归档

2025 年 11 月

2025-11-16

1. 用 5–8 句话描述成“目标 + 约束” 学校需要在两周内安排所有课程的期末考试时间和教室。 目标 1: 尽量减少同一学生在同一时段有两门以上考试的冲突。 目标 2: 尽量让学生每天的考试数量不要太多,避免某天考太“爆”。 约束 1: 每门课必须被安排在一个合法的时间段和一间可用教室中。 约束
问题: min_{x \in [0,5]^2} f(x)=(x_1-2)^2+(x_2-3)^2+sin(3x_1)sin(2x_2) 方法A:网格/随机重启

2025-11-14

为什么需要线段树 问题背景:在数组上频繁的做区间操作 常见数据结构对比: 数据结构 特点
解释为什么单一方法可能不足,并设计一个“混合策略"解决方案。 场景:外卖派单问题(大量骑手、订单动态到来)。 外卖派单是在线、带时间窗、容量受限的动态匹配问题:骑手位置在变、餐品出餐时间有噪声、订单持续到达、路况突变、还要兼顾公平与成本。典型单一方法的短板: 就近贪心:局部最优,容易把近处骑手“吃光
针对“共享单车调度问题”,完成五步建模。 明确目标函数(例如减少车辆空驶、提高用户满意度)。 定义决策变量(如每辆车的移动路线、调度时刻)。 写出关键约束(如车辆容量、时间窗、需求覆盖)。 指出潜在的不确定性(如天气、需求波动)。 提出一种求解方法(如 MIP +启发式混合)。 目标 服务好:少缺车

2025-11-11

什么是注意力机制 注意力机制(Attention Mchanism):模仿了人类在处理信息时候的选择性关注能力,允许模型在处理输入数据时动态地调整其注意力权重,从而突出重要信息并忽略不重要的信息。 核心思想 它主要通过计算查询向量(Query)、键向量(Key)之间的相似度来确定注意力权重,然后对值
假设你是一个城市交通管理者,要在以下两个目标中做决策: 目标 A:最小化出行时间 目标 B:最小化建设成本 什么是 Pareto 前沿 我们同时想把时间和成本都压低。 在坐标图里,越靠左下越好(左=更快,下=更省钱)。 Pareto 前
题目:请比较下列两个优化问题,说明为什么“凸性"决定了它们的可解性差异: 1.最小化 f(x)=x^2+2x+1 (凸函数)。 2.最小化 g(x)=sin(x)+0.1x (非凸函数)。 图像就是一个单口大碗。只有一个谷底, x=−1
回溯法(Backtracking) 把问题的“决策过程”当成一棵状态空间树,按深度优先往下试探:做一个选择→继续→不行就撤销(回溯)。 核心是“剪枝”:一旦发现当前部分解违反约束(不可能继续得到可行解),立刻停止扩展这条路径。 目标:通常是找可行解(一个、多个或全部),也可带最优性但以可行性剪枝为主
问题描述 对每个顶点 v,求最短距离 \delta(v)(从 s 到 v 的最小路径长度)及其前驱。 算法思想 每次把“当前估计距离最小”的未确定顶点“封口”(settle),用它去松弛邻边;由于边非负,被封口的点已经“没法再更短”了。 输入:有向图
上一页 下一页