书名：代码本色：用编程模拟自然系统作者：DanielShiffman译者：周晗彬ISBN：978-7-115-36947-5第9章目录9.1 遗传算法：启发自真实现象1、目标我们的目标不是深入研究遗传和进化的科学原理，我们不会研究旁氏表、核苷酸、蛋白质合成、RNA和其他生物进化相关的话题。相反，我们只讨论达尔文进化论背后的核心原理，并根据这个原理开发出一套算法。我们并不在乎进化模拟是否精确，只关心进化在软件中的应用策略。2、遗传算法“遗传算法”指的是一种特定算法，它以特定的方式实现，用于解决特定类型的问题。尽管遗传算法是本章的基础，但我们不会用绝对精确的方式实现它，因为我们应该多花精力探索遗传
工作思考OKR确定目标3C确定方案PDCA执行4D进行总结-计划阶段处理紧急的事情要长短结合重要但不紧急的事情拆分多个小项目学会利用上级的力量来协调资源-执行阶段根据情况采取相应的管理风格做好信息同步-检查阶段使用5W分析问题根因-复盘阶段做好总结汇报每次最多挑选3个改进点落实到流程关于上级：领导怎么安排时间？A面启发：1.今天整个日程安排2.叮嘱一下重点项目3.更多时间找合适的人4.行业动态和对手公司进展B面启发:与领导同频，升维思考，降维做事1.与老板同频，告诉老板你在做什么，沟通想法，了解老板的想法『只要主动去跟老板同步，就会超过很多人』2.更加勤奋，多做利他的事，不会吃亏的谁也不会做赔
在我工作的12年中，发现一个现象，如果公司存在绩效考核，那么实施者的流动性很大，也就是说实施者的绩效较其他人更低，为什么会出现这种现象，我们今天就来说说这个问题。上节课讲到易得性启发式的一个表现是“易于回忆”一起的，我们常常会根据易于回忆的事情做出判断，这导致这在固定周期内，接近考核时间点你的表现大概率决定你的绩效。今天我们再来学习源于代表性启发式误判的表现，即“对基础比率不敏感”。先举一个例子：有一个人去看病，已知患病概率1/1000，但有第三种检测方法，检出率为86%，对为患病者仍有5%的错检率，这个人经过第三种检测方法被检出有病，问这个人患病的可能性有多大？请先闭着眼睛想一想，一般人认为
为了深入了解大模型的科学原理并确保其安全，可解释变得日益重要。解释大模型带来了很多独特挑战：（1）大模型参数特别多，怎么尽可能确保解释速度？（2）大模型涉及的样本特别多，如何让用户尽可能少看一些样本的解释也能了解大模型的全貌？这两个问题都指向了对大模型解释效率的要求，而我们希望通过新的范式，为构建大模型高效解释之路提供一个思路。我们的高效新范式是通过从因果角度重新审视模型来获得的。我们首先从因果的视角重新审视知名可解释方法（比如LIME、ShapleyValue等），发现他们的解释得分对应于因果推理中的因果效应（treatmenteffect），明确构建了这些方法和因果的联系。这不仅让我们可以
最近几天，关于室温超导的全球复现热潮热度不减，各路大佬也纷纷出来表态。其中就包括我们所熟知的马斯克，他认为如果室温超导材料能够商用将会是一个非常赞的研究；AI领域大佬GaryMarcus表示，如果能够复现室温超导，那就太令人兴奋了……上个科技界热门话题ChatGPT的出品者OpenAI，他们的CEO山姆・奥特曼也在说：现在我们因为可能拥有室温超导而兴奋，全都回来了？科研领域出现了前所未见的景象，仿佛都在盯着同一件事。对于超导这种凝聚态物理，外行人的话可能仅限于加油鼓劲，不过这并不能阻止越来越多学界大佬前来「围观」。最近发表意见的是著名数学家、UCLA终身教授陶哲轩。上周日，他意外地对室温超导发
T4聚集方差思路树上启发式合并，multiset上二分。注意到nnn的数据范围为3e5，聚集方差实际上是在一个可重复集合（一棵子树的所有节点）中找每个数最相近的数，我一开始想到了用multiset上二分，但是对每棵子树都操作一次总的时间复杂度为O(n2logn)O(n^2logn)O(n2logn)，显然不能满足要求。首先，明确一点，multiset必须复用，用完之后清空，否则空间复杂度是O(n2)O(n^2)O(n2)。这里multiset可以理解为用于计算ans的info。从时间复杂度的角度，注意到为什么要求在一棵树上实现这个操作？子树和子树有相互包含的关系，可以据此实现一些信息的复用，比
摘要本文提出一个新的无监督的AES方法ULRA，它不需要真实的作文分数标签进行训练；ULRA的核心思想是使用多个启发式的质量信号作为伪标准答案，然后通过学习这些质量信号的聚合来训练神经自动评分模型。为了将这些不一致的质量信号聚合为一个统一的监督信号，我们将自动评分任务视为一个排序问题，并设计了一种特殊的深度成对排名聚合（DPRA）损失函数进行训练。在DPRA损失中，我们为每个信号设置了一个可学习的置信权重来解决信号间的冲突，并且以成对的方式训练神经AES模型以解开部分排序对之间的级联效应。方法我们的ULRA框架包括两个阶段：模型训练和模型推理。在模型训练阶段，ULRA框架包含两个模块：1）启发
dsuontreedsu\text{dsu}dsu一般指disjoint set union\text{disjointsetunion}disjoint set union，即并查集。dsu on tree\text{dsuontree}dsu on tree指树上合并与查询操作，但它的实现和普通的并查集并无关联，两者的共同点仅仅在于都能合并集合和查询而已。dsu on tree\text{dsuontree}dsu on tree，可以称为树上启发式合并，是一种巧妙的暴力。用一个全局数组存储结果，对于每棵子树，有以下操作：先遍历轻儿子，处理完轻儿子后将数组清零（不能用memsetmemse
前言 蚁群算法？秃鹰算法？布谷鸟算法？鱼群算法？猴群算法？这都是些啥？这些算法听起来都很接地气，实际上也确实很接地气。它们都是学者通过观察动物们的行为得到的灵感，从而设计出来的精彩的算法。以动物命名的算法可远不止这些，比如还有蜂群算法、狼群算法、蝙蝠算法，萤火虫算法等，而这些都可以统称为启发式算法。今天，要给大家介绍的也是一种启发式算法——灰狼优化算法（GreyWolfOptimizer，GWO）是由自然界中灰狼群体的社会等级机制和捕猎行为而衍生出来的一种群体优化智能算法，目前已成功运用到车间调度、参数优化、图像分类等领域中。一、灰狼群的等级制度 在介绍算法本身之前，我们先来聊聊灰狼群中有
是否有用于构建受GitHub启发的时间线的设计模式？我正在尝试为我的应用程序编写一个有点复杂且用途广泛的时间线系统。它基于这个概念:[Subject][Verb][DirectComplement][IndirectComplement](metadata:[date])所以，在实践中:JohncreatedanewpostcalledBeautifulPost(12/0100:01)John是主语，created是动词，BeautifulPost是直接补语。Johncommented"OMG"onBeautifulPost(12/0100:00)John是主语，commented是动
