kyrie

DFS 中的搜索顺序

Administrator — Mon, 11 May 2026 08:19:38 GMT

一、文章大纲 1. DFS 搜索顺序是什么？先说明 DFS 的本质。 DFS 不是简单地“递归往下走”，而是在一棵隐式的搜索树上进行遍历。例如排列问题：从 1 ~ n 中选数，组成一个排列搜索树可以理解为：第 0 层：还没有选任何数第 1 层：选择第 1 个位置的数字第 2 层：选择第

搜索算法进阶：A* 算法详解

Administrator — Sun, 10 May 2026 03:41:45 GMT

一、A* 算法解决什么问题？ A* 是一种启发式搜索算法。它常用于解决：网格地图最短路径八数码、十五数码问题状态空间搜索第 K 短路迷宫寻路游戏 AI 路径规划普通 BFS 或 Dijkstra 搜索时，会比较“盲目”地扩展节点。而 A* 的核心思想是：

搜索算法专题：双端队列广搜，0-1 BFS

Administrator — Sat, 9 May 2026 03:26:46 GMT

一、引入：为什么需要双端队列广搜？在普通 BFS 中，我们通常用一个普通队列 Queue 来维护待扩展的状态。普通 BFS 适用于：每走一步的代价都相同，比如每次移动的代价都是 1。例如在网格中，从起点走到终点，每次上下左右移动都算一步，这种问题可以直接用 BFS 求最短步数。但是有些题目

双向广搜

Administrator — Sat, 9 May 2026 01:12:53 GMT

一、引入：为什么需要双向广搜？ 1. 从普通 BFS 说起普通 BFS 常用于求：无权图中的最短路问题。比如：从起点 start 出发，每次扩展一步，直到遇到终点 target。普通 BFS 的特点是：

搜索算法中的最短路模型：BFS

Administrator — Thu, 7 May 2026 12:33:05 GMT

一、文章定位这篇文章主要讲解算法竞赛中非常常见的一类模型：在无权图、网格图、状态图中，求从起点到终点的最短步数。这里的“最短路”不是 Dijkstra 那种带权最短路，而是每一步代价相同的最短路问题。典型场景包括：迷宫最短路径棋盘最少步数单词变化最少次数数字状态最少操作次数多个

从岛屿数量开始理解 Flood Fill：搜索算法中的经典连通块模型

Administrator — Wed, 6 May 2026 09:05:27 GMT

一、什么是Flood Fill？ 1.1 基本概念 Flood Fill，中文通常叫洪水填充算法，它是一类基于搜索的经典模型。它的核心思想是：从某个起点出发，沿着合法方向不断扩展，把与起点连通的所有合法位置都访问一遍。在算法竞赛中，Flood Fill 经常用于处理；二维网格中的连通块岛

动态词向量预训练模型

Administrator — Sat, 4 Apr 2026 15:24:55 GMT

现在比较流行的词向量学习方法有Word2Vec、GloVe等，并且把这些词向量作为一些下游任务的初始化可以提升模型的性能。但是一个词的向量表示，不应该是一成不变的，而应该根据它所处的“上下文环境”动态生成。 CoVe 在图像识别领域，研究者经常把ImageNet上预训练的CNN用于其他图像识别模型。

静态词向量预训练模型

Administrator — Sat, 4 Apr 2026 11:31:44 GMT

静态词向量（Static Word Embeddings）预训练模型是自然语言处理（NLP）深度学习时代的早期基石。静态：一个词在词表中对应一个固定不变的稠密向量，无论这个词出现在什么上下文中，它的向量表示都是完全相同的。在深度学习爆发前，NLP 领域长久以来被“语义鸿沟”和“维度灾难”两座大山

Rasch模型

Administrator — Mon, 30 Mar 2026 08:47:35 GMT

"The Rasch model is the only model in IRT that satisfies the requirements of a measurement model." — Georg Rasch 什么是Rasch模型 Rasch模型由丹麦数学家 Georg Rasch

项目反应理论（IRT）

Administrator — Mon, 30 Mar 2026 07:55:51 GMT

引言：为什么重温 IRT？最近在折腾知识追踪相关的研究和开源框架开发，看了不少顶会的 Paper，也敲了不少深度学习的代码。在这个过程中我越来越深刻地意识到一个问题：很多时候我们用复杂的神经网络去拟合学生的学习轨迹，其实本质上还是在试图回答教育测量学里那个最古老的问题——“如何准确评估一个人的真实

Hello Halo

Administrator — Tue, 3 Mar 2026 04:08:46 GMT

如果你看到了这一篇文章，那么证明你已经安装成功了，感谢使用 Halo 进行创作，希望能够使用愉快。

微调Qwen-8B（自定义猫娘Neko大模型）

Administrator — Wed, 21 Jan 2026 09:53:59 GMT

Q-learning

Administrator — Wed, 17 Dec 2025 02:17:02 GMT

Q-learning+ε-greedy Q-learing原理为什么要用 ε-greedy 在强化学习中，智能体（Agent）面临两个选择：利用 (Exploitation)：根据当前学到的知识（Q表），选择分数最高的动作，以获取已知最大的奖励。探索

MOPSO 实践

Administrator — Sun, 30 Nov 2025 15:06:08 GMT

实践一任务1：dominates(a，b)数实现任务2：Archive管理(加入、删除、拥挤选点) 任务 3：Leader Selection(任选一个方法) 任务4：绘制不同选代的前沿图代码 import numpy as np import matplotlib.pyplot as plt

NSGA-II 实践

Administrator — Sat, 29 Nov 2025 16:48:17 GMT

实践一任务1：实现非支配排序输入一组二维点→分 Rank 1、Rank 2. 任务2：计算拥挤距离观察高/低距离点的差异任务3：实现迷你 NSGA-II 种群 30、选代20代→输出不断逼近的前沿图代码 import numpy as np import matplotlib.pyplot

GA求解八皇后

Administrator — Mon, 24 Nov 2025 14:59:40 GMT

实现 GA 求解 8 皇后问题，观察代数变化曲线。输出：应度曲线、最优路径或棋盘状态。对比不同交叉算子(单点、双点、均匀)。编码方式：采用整数编码（数组索引代表行，数值代表列）。适应度函数：计算冲突数（列冲突 + 对角线冲突），目标是最小化冲突（最优为 0）。三种交叉算子：单点 (Sing

PSO 调参实验

Administrator — Thu, 20 Nov 2025 05:41:58 GMT

调整 w ， c_1 ， c_2 ，比较收敛速度与稳定性 e 。结果展示：收敛曲线、粒子分布轨迹动画。代码 import numpy as np import matplotlib.pyplot as plt from matplotlib.animation import FuncAnimat

GA 解决小规模 Job-Shop 排程

Administrator — Thu, 20 Nov 2025 05:32:18 GMT

数据： 3 台机器、 5 个作业，工序顺序给定。目标：最小化 Makespan。编码：操作级排列(每个作业的工序按出现次数判定)。算子：PHX/0X + 插入/逆序变异，修复器保证设备占用不神突。可视化：甘特图对比“第 0、20、40、60 代最优排程” 代数-Makespan 折线。讨

GA 优化无人机任务分配 + 航线

Administrator — Thu, 20 Nov 2025 05:09:30 GMT

数据： 10 个目标点， 1 个基站，最大续航 20 分钟，风场为方向惩罚。目标：最小化 \frac{总飞行时间}{风险惩罚} ；越界罚 \times10。编码：[序列 |分隔符】(分隔符切分多段表示补给返回)，或“指派向量 + 局部 2-opt "。算子：OX交叉<

DeepSeek-OCR在wsl中的安装（50系显卡）

Administrator — Wed, 19 Nov 2025 05:20:21 GMT

一、安装miniconda 打开wsl # WSL 安装 Miniconda cd ~ wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x8