优化算法概论 理想的优化算法有以下几个特点 数值解 {xk}k = 0∞的迭代，实际中操作使用有限次，满足一定条件停止迭代即可 单调性，满足f(xk + 1) < f(xk − m)就很好，但是往往碰到螺旋下降的情况 策略 ：xk如何到xk + 1? 线搜索方法 xk + 1 = xk + αkpk 这里αk是一个很小的正量表示步长，pk表示方向，线搜索方法就是先定方向，再定步长 信赖域

基本思想 支持向量机的基本思想就是用一个超平面来划分一群点，达到二分类效果。寻找超平面过程中。我们使用最小化间隔的思想，使得svm具有鲁棒性。 硬间隔SVM 欲分类点记为(xi, yi)i = 1N共N个，预测结果yi取值为0，1 我们的判别模型可以表示为 f(w) = sign(wTx + b) 其中wTx + b = 0就是1划分所用的超平面，因此约束条件可以表示为 yi(wTx + b) &

算法竞赛集训笔记（一） c++stl 基础内容，从hello world谈起 1234567#include <iostream>using namespace std;int main(){ cout<<"hello world!"<<endl; return 0;} c语言的头文件在c++全部可以使用，但是

整数规划 整数规划 整数线性规划用intlinprog求解 整数非线性规划无求解算法，只能模拟，使用蒙特卡罗或其他智能算法 个人觉得，选取决策变量是建模时及其关键的一步！ 01整数规划 依然可以考虑使用求解器求解，只要限制lb=0，ub=1即可 一些例题 学校选址要求覆盖全部小区 $\begin{array}{|c|c|c|c|c|c|c|c|c|}\hline\text{备选校址}&

NOIP2003 普及组 栈 考虑的是这样一个问题：一个操作数序列， 1,2,…,n（图示为 1 到 3 的情况），栈 A 的深度大于 n。 现在可以进行两种操作， 将一个数，从操作数序列的头端移到栈的头端（对应数据结构栈的 push 操作） 将一个数，从栈的头端移到输出序列的尾端（对应数据结构栈的 pop 操作） 问可以构成多少排列？ 记忆化搜索 本题关键在于用怎样的数据结构模拟过程，起先我希望

高精度算法模版（自拟自用） int -2147483648～2147483647 加法，其实就是模拟竖式计算，但是cin的数其高位在数组小脚标位置，我们做加法应该从自然数低位开始加法，因此在string转换为int数组（也可以vector）时倒序填入，然后用一个新数组存放两个数组相加得到的结果，最后倒序输出这个新数组即可。。 123456789101112131415161718192021222

Day 1 小专题 多个输入 读入大量数据的范式 比如，求未知个整数的和 12345678910111213int main(){ int c=0; int x; while(true) { cin>>x; if(!cin) break; c+=x; } cout<<

理论 基本概念 假设平面上的n个点，把其中的一些点对用曲线或直线连接起来，不考虑点的位置与连线曲直长短，形成的一个关系结构称为一个图。记 G = (V(G), E(G)), V = V(G) 是顶点集，E = E(G) 是边集。 设ν ∈ V(G),若ν是边e ∈ E(G)的端点，则称ν与e相关联， 与顶点ν关联的边数之和称为该顶点的次数（度数），记为d(ν)。可以证明握手定理 ∑ν ∈ V(G)

ARIMA模型 AR模型（自回归） 简单来说，就是利用过去最近的时刻p个时刻的标签来对需要预测的时刻进行线性回归 Yt = c + φ1Yt − 1 + φ2Yt − 2 + … + φpYt − p + ξt 其中ξt表示噪声 ，p为模型的可调参数 对于模型的设立，有两点基本假设 时序依赖性：假设不同时间点的标签值之间存在强相关性。 时序衰减：两个时间点之间的距离越远，他们之间的关联性越弱。例

熵权法的目的是客观赋予每一个评价指标权重，而非主观判断或依靠所谓问卷调查 熵：是描述混乱程度的量纲. 信息熵：平均而言发生一个事件我们得到的信息量大小.（得到的信息越多，已掌握的信息越少） 熵权法：是一种可以对多对象、多指标进行综合评价的方法，其评价依据来源于数据本身，几乎不受主观因素的干扰. 它的基本思想是：信息熵小→得到的信息少，掌握的信息多→这组信息更靠谱→权重大. step1 正向化处理