学习笔记
未读操作系统的目标 用户目标：方便使用、容易学习、可靠、不易出错、高效等。 系统目标：易于实现与维护、灵活、可靠、不易出错、高效等。 复杂系统的构建必须考虑内部。 不同目标之间往往存在冲突。 不同需求之间需要进行权衡。 在操作系统的发展历史中，曾多次出现因过于强调各种极致性能而导致设计结构不合理并最终失败的案例（Windows VISTA）。 操作系统的机制与策略 控制复杂度：机制与策略相分离 功能 机制 策略 登录 什么用户、以什么权限登录等 输入处理、策略文件管理、桌面启动加载等 调度 先到先服务、时间片轮转等 调度队列的设计、调度实体的表示、调度的中断处理等 ··· ··· ··· 优点： 不同的策略适应不同的应用需求，而不需要重新实现对应的机制。 通过持续优化具体的机制来不断完善一个策略的实现。 操作系统复杂度管理方法（M.A.L.H） 模块化（modularity） 模块化通过"分而治之"原则，将一个复杂系统分解为一些列通过明确定义的接口进行交互的模块，并严格确保模块间的界限。 模块划分要充分考虑高内聚和低耦合，使 ...
打家劫舍 题目描述 你是一个专业的小偷，计划偷窃沿街的房屋。每间房内都藏有一定的现金，影响你偷窃的唯一制约因素就是相邻的房屋装有相互连通的防盗系统，如果两间相邻的房屋在同一晚上被小偷闯入，系统会自动报警 。 给定一个代表每个房屋存放金额的非负整数数组，计算你 不触动警报装置的情况下 ，一夜之内能够偷窃到的最高金额。 示例 1: 1234输入: [1,2,3,1]输出: 4解释: 偷窃 1 号房屋 (金额 = 1) ，然后偷窃 3 号房屋 (金额 = 3)。 偷窃到的最高金额 = 1 + 3 = 4 。 示例 2: 1234输入：[2,7,9,3,1]输出：12解释：偷窃 1 号房屋 (金额 = 2), 偷窃 3 号房屋 (金额 = 9)，接着偷窃 5 号房屋 (金额 = 1)。 偷窃到的最高金额 = 2 + 9 + 1 = 12 。 来源: 198. 打家劫舍 - 力扣 (LeetCode) 题解 动态规划 首先考虑最简单的情况。如果只有一间房屋，则偷窃该房屋，可以偷窃到最高总金额。如果只有两间房屋，则由于两间房屋相邻，不能同时偷窃，只能偷窃其中的一间房屋，因此选择其中 ...
MATLAB 绘制爱心 如何使用 MATLAB 绘制爱心图像？本文为大家准备了以下 4 种方法： 方法一 这个方法使用的是笛卡尔心形线的极坐标方程： MATLAB 代码如下： 123theta = 0:0.01:2*pi;r = 1-sin(theta);polarplot(theta,r,"LineWidth",2,"Color","r"); 方法二 方法二绘制出的图像如下： 123f = @(x,y) x.^2 - abs(x).*y + y.^2 - 15;fimplicit(f, [-6 6 -6 6],"LineWidth",2,"Color","r");grid on 方法三 方法三绘制出的图像如下： 123f = @(x,y) (x.^2+(y-(x.^2).^(1/3)).^2)-9;fimplicit(f, [-5 5 -5 5],"LineWidth",2,"Color","r"); ...
C++ 标准模板库简介 C++ 标准模板库（Standard Template Library）是 C++ 标准库的一部分，不需要另外安装，直接导入即可使用。 STL 为程序员提供了通用的模板类，这些模板类可以用来实现各种数据结构和算法，从而使程序员不必从头开始编写这些代码。 STL 很好地实现了数据结构和算法的分离，大大降低了模块之间的耦合度，程序员可以自由组合 STL 提供的数据结构和算法。 STL 的核心由以下三个部分组成： 容器（Containers）：各种数据结构，如 vector、deque、map、set 等。 算法（Algorithms）：各种算法，如排序、查找、转换等。 迭代器（Iterators）：用于遍历容器的对象。 下面我们将从这三个部分来介绍 STL。 容器（Containers） 容器是用来存储数据的对象，它们提供了一种高效的方式来存储和访问数据。对于不同的任务，我们可以选择不同的容器来存储数据。 STL 的容器分为三类： 序列容器：序列容器会维护插入元素的顺序。常用的序列容器有 vector、deque。 关联容器：关联容器既有有序，也有无序，存储 ...
学习笔记
未读使用 PyPy 代替 CPython Python 的默认解释器是 CPython，它是用 C 语言实现的。由于 CPython 的执行效率比较低，因此在一些算法竞赛中，会使用 PyPy 代替 CPython。PyPy 是用 Python 语言实现的，它的执行效率比 CPython 平均高出 5 倍。由于某些 Python 早期发展历史原因，许多常用的第三方库都是针对 CPython 解释器进行设计和优化的，使用 PyPy 时可能会使程序变得更慢甚至无法运行，这也是 Python 仍把 CPython 作为默认解释器的原因。 但在日常的算法练习或是正规的算法竞赛中，往往都不会用到这样的第三方库，而 PyPy 的执行效率却比 CPython 高出很多，因此在这些场景中，使用 PyPy 代替 CPython 可以获得很大的加速效果。 使用 sys.stdin.readline 代替 input Python 自带的输入函数 input 可以读取一行输入，并把它以字符串类型返回。但是 input 的执行效率比较低，因此在一些算法竞赛中，会使用 sys.stdin.readline 代替 ...
列表 List 列表是 Python 中常用的容器之一，它的时间复杂度如下： 操作 平均时间复杂度 最坏时间复杂度 Copy O(n) O(n) Append O(1) O(1) Pop last O(1) O(1) Pop intermediate O(n) O(n) Insert O(n) O(n) Get item O(1) O(1) Set item O(1) O(1) Delete item O(n) O(n) Iterate O(n) O(n) Get slice O(k) O(k) Del slice O(n) O(n) Set slice O(n+k) O(n+k) Extend O(k) O(k) Sort O(n log n) O(n log n) Multiply O(nk) O(nk) x in s O(n) min(s),max(s) O(n) Get length O(1) O(1) Python 中的列表是动态数组，它的底层是一个数组，当列表的长度超过数组的长度时， ...
简介 heapq 库是 Python 标准库中的一部分，它提供了一些堆操作的函数，可以用来实现优先队列。 优先队列是一种特殊的队列，它的每个元素都有一个优先级，元素的出队顺序是按照优先级从高到低的顺序进行的。优先队列的实现有多种方式，其中最常用的是堆。 堆是一种特殊的树，有两种类型，分别是最大堆和最小堆。最大堆的每个节点的值都大于或等于其子节点的值，最小堆的每个节点的值都小于或等于其子节点的值。堆的根节点是堆中的最大值（最小堆的根节点是最小值）。 heapq 的大部分操作都是基于最小堆实现的，通过将元素取相反数，可以实现最大堆。 heapq 库的使用 heapq 库提供了 heapify、heappush、heappop、heapreplace、heappushpop、merge、nlargest、nsmallest 等函数，用于堆的操作。 heapify heapify 函数用于原地将列表转换为最小堆，时间复杂度为 O(n)O(n)O(n)。 函数原型如下： 1heapq.heapify(x) 其中，x 是一个列表。 示例： 12345import heapqx = [1, 3, ...
简介 bisect 库是 Python 标准库中的一部分，它提供了二分查找的功能。二分查找是一种在有序列表中查找某一特定元素的搜索算法。它的时间复杂度为 O(logn)O(\log n)O(logn)，比顺序查找的时间复杂度 O(n)O(n)O(n) 要有效率。 bisect 库的使用 bisect 库提供了 bisect_left、bisect_right、insort_left、insort_right四个函数，用于在有序列表中查找或插入元素。 bisect_left bisect_left 函数用于在有序列表中二分查找某一位置，使得在该位置插入指定元素后仍保持有序，返回该位置，如果元素已经存在，则返回它的左边位置。 函数原型如下： 1bisect.bisect_left(a, x, lo=0, hi=len(a), *, key=None) 其中，a 是一个有序列表，x 是要查找的元素，lo 和 hi 是查找范围的左右边界，key 是一个函数，用于从列表中提取比较的键值。 示例： 12345678# 导入 bisect 库import bisect# 有序列表a = [1, ...
图像生成 Stable Diffusion Model 是一个基于扩散模型的图像生成模型。早在模型刚刚兴起的时候，博主就有所关注，尝试过本地部署，但是由于设备硬件配置限制，最终也没有能够真正的在本地跑起来。 考虑到人工智能各个领域的模型都是往着大模型方向发展，所以博主觉得如果当时跑不起来，在不更新硬件的情况下，以后也没有机会再跑了。 当时各个在线 AI 图片生成平台生成的效果往往都不尽人意，并且不支持自己训练模型，博主就很长一段时间没有再关注这个领域了。 前几天偶然发现 AI 生成图片的效果有明显的提升，甚至可以说是有些惊艳了。于是博主在网上恶补了这段时间的相关知识，发现进步似乎比我想象的还要大。 stable-diffusion-webui stable-diffusion-webui 是 AUTOMATIC1111 大佬在 Github 上开源的一个专用于图片生成模型的 WebUI，可以在本地部署，支持导入模型和自己训练。 重要的是，该项目的部署方式非常简单，不需要任何的编程基础，环境也会帮你自动配置好；GUI 的操作也非常简单，所见即所得。 你所做的只是要安装 git，下载项 ...
学习笔记
未读遗传算法 遗传算法是一种模拟自然界生物进化机制的优化算法，它通过模拟自然选择、交叉和变异等操作来寻找问题的最优解。 遗传算法通常包括以下步骤： 定义问题的目标函数和约束条件，以及变量的编码方式。 生成初始种群，即一组随机的可行解。 计算每个个体的适应度值，即目标函数的值。 选择操作，根据适应度值选择一部分个体进入下一代。 交叉操作，对选中的个体进行染色体的交换，产生新的个体。 变异操作，对某些个体的某些基因进行随机改变，增加种群的多样性。 重复3-6步，直到满足终止条件，如达到最大迭代次数或适应度值达到预设阈值。 输出最优解或最优解集。 MATLAB 实现遗传算法 MATLAB 中的遗传算法函数为 ga，其基本语法为： 1[x,fval] = ga(fun,nvars,A,b,Aeq,beq,lb,ub,nonlcon,intcon) 其中，fun 为目标函数，nvars 为变量个数，A 为不等式约束系数矩阵，b 为不等式约束右端项，Aeq 为等式约束系数矩阵，beq 为等式约束右端项，lb 为变量下界，ub 为变量上界，nonlcon 为非线性约束函数，intcon 为整数变量 ...
