应用运筹学-近似算法选讲
我在大三春夏学期上了张国川老师的《应用运筹学基础》这门课。
张国川老师坚持板书讲解,课上干货满满,是不可多得的好老师。
我本来是在 TSR 学长的博客 的基础上补充知识点的。张老师在期末时把“上课笔记整理”也作为了考核方式之一,于是我把 TSR 学长的部分内容也结合进来了。
这篇文章是系列之三,还有两个系列分别是:
线性规划理论
线性规划应用
稳定婚姻问题(stable marriage problem)
问题描述
有 NNN 位男生和 NNN 位女生,每个男生都对 NNN 个女生的喜欢程度做了排序,每个女生都对 NNN 个男生的喜欢程度做了排序,现在需要确定一个稳定的约会状态(匹配)。
若存在两对匹配 A=(u,v)A=(u,v)A=(u,v),B=(p,q)B=(p,q)B=(p,q) ,满足男生 uuu 比起女生 vvv 更喜欢女生 qqq,且女生 qqq 比起男生 ppp 更喜欢男生 uuu,那么我们称这组方案是不稳定的。
Gale–Shapley 算法
首先选择一个单身男生,他会按照他的喜欢程度对一个还没有表白过的女生表白。
如果女生此时处于单身状态,则他们 ...
应用运筹学-线性规划应用
我在大三春夏学期上了张国川老师的《应用运筹学基础》这门课。
张国川老师坚持板书讲解,课上干货满满,是不可多得的好老师。
我本来是在 TSR 学长的博客 的基础上补充知识点的。张老师在期末时把“上课笔记整理”也作为了考核方式之一,于是我把 TSR 学长的部分内容也结合进来了。
这篇文章是系列之二,还有两个系列分别是:
线性规划理论
近似算法选讲
原始对偶方法
基本思想:
灵活运用了互补松弛条件 (y∗TA−cT)x∗=0(y^{\ast {\rm T}}A-c^{\rm T})x^\ast=0(y∗TA−cT)x∗=0 且 y∗T(Ax∗−b)=0y^{\ast {\rm T}}(Ax^\ast-b) = 0y∗T(Ax∗−b)=0.
给出一组对偶的解,强行去满足互补松弛条件。每次观察 xxx 是否满足原问题的约束,若不满足就不断地修正 yyy。
原始对偶算法 流程
我们先列出原问题(P)的对偶问题(DP),并找到 yyy 的一组可行解。
如果 c≥0c \ge 0c≥0,直接取 y=0y=\pmb{0}y=00 即可。
否则我们给原问题增加一个变量与一条约 ...
《编译原理》知识整理
在此记录一下我在 2020.3∼2020.62020.3 \sim 2020.62020.3∼2020.6 在浙江大学上的《编译原理》这门课的知识点。
整一个编译的流程包括如下两个阶段:
front end: scanner →\to→ parser →\to→ semantic analyzer →\to→ source code optimizer
back end: code generator →\to→ target code optimizer
编译原理就是围绕这两个阶段展开的知识点。
词法分析 lexical analysis
Regular Expression
Rules
R* zero or more strings from L®: R(R*)
R+ one or more strings from L®: R(R*)
R? optional R: (R|ε)
[abce] one of the listed characters: (a|b|c|e)
[a-z] one character from this range: (a|b|c|d|e|… ...
《计算机网络》知识整理
在此记录一下我在 2020.3∼2020.62020.3 \sim 2020.62020.3∼2020.6 在浙江大学上的《计算机网络》这门课的知识点。
计算机网络概述
A protocol is an agreement between the communicating parties on how communication is to proceed.
A protocol is a set of rules governing the format and meaning of the packets, or messages that are exchanged by the peer entities within a layer.
A service is a set of primitives (operations) that a layer provides to the layer above it.
Service interface defines which primitive operations and services the lowe ...
朝花夕拾·童年
记录了 幼儿园 和 小学 的记忆片段。
第一段幼儿园:新建庄幼儿园
我在生活上单纯傻笨。有一次去亲戚家吃饭,四爷爷突然疑惑地对我说:“咦,你的碗怎么漏了?”于是我翻过碗查看,饭全都洒在桌上了。雨天我也不会躲水坑,我妈就干脆给我买了双靴子,让我尽情地在水中踏步(直到现在我都一直很喜欢靴子)。
刚上幼儿园的时候年纪小。大家都欺负我、排挤我,总是抓我脸,可我不敢和老师说。我没有朋友,只喜欢一个人静静地在幼儿园的“毛毛虫”(里面可以钻人)里玩。不过我那会儿真是慷慨大方。
外婆常常笑着和我提起,以前接送我上学时会路过一个叫做 “城市花园” 的别墅群。我会指着别墅对她说“长大后也给你买一幢”。现在看来有心无力啊(哭哭)。
我妈经常给我买玩具,巅峰时候整整装了一麻袋。如果有小朋友来我家玩并且看上了我的玩具,我就会送给他们。最终送的送、丢的丢,整个麻袋都没了。
去别人家玩的时候我却不会拿任何东西。有一次去同村的一个男孩子家里玩,我对一辆拇指大的小车爱不释手,那户人家就送给我了——这件事让我高兴了好几天。
隔壁的一个亲戚(比我大三岁)送了我很多神奇宝贝卡片,我一直很感激他。后来妈妈才告诉我,他来我家 ...
Geometry-Problem
打算在近期看完 “解简单几何题” 相关的论文工作并做个总结。
Diagram Understanding in Geometry Questions
AAAI 2014 论文地址
本文提出了一个叫做 G-ALIGNER 的 Image Parse 的工具,并证明了它使用的估价函数是次模函数。
估价函数介绍
设 T={T1,T2,…,Tm}T=\{T_1,T_2,\dots,T_m\}T={T1,T2,…,Tm} 表示题目文本中提到的元素集合,LLL 是图片中初步提取后的所有 primitives 集合。本论文默认 LLL 已经得到,现在要找一个最优的子集 L^\hat{L}L^ 以准确地表达图片信息。
引入一个 W∈{0,1}∣L∣×∣T∣W \in \{0,1\}^{|L| \times |T|}W∈{0,1}∣L∣×∣T∣ 表示该图上的 primitive 是否与指定文本元素对应。 L^=L×(W×1∣T∣×1)\hat{L}=L \times (W \times 1_{|T| \times 1})L^=L×(W×1∣T∣×1),可以将求一个最优子集 L^\hat{L ...
Robustness-for-Sensing-Reasoning-Pipelines
这是 Professor Bo Li 推荐我的一篇 paper,有关 Adversarial Attacks 的内容。
Arxiv 传送门
什么是 Sensing-Reasoning pipelines
对于 Sensing 层面,我们用若干种不同的模型去感知,得到很多组 010101 的随机变量。
对于 Reasoning 层面,我们把之前的若干个结果汇总,利用领域知识(domain knowledge)和概率模型去矫正和逼近真实答案。常见的概率模型有:
基于无向图的 Markov logic networks(MLN)
基于有向图的 Bayesian networks (其实就是条件概率构建在图上)
论文里介绍了一个有趣的例子:假设我们想判断一张图 XXX 的信息。
我们在 Sensing 层面设了 Dog Sensor,Cat Sensor 和 Animial Sensor 三个神经网络模型去感知,从而能得到三个概率 p1,p2,p3p_1, p_2, p_3p1,p2,p3,pip_ipi 表示该图 是 物体 iii 的概率。
由知识和经验,我们知道猫和 ...
《程序设计方法学》知识整理
2019.9∼2020.12019.9 \sim 2020.12019.9∼2020.1 上了永平奖获得者翁恺老师《程序设计方法学》这门课。这是一门很有趣的课,介绍了程序设计语言的历史和发展脉络。可惜这是一节早课,我经常在意识模糊中听课(甚至是没有成功起床)。
这门课有一半的时间是同学展示。我倒是更希望翁老师能多留出时间自己讲。
最终的期末考试内容为:BNF,数据类型和运算符,程序控制结构,流计算,递归,并行计算,函数的调用和返回,Actor,异步执行。我对他们做了一个简单的整理。
三种编程语言
imperative language 命令式程序设计语言
Variables, assignment statements, and iteration
Include languages that support object-oriented programming, scripting languages, visual languages
Ex.: C, Java, Perl, JavaScript, Visual BASIC .NET
Functional Languag ...
《计算机视觉》知识整理
2019.9∼2020.12019.9 \sim 2020.12019.9∼2020.1 上了宋明黎教授《计算机视觉》这门课。课程内容丰富,五个实验则偏基础。
美中不足的是最终的考评形式——像文科一样的纸笔考试。为了巩固知识点并提高背诵效率,决定开始整理此文。整理到一半时,发现 这个网站 已经做了我想做的事了,遂我不再重复造轮子。
引言
Gestalt Laws(格式塔法则):出发点是形。
Law of Proximity: 接近的物体容易被感知成同一组。
Law of Similarity: 将相似的物体感知成同一组的部分。
Law of Good Continuation: 沿着元素暗示的弧方向走。
Law of Closure: 人们会把不完整的个体看成是一个整体的形状。
Law of goodform : 希望图片由几个规则图形组成。
Law of Figure/Ground: 区别前景和背景。
什么是计算机视觉?
根据场景的图像实现场景中对象信息的恢复和利用。
五大研究内容
输入设备
底层视觉(图像处理)
中层视觉(恢复场景,2.5 维)
高层视觉(三维重建 ...
《混合现实》知识整理
During 2019.9∼2020.12019.9 \sim 2020.12019.9∼2020.1,I was involved in the Mix-Reality class guided by Hujun Bao.
The topic in this class is similar with computer vision. I’m really regretful because I didn’t listen to Mr. Bao’s class carefully, even though he explained the knowledge points carefully.
Mr. Bao sent me a book written by himself. I must read it when I’m free.
Singular Value decomposition(SVD)
a factorization of a normal matrix, extended from eigendecomposition.
An×m=Un×nΣn×mVm×mTA ...