疯狂小羊的博客

粒子群算法自提出已经被广泛的应用，其实质是一个向其全局最优点收敛的过程，在收敛的过程中根据个体当前位置和速度，个体经验和种群经验进行新的位置和速度的更新，因为在这更新的过程中会有新的点被访问到，所以新的个体与全局位置就有可能在这一过程中被不断的更新，当全局最优点被更新以后，因为收敛中心发生变化所以整个粒子群又会向新的收敛中心收敛，不断的进行这种收敛中心的变化来找到我们想要的最优点。但是由于其收敛的

最近在做星图识别匹配，因为需要对星表进行星等排序，对星等比较小，比较亮的星星进行优先选择匹配，考虑到速度问题采用快速排序对其进行排序。正常的快速排序应该像方法一写的所示，但是考虑到代码量的精简，所以改动了原来的算法，使用算法二对其进行排序，刚开始数据混乱无序时，算法二的确没有问题，所以相信这种改进是有效的且更精简，但是有一天使用了一个1度视场的星表(有序)，星的数目大于10000时，发现算法提示堆

针对一个高级查询页面，如何找出相关的input，select元素，如何找到他们相对应的文本信息很重要的一件事，特别是在都是未知的页面中取做的话，如果是对于固定的一些网站，我们可以根据相关的id或namw来定位，因为网站固定，相当于信息源稳定，但是对于未知的网站网页，此种方法就不适用，所以提出一些相对较通用的启发式搜索来定位输入元素或下拉框元素所对应的文本信息，所谓的文本信息就是，比如获取导论题名相

使用了两种方法实现归并排序，一种申请了额外了数组空间来存储有序化序列，一种直接利用原先的存储空间，直接进行元素的交换而已。前一种方法比较简单，就是把待排序的序列有序的存储到一个额外的存储空间，后面在对原序列进行赋值替换，而后一种方法要注意元素指针的移动和移动的条件。算法一：申请额外数组进行中间存储void Merge(int[] a,int l,int mid,int r){int t

度娘的定义：k-d树（k-dimensional树的简称），是一种分割k维数据空间的数据结构。主要应用于多维空间关键数据的搜索（如：范围搜索和最近邻搜索）。K-D树是二进制空间分割树的特殊的情况。度娘还给了具体的例子来讲解如何去构造一颗kd树。发现好多博客都一样，来源于度娘本身。以java实现了它，现在分解下代码的实现步骤。一、对于KD树的数据结构，设计为：class SNod

kd树已经构造好，如何查找kd树，接着上篇博文void searchPathFinding(double []target,SNode kd_point){//TODO 发现路径Stack> pathStack = new Stack>();while(kd_point!=null){pathStack.push(kd_point);System.out.println(k

K最近邻(k-Nearest Neighbour，KNN)分类算法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。k近邻算法的想法很简单，类似于多数表决，关键点是参与多数表决的人是离你最近的k个人。给定一个实例，首先从训练集中找到离这个实例最近的k个实例，然后根据这k个实例中哪个标签出现次数最多决定该实例的标签