排列字母ILLINOIS，字母NOS，共有多少种排列方式？

ufool ufool 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 1.5k累计阅读 1.5k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25年
关注
原创 最新推荐文章于 2026-11-11 23:55:04 发布 1.5k 阅读 AI 写同款· GEO 优化 ›
几道关于计数的趣题 1. 用PEPPER的6个字母进行排列，一共有几种不同的排列顺序？ 这题和传统的排列不同，不是单纯的6!就好了，因为有重复元素，即每一个P和E都是相同的，若给所有字母标上下标，则以下三种排列P1E1P2P3E2R1，P2E1P1P3E2R1和P3E1P2P1E2R1都是相同的，这三种排列只能算是一种情况。所以现在我们要做的就是在6!种排列顺序中，挑出所有不同的排列顺序。对于一种给定的顺序比如说P 阅读详情

程序如下：

#include <stdio.h>

// 初使化字符串
void InitString(char str[9])
{
 for (int i=0; i<8; i++)
 {
  str[i] = '_';
 }

 str[8] = '/0';
}

int main(int argc, char* argv[])
{
 int count = 0;
 char str[9];

 // 日志文件
 FILE* log;
 log = fopen("D://testNOS.txt", "w+");
 
 // 穷举法
 for (int i=0; i<8; i++)
 {
  for (int j=0; j<8; j++)
  {
   if (j == i)    
    continue;

   for (int k=0; k<8; k++)
   {
    if (k == j || k == i)
     continue;
    
    InitString(str);
    str[i] = 'N';
    str[j] = 'O';
    str[k] = 'S';
    count++;
    
    printf ("%s /t %d/n", str, count);
    fprintf(log, "%s /t %d/n", str, count);
   }
  }
 }

 fclose(log);

 return 0;
}

输出如下：

NOS_____   1
NO_S____   2
NO__S___   3
NO___S__   4
NO____S_   5
NO_____S   6
NSO_____   7
N_OS____   8
N_O_S___   9
N_O__S__   10
N_O___S_   11
N_O____S   12
NS_O____   13
N_SO____   14
N__OS___   15
N__O_S__   16
N__O__S_   17
N__O___S   18
NS__O___   19
N_S_O___   20
N__SO___   21
N___OS__   22
N___O_S_   23
N___O__S   24
NS___O__   25
N_S__O__   26
N__S_O__   27
N___SO__   28
N____OS_   29
N____O_S   30
NS____O_   31
N_S___O_   32
N__S__O_   33
N___S_O_   34
N____SO_   35
N_____OS   36
NS_____O   37
N_S____O   38
N__S___O   39
N___S__O   40
N____S_O   41
N_____SO   42
ONS_____   43
ON_S____   44
ON__S___   45
ON___S__   46
ON____S_   47
ON_____S   48
SNO_____   49
_NOS____   50
_NO_S___   51
_NO__S__   52
_NO___S_   53
_NO____S   54
SN_O____   55
_NSO____   56
_N_OS___   57
_N_O_S__   58
_N_O__S_   59
_N_O___S   60
SN__O___   61
_NS_O___   62
_N_SO___   63
_N__OS__   64
_N__O_S_   65
_N__O__S   66
SN___O__   67
_NS__O__   68
_N_S_O__   69
_N__SO__   70
_N___OS_   71
_N___O_S   72
SN____O_   73
_NS___O_   74
_N_S__O_   75
_N__S_O_   76
_N___SO_   77
_N____OS   78
SN_____O   79
_NS____O   80
_N_S___O   81
_N__S__O   82
_N___S_O   83
_N____SO   84
OSN_____   85
O_NS____   86
O_N_S___   87
O_N__S__   88
O_N___S_   89
O_N____S   90
SON_____   91
_ONS____   92
_ON_S___   93
_ON__S__   94
_ON___S_   95
_ON____S   96
S_NO____   97
_SNO____   98
__NOS___   99
__NO_S__   100
__NO__S_   101
__NO___S   102
S_N_O___   103
_SN_O___   104
__NSO___   105
__N_OS__   106
__N_O_S_   107
__N_O__S   108
S_N__O__   109
_SN__O__   110
__NS_O__   111
__N_SO__   112
__N__OS_   113
__N__O_S   114
S_N___O_   115
_SN___O_   116
__NS__O_   117
__N_S_O_   118
__N__SO_   119
__N___OS   120
S_N____O   121
_SN____O   122
__NS___O   123
__N_S__O   124
__N__S_O   125
__N___SO   126
OS_N____   127
O_SN____   128
O__NS___   129
O__N_S__   130
O__N__S_   131
O__N___S   132
SO_N____   133
_OSN____   134
_O_NS___   135
_O_N_S__   136
_O_N__S_   137
_O_N___S   138
S_ON____   139
_SON____   140
__ONS___   141
__ON_S__   142
__ON__S_   143
__ON___S   144
S__NO___   145
_S_NO___   146
__SNO___   147
___NOS__   148
___NO_S_   149
___NO__S   150
S__N_O__   151
_S_N_O__   152
__SN_O__   153
___NSO__   154
___N_OS_   155
___N_O_S   156
S__N__O_   157
_S_N__O_   158
__SN__O_   159
___NS_O_   160
___N_SO_   161
___N__OS   162
S__N___O   163
_S_N___O   164
__SN___O   165
___NS__O   166
___N_S_O   167
___N__SO   168
OS__N___   169
O_S_N___   170
O__SN___   171
O___NS__   172
O___N_S_   173
O___N__S   174
SO__N___   175
_OS_N___   176
_O_SN___   177
_O__NS__   178
_O__N_S_   179
_O__N__S   180
S_O_N___   181
_SO_N___   182
__OSN___   183
__O_NS__   184
__O_N_S_   185
__O_N__S   186
S__ON___   187
_S_ON___   188
__SON___   189
___ONS__   190
___ON_S_   191
___ON__S   192
S___NO__   193
_S__NO__   194
__S_NO__   195
___SNO__   196
____NOS_   197
____NO_S   198
S___N_O_   199
_S__N_O_   200
__S_N_O_   201
___SN_O_   202
____NSO_   203
____N_OS   204
S___N__O   205
_S__N__O   206
__S_N__O   207
___SN__O   208
____NS_O   209
____N_SO   210
OS___N__   211
O_S__N__   212
O__S_N__   213
O___SN__   214
O____NS_   215
O____N_S   216
SO___N__   217
_OS__N__   218
_O_S_N__   219
_O__SN__   220
_O___NS_   221
_O___N_S   222
S_O__N__   223
_SO__N__   224
__OS_N__   225
__O_SN__   226
__O__NS_   227
__O__N_S   228
S__O_N__   229
_S_O_N__   230
__SO_N__   231
___OSN__   232
___O_NS_   233
___O_N_S   234
S___ON__   235
_S__ON__   236
__S_ON__   237
___SON__   238
____ONS_   239
____ON_S   240
S____NO_   241
_S___NO_   242
__S__NO_   243
___S_NO_   244
____SNO_   245
_____NOS   246
S____N_O   247
_S___N_O   248
__S__N_O   249
___S_N_O   250
____SN_O   251
_____NSO   252
OS____N_   253
O_S___N_   254
O__S__N_   255
O___S_N_   256
O____SN_   257
O_____NS   258
SO____N_   259
_OS___N_   260
_O_S__N_   261
_O__S_N_   262
_O___SN_   263
_O____NS   264
S_O___N_   265
_SO___N_   266
__OS__N_   267
__O_S_N_   268
__O__SN_   269
__O___NS   270
S__O__N_   271
_S_O__N_   272
__SO__N_   273
___OS_N_   274
___O_SN_   275
___O__NS   276
S___O_N_   277
_S__O_N_   278
__S_O_N_   279
___SO_N_   280
____OSN_   281
____O_NS   282
S____ON_   283
_S___ON_   284
__S__ON_   285
___S_ON_   286
____SON_   287
_____ONS   288
S_____NO   289
_S____NO   290
__S___NO   291
___S__NO   292
____S_NO   293
_____SNO   294
OS_____N   295
O_S____N   296
O__S___N   297
O___S__N   298
O____S_N   299
O_____SN   300
SO_____N   301
_OS____N   302
_O_S___N   303
_O__S__N   304
_O___S_N   305
_O____SN   306
S_O____N   307
_SO____N   308
__OS___N   309
__O_S__N   310
__O__S_N   311
__O___SN   312
S__O___N   313
_S_O___N   314
__SO___N   315
___OS__N   316
___O_S_N   317
___O__SN   318
S___O__N   319
_S__O__N   320
__S_O__N   321
___SO__N   322
____OS_N   323
____O_SN   324
S____O_N   325
_S___O_N   326
__S__O_N   327
___S_O_N   328
____SO_N   329
_____OSN   330
S_____ON   331
_S____ON   332
__S___ON   333
___S__ON   334
____S_ON   335
_____SON   336

 

如果哪个有需要，我再写个验证算法也不困难。

标签
#os #算法 #file
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。
全志T113 Tina5.0开发：（零）源码下载&修改调试串口 本文章主要作为自己的笔记，如有错误欢迎指出$ repo start product-da-t113-tina-stable --all # 全部下载完成之后，创建分支运行过程可能会出现版本问题；rm -rf .repo //先删除试试（ 我安装的是3.6版本） 阅读详情

相关推荐

关于Kswapd的理解（一）

关于Kswapd的理解（一） 之前跟踪了MemAvailable的计算方式，其中watermark的计算花了很多精力，在学习的过程中看到一些资料中说watermark是给swapd使用的，于是乎，研究一下看看咯 本部分主要记录两个方面： 对于kswapd这个东西，从初学者（我）的角度出发会考虑哪些内容？ 跟踪kswapd 初始化结构部分； 1. KSwapd机制 上图是还没有跟踪kswapd code的时候，对自己提出的一些疑问和自身的理解，主要是如下内容： kswapd 机制用来做什么：内存不足时

And乔的博客 2719

aabbcc本质不同的排列数

 aabbcc本质不同的排列数Stainhaus在其名著《一百个数学问题》中给出了如下问题：“由aabbcc这组字母可以得出90种不同的排列，其中有些如aabcbc、aacbcb、bcbcaa及acacbb之间 并无本质差别，因为c、b互换，则可由第一个排列得出第2个排列，若逆向看第2个排列，可以发现它与第三个排列等价；而在第3个排列中，若将a、b互换，则生成第4个排列，我们将这种

estream的专栏 5439

COCO2017数据集类别分布深度解析

本文深入解析了COCO2017数据集的类别分布情况，包括80个常见物体的分类统计和样本数量分析。通过对比训练集与验证集的分布一致性，探讨了数据均衡性问题，并针对高频和低频类别提出了实用的数据预处理和模型训练建议，帮助优化计算机视觉任务的性能。

weixin_42533751的博客 370

视频隐私脱敏工程化：CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中，动态遮挡（Dynamic Masking）是高频且高耗时的环节。传统手动关键帧打码不仅效率低下，且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度，解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 251

手把手教你用DaVinci Configurator配置AUTOSAR SWC接口（含RTE避坑指南）

本文提供了一份基于DaVinci Configurator工具的AUTOSAR软件组件（SWC）接口配置实战指南。文章详细拆解了SR（发送者-接收者）和CS（客户端-服务器）接口的配置流程，并重点分享了运行时环境（RTE）生成阶段在多核部署、数据类型匹配等常见陷阱中的避坑方案与调试技巧，旨在帮助汽车电子工程师高效完成配置并规避错误。

uuu88的博客 548

ANSYS 有限元分析 接触分析

目 录一、前沿二、接触单元类三、接触单元关键选项3.1 CONTA174 KeyOption3.2 TARGE170 KeyOption四、接触分析标准步骤4.1 定义实常数4.2 定义接触和目标单元4.3 创建接触和目标单元五、接触分析实例5.1 MPC5.2 标准接触六、尾声七、参考文献 阿阳的 ANSYS 使用指南，本文仅用于个人学习，除此之外，无其他任何用途。 ANSYS 有限元分析 概述 ANSYS 有限元分析 坐标系/工作平面 ANSYS 有限元分析 几何建模 ANSY

Hulunbuir 4万+

【算法拾光】链表 哈希表｜K个一组翻转链表 + 两数之和

K个一组翻转链表需分段反转，借助哑节点与前驱指针维护连接，避免断链；两数之和利用哈希表实现O(1)查找，空间换时间，高效定位目标组合。前者考察链表指针操作，后者聚焦映射关系构建，均为面试高频题。

wuqingyigexiaoba的博客 320

告别轮询！手把手教你用S32K3的FlexCAN Enhanced FIFO+DMA实现高效CAN FD数据接收

本文详细介绍了如何利用S32K3芯片的FlexCAN Enhanced FIFO与DMA组合方案，实现高效CAN FD数据接收，彻底告别传统轮询和中断模式。通过深度缓冲、智能过滤和DMA联动技术，该方案在5Mbps高负载场景下将CPU占用率从42%降至3%以下，显著提升系统实时性和吞吐量。

weixin_30906185的博客 502

把 KV Cache 压到 FP4：BitDecoding-FP4 的算法-系统协同设计复盘

长上下文推理卡在KV Cache的显存与带宽上，而现有FP4方案要么精度崩、要么速度废。这篇文章复盘BitDecoding-FP4如何用三个算法补丁加一个系统重构，在B300上把服务吞吐提升2.4–3.0倍，精度几乎不掉。

helloagent的博客 263

SAP GR（Group Reporting）配置篇（五）

1.5、合并的货币换算1.5.1指定折算比率菜单路径组报表的SAP S4HANA >合并的货币换算>-指定折算汇率事务代码GCRF说 明1.5.2维护汇率菜单路径组报表的SAP S4HANA >合并的货币换算>维护汇率事务代码CXCC/OB08说 明实际测试的时候根据实际情况维护汇率。输入换算比率。1.5.3定义汇率标识符菜单路径组报表的SAP S4HANA >合并的货币换算>定义汇率标识符事务代码OC41说 明配置了月末汇率和平均汇率。

weixin_43853754的博客 554

等保测评-瀚高数据库

一般适用于等保测评

m0_54146694的博客 1634

排序算法深度笔记（下）：非比较类排序的线性突破与工程边界

排序算法时间复杂度额外空间复杂度稳定性是否基于比较选择排序O(N^2)(O(1))不稳定是冒泡排序O(N^2)(O(1))稳定是插入排序O(N^2)(O(1))稳定是归并排序O(N\log N)(O(N))稳定是快速排序O(N\log N)O(log N)不稳定是堆排序O(N\log N)O(1)不稳定是计数排序(O(N + M))O(M))稳定否基数排序O(N)稳定否桶排序平均O(N) / 最坏O(N^2)

2401_87069538的博客 596

PyCharm 怎么不升级直接使用Jupyter Notebook

在PyCharm 中需要升级到 PyCharm Professional 版本，才能直接使用 Jupyter Notebook。从截图来看，Jupyter Notebook 已经成功启动，并且正在运行。这将在默认网络浏览器中打开一个新的标签页，显示文件浏览器界面。可以在这里创建和编辑。文件添加到 PyCharm 项目中，并使用纯文本编辑功能进行修改。支持与外部工具集成，可以配置它以调用命令行工具或脚本来启动。，参数可以根据需要设置，工作目录设置为项目根目录。，你仍然可以在本地环境中安装和运行。

Davina_yu的博客 996

优选算法：分治-归并排序

交易逆序对的总数

Wangshijie1015的博客 136

OV9734 DATASHEET，完整规格书

OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等

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

算法日常・每日刷题--＜动态规划＞42

本题为“不相交的线”，与最长公共子序列问题相似。使用动态规划求解：定义 dp[i][j] 表示 nums1[0:i] 与 nums2[0:j] 的最大不相交连线数。若元素相等，则继承左上值加1；否则取上方或左方最大值。最终返回 dp[m][n]，即两数组的最大不相交连线数。时间复杂度 O(mn)，空间复杂度 O(mn)。

2503_92261635的博客 23

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

C语言程序设计题｜有序数组插入数字冒泡排序

题目要求将一个数插入有序数组末尾，并用冒泡排序实现整体升序。代码先将输入数存入数组最后位置，再通过双重循环进行冒泡排序，每轮将较大元素向后移动，最终输出11个升序元素。该方法虽时间复杂度为O(n²)，但符合题目要求，逻辑清晰，适合初学者理解排序原理。

2301_81429079的博客 751

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

408 算法 06｜堆与 Top-K：最小的 10 个数，到底该用数组还是堆

2022(42) 找 100 万个数里最小的 10 个，官方给了"10 元素有序数组"和"大根堆"两种答案。我把两种都实现并数了比较次数：k=10 时两者几乎打平，k=10000 时堆少 111 倍。另附 2021(42) 计数排序的比较次数与稳定性实测。

m0_56226131的博客 358

408 算法 04｜主元素与三元组最小距离：两种“扫描时做决定“的思路

2013(41) 的主元素用摩尔投票一遍选出候选，但真正的考点是"选完必须验票"；2020(41) 的三元组最小距离，三指针每次只挪最小的那个，靠的是 D=2×(max−min) 这个恒等式。两套完整 C 代码加真实输出，附官方评分档位表。

m0_56226131的博客 414

牛客周赛165C题(前后缀性质，递推，排序，枚举)

题目大意：给定长度为 `n` 的数组，选择 `k ∈ [1,n]`，将前 `k` 个元素整体翻转，后面的元素不变。要求操作后的整个数组非递减，统计满足条件的 `k` 的数量。题目链接：https://ac.nowcoder.com/acm/contest/141721/C。时间复杂度：O(nlogn)

2501_94316951的博客 172

【数据结构-3】算法美学之降复杂度

在while循环的循环体内，首先用临时变量保存最后一个位置的数据，再通过for循环把所有元素往后移动一位，最后把tmp中保存的值放到下标为0的位置上去。方法二的思路是：创建新数组，让原数组中后k个数据移动到新数组中前面的位置，让原数组中前numsSize-k个数据移动到新数组中后面的位置，这。这段代码的思路是：三次逆置，第一次逆置前numsSize-k个数据，第二次逆置后k个数据，最后整体逆置。这篇博文分享一道解法不一的算法题，求解过程的目的在于降低算法的时间复杂度，题源力扣。，属于空间换时间的操作。

weixin_44218929的博客 89

算法61，判定是否为字符重排

两字符串能互为重排 ⇔。

sheshibenniaodan的博客 219

算法日常・每日刷题--＜动态规划＞32

给定严格递增的正整数数组，求最长斐波那契子序列长度。使用二维DP，dp[i][j]表示以arr[i]、arr[j]为最后两项的序列长度，初始化均为2。通过哈希表快速查找前一项target = arr[j] - arr[i]，若存在且下标小于i，则状态转移：dp[i][j] = dp[k][i] + 1。遍历更新全局最大长度，最终若结果小于3则返回0。时间复杂度O(n²)，空间复杂度O(n²)。

2503_92261635的博客 179

【前缀和+复合离散化】题解：双色矩形(two)_数据结构_算法优化_预处理_二维前缀和_STL_C++算法竞赛

给定一个 $n \times n$ 的黑白棋盘，初始按 $i+j$ 奇偶染色，经 $k$ 个格子颜色翻转后，求子矩形中黑白格子数差的绝对值最大值。由于 $n$ 可达 $10^9$，但 $k \leq 50$，可离散化关键点。枚举所有由修改点构成的矩形及其四边向外扩展（共 $16$ 种扩展方式），利用二维前缀和快速计算变化量，结合奇偶性判断多出的格子颜色，最终取最大绝对差。时间复杂度为 $O(k^4)$，在 $k \leq 50$ 下可行。

YLCHUP的博客 178

算法札记：几何分布在算法题UVA1262的运用

集卡问题求解核心：将集齐n种优惠券的过程分为n个阶段，每个阶段期望购买次数为 $ \frac{n}{k} $（k为剩余种类数），总期望为 $ n \cdot H_n $（调和数）。通过自洽方程推导单阶段期望，无需几何分布或无穷级数，逻辑清晰且适用于大一水平。例如，n=5时期望约11.42，非5。题目要求以带分数形式输出精确结果，算法上需累加分数并化简。

Keven_11的博客 363

SSL证书选RSA还是ECDSA：公钥算法、CA签名与兼容性怎么核对

申请SSL证书时，RSA和ECDSA该怎么选？先分清站点公钥算法、CA签名算法和TLS实际兼容性，再用隔离OpenSSL实验读取两类材料，核对申请、续期和部署交接，避免只看Signature Algorithm就选错。

谁呀！的博客 401
上一篇： 转贴：赵珏琼同学的离散复习总结 V1.0
下一篇： 判断一个矩阵是否为函数
点赞 0
评论 1
书签 书签 0
ufool
ufool
博客等级 码龄25年 12粉丝 8原创
+ 关注
评论 1
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