)B→=(y1,y2,⋯,yn) ，定义它们的点积为 A⃗ ⋅B⃗ =∑1≤i≤nxi⋅yiA→⋅B→=∑1≤i≤nxi⋅yi 对于每个向量，它的每个分量互不相同，

ACpartner的博客 860

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

算法题：一起来挑战GCJ

一起来挑战GCJ 学习博客：书本知识加上自身理解更好的描述分享与大家???? 2.7.1 Minimum Scalar Product 题述： 有两个向量 v1={x1,x2,x3,…xn}和 v2 ={y1,y2,y3,y4…yn}，允许任意交换 v1和v2各自的分量的顺序。请计算 v1 和 v2的内积 x1y1+。。。+ xnyn 的最小值。 题解： @1：如果我们先固定 v1的排列顺序，之后枚举 ...

专注游戏研发 504

温度PID控制PLC程序

温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值

特征检测：SIFT 与 SURF（尺度不变 / 加速稳健特征）【计算机视觉】

在上一章《角点检测：Harris 与 Shi-Tomasi 原理拆解》中，我们掌握了基于局部灰度变化的角点检测方法，这类算法能有效定位图像中的角点，但存在明显局限——缺乏尺度不变性、旋转不变性，且仅能提供特征点位置，无法实现鲁棒的图像间特征匹配。为解决该问题，本章将重点讲解两类经典的稳健局部特征算法：SIFT（Scale-Invariant Feature Transform，尺度不变特征变换） 与 SURF（Speeded Up Robust Features，加速稳健特征）。前者实现了多尺度下稳定特征的

Sagittarius_A*的博客 9566

线性回归两大解法：梯度下降与正规方程深度解析

线性回归是机器学习的基石模型，其核心目标是最小化均方误差（MSE）——这一基础优化问题催生了两类根本性求解范式：基于迭代更新的梯度下降与基于矩阵求逆的正规方程。前者依托数值计算与一阶导数信息，在大规模、高维或在线场景中具备强扩展性；后者通过令梯度为零导出闭式解，体现了解析优化的确定性与几何本质。二者统一于同一损失函数，却在计算复杂度、内存需求、特征敏感性及适用边界上形成鲜明互补。理解它们的推导逻辑、失效条件（如$X^TX$奇异）与工程权衡（如特征缩放对梯度下降的必要性），不仅是掌握线性模型的关键，更是通向深

weixin_30268921的博客 369

统计·数值分析·概率论·人工智能数学基础

参考文献： 1、《计算统计-[美]Geof H.Givens-人民邮电出版社-2009》 2、《数值分析_李庆扬_第五版》 3、 4、 5、 6、 7、 8、 9、

zashizhi3299的博客 7540

AI入门：适合小白

本文摘要系统梳理了《人工智能基础》一书的核心内容，涵盖人工智能基础理论及典型应用场景。首先介绍了人工智能的定义、实现方式（机器学习、强化学习）及分类任务中的特征提取与分类器构建方法；其次详细阐述了图像识别（卷积神经网络）、音频处理（MFCC特征）、视频行为分析（光流技术）等感知技术；最后探讨了无监督学习中的聚类算法（K均值、层次聚类）及自然语言处理技术。全书以"理论-方法-应用"为主线，结合医疗诊断、人脸识别等实例，系统呈现了人工智能从基础概念到前沿技术的知识图谱。

qq_64465084的博客 392

神经网络与深度学习课程总结笔记

神经网络课程学习记录

a1771821366的博客 589

自指递归结构驱动认知流形可穿越虫洞形成机制（SH9认知几何学框架深化研究版）——算子表示、场方程、拓扑动力学与可验证实验方案

本文深化了SH9认知几何学框架，提出自指递归结构驱动认知流形形成可穿越虫洞的完整机制。研究通过严格数学定义自指递归算子，推导认知流形动力学场方程，建立递归对抗平衡的定量模型，并将拓扑割补与代数拓扑同胚映射锚定。关键发现包括：双向耦合自指递归是产生负曲率源、形成虫洞喉部的唯一内生机制；递归深度需突破5-9层临界阈值才能触发拓扑相变；设计了多指标实验方案验证理论预测。研究为理解顿悟、共情等认知现象提供了新的几何动力学解释框架，所有理论变量均绑定可测量指标，具备严格的可证伪性。

方见华 595

CP分解：高维数据分析的核心算法与工程实践

在数据科学和机器学习领域，矩阵分解是揭示数据潜在结构的基础技术，如主成分分析（PCA）和奇异值分解（SVD）。其核心原理是通过将高维数据投影到低维空间，提取关键特征并实现数据压缩，这为推荐系统、图像处理等场景提供了巨大技术价值。然而，现实世界的数据往往具有三个或更多维度，例如“用户-商品-时间”或“脑电图通道-时间-频率”，传统的矩阵方法对此无能为力。张量分解作为矩阵方法的高维推广，应运而生，它能有效处理这类多维数据。其中，CP分解因其模型简洁和可解释性强，成为应用最广泛的张量分解方法之一。它通过交替最小二

cuankuangzhong6373的博客 361
上一篇： Codeforces Round #381 (Div. 2) #V
下一篇： 区间素数筛选 poj2689
点赞 2
评论 0
书签 书签 1
animalcoder
animalcoder
博客等级 码龄9年 43粉丝 150原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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