演算法決定

❶ cpu調度演算法決定了進程執行的順序.若有n個進程需要調度，有多少種可能的調度順

前兩天做操作系統作業的時候學習了一下幾種進程調度演算法，在思考和討論後，有了一些自己的想法，現在就寫出來，跟大家討論下。，或者說只有有限的CPU資源，當系統中有多個進程處於就緒狀態，要競爭CPU資源時，操作系統就要負責完成如何分配資源的任務。在操作系統中，由調度程序來完成這一選擇分配的工作，調度程序所使用的演算法即是調度演算法。調度演算法需要考慮的指標主要有盡量保證CPU資源分配的公平性；按照一定策略強制執行演算法調度；平衡整個計算機系統，盡量保持各個部分都處於忙碌狀態。而根據系統各自不同的特點和要求，調度演算法又有一些側重點和目標不同，因此，演算法按照系統差異主要分為三大類：批處理系統中的調度演算法，代表調度演算法有：先來先服務、最短作業優先、最短剩餘時間優先。互動式系統中的調度演算法，代表調度演算法有：輪轉調度、優先順序調度、多級隊列、最短進程優先、保證調度、彩票調度、公平分享調度。實時系統中的調度演算法，代表調度演算法有：速率單調調度、最早最終時限優先調度。下面就上述提到的調度演算法中挑出幾個進行重點分析：保證調度保證調度是指利用演算法向用戶做出明確的性能保證，然後盡力按照此保證實現CPU的資源分配。利用這種演算法，就是定一個進程佔用CPU的時間的標准，然後按照這個標准去比較實際佔用CPU的時間，調度進程每次使離此標准最遠的進程得到資源，不斷滿足離所保證的標准最遠的進程，從而平衡資源分配滿足這個標準的要求。保證調度演算法的優點是：能很好的保證進程公平的CPU份額，當系統的特點是：進程的優先順序沒有太大懸殊，所制定的保證標准差異不大，各個進程對CPU的要求較為接近時，比如說系統要求n個進程中的每個進程都只佔用1/n的CPU資源，利用保證調度可以很容易的實現穩定的CPU分配要求。但缺點是，這種情況太過理想，當系統的各個進程對CPU要求的緊急程度不同，所制定的保證較為復雜的時候，這個演算法實現起來比較困難。彩票調度彩票調度這種演算法的大意是指向進程提供各種系統資源如CPU資源的彩票，當系統需要做出調度決策時，隨機抽出一張彩票，由此彩票的擁有者獲得資源。在彩票調度系統中，如果有一個新的進程出現並得到一些彩票，那麼在下一次的抽獎中，該進程會有同它持有彩票數量成正比例的機會贏得獎勵。進程持有的彩票數量越多，則被抽中的可能性就越大。調度程序可以通過控制進程的彩票持有數量來進行調度。彩票調度有很多優點：首先，它很靈活，系統增加分給某個進程的彩票數量，就會大大增加它佔用資源的可能性，可以說，彩票調度的反應是迅速的，而快速響應需求正是互動式系統的一個重要要求。其次，彩票調度演算法中，進程可以交換彩票，這個特點可以更好的保證系統的平衡性，使其各個部分都盡可能的處於忙碌狀態。而且利用彩票調度還可以解決許多別的演算法很難解決的問題，例如可以根據特定的需要大致成比例的劃分CPU的使用。速率單調調度速率單調調度演算法是一種可適用於可搶占的周期性進程的經典靜態實時調度演算法。當實時系統中的進程滿足：每個周期性進程必須在其周期內完成，且進程之間沒有相互依賴的關系，每個進程在一次突發中需要相同的CPU時間量，非周期的進程都沒有最終時限四個條件時，並且為了建模方便，我們假設進程搶占即刻發生沒有系統開銷，可以考慮利用速率單調演算法。速率單調調度演算法是將進程的速率（按照進程周期所算出的每秒響應的次數）賦為優先順序，則保證了優先順序與進程速率成線性關系，這即是我們所說的速率單調。調度程序每次運行優先順序最高的，只要優先順序較高的程序需要運行，則立即搶占優先順序低的進程，而優先順序較低的進程必須等所有優先順序高於它的進程結束後才能運行。速率單調調度演算法可以保證系統中最關鍵的任務總是得到調度，但是缺點是其作為一種靜態演算法，靈活性不夠好，當進程數變多，系統調度變得復雜時，可能不能較好的保證進程在周期內運行。最早最終時限優先調度最早最終時限優先調度演算法是一個動態演算法，不要求進程是周期性的，只要一個進程需要CPU時間，它就宣布它的到來時間和最終時限。調度程序維持一個可運行的進程列表，按最終時限排序，每次調度一個最終時限最早的進程得到CPU 。當新進程就緒時，系統檢查其最終時限是否在當前運行的進程結束之前，如果是，則搶占當前進程。由於是動態演算法，最早最終優先調度的優點就是靈活，當進程數不超過負載時，資源分配更優，但也同樣由於它的動態屬性，進程的優先順序都是在不斷變化中的，所以也沒有哪個進程是一定可以保證滿足調度的，當進程數超過負載時，資源分配合理度會急速下降，所以不太穩定。

❷ 決策樹演算法-原理篇

關於決策樹演算法，我打算分兩篇來講，一篇講思想原理，另一篇直接擼碼來分析演算法。本篇為原理篇。
通過閱讀這篇文章，你可以學到：
1、決策樹的本質
2、決策樹的構造過程
3、決策樹的優化方向

決策樹根據使用目的分為：分類樹和回歸樹，其本質上是一樣的。本文只講分類樹。

決策樹，根據名字來解釋就是，使用樹型結構來模擬決策。
用圖形表示就是下面這樣。

其中橢圓形代表：特徵或屬性。長方形代表：類別結果。
面對一堆數據（含有特徵和類別），決策樹就是根據這些特徵（橢圓形）來給數據歸類（長方形）
例如，信用貸款問題，我根據《神奇動物在哪裡》的劇情給銀行造了個決策樹模型，如下圖：

然而，決定是否貸款可以根據很多特徵，然麻雞銀行選擇了：（1）是否房產價值>100w；（2）是否有其他值錢的抵押物；（3）月收入>10k；（4）是否結婚；這四個特徵，來決定是否給予貸款。
先不管是否合理，但可以肯定的是，決策樹做了特徵選擇工作，即選擇出類別區分度高的特徵。

由此可見， 決策樹其實是一種特徵選擇方法。 （特徵選擇有多種，決策樹屬於嵌入型特徵選擇，以後或許會講到，先給個圖）即選擇區分度高的特徵子集。

那麼， 從特徵選擇角度來看決策樹，決策樹就是嵌入型特徵選擇技術

同時，決策樹也是機器學習中經典分類器演算法，通過決策路徑，最終能確定實例屬於哪一類別。
那麼， 從分類器角度來看決策樹，決策樹就是樹型結構的分類模型

從人工智慧知識表示法角度來看，決策樹類似於if-then的產生式表示法。
那麼， 從知識表示角度來看決策樹，決策樹就是if-then規則的集合

由上面的例子可知，麻雞銀行通過決策樹模型來決定給哪些人貸款，這樣決定貸款的流程就是固定的，而不由人的主觀情感來決定。
那麼， 從使用者角度來看決策樹，決策樹就是規范流程的方法

最後我們再來看看決策樹的本質是什麼已經不重要了。
決策樹好像是一種思想，而通過應用在分類任務中從而成就了「決策樹演算法」。

下面內容還是繼續講解用於分類的「決策樹演算法」。

前面講了決策樹是一種 特徵選擇技術 。

既然決策樹就是一種特徵選擇的方法，那麼經典決策樹演算法其實就是使用了不同的特徵選擇方案。
如：
（1）ID3：使用信息增益作為特徵選擇
（2）C4.5：使用信息增益率作為特徵選擇
（3）CART：使用GINI系數作為特徵選擇
具體選擇的方法網上一大把，在這里我提供幾個鏈接，不細講。

但，不僅僅如此。
決策樹作為嵌入型特徵選擇技術結合了特徵選擇和分類演算法，根據特徵選擇如何生成分類模型也是決策樹的一部分。
其生成過程基本如下：

根據這三個步驟，可以確定決策樹由：（1）特徵選擇；（2）生成方法；（3）剪枝，組成。
決策樹中學習演算法與特徵選擇的關系如下圖所示：

原始特徵集合T：就是包含收集到的原始數據所有的特徵，例如：麻瓜銀行收集到與是否具有償還能力的所有特徵，如：是否結婚、是否擁有100w的房產、是否擁有汽車、是否有小孩、月收入是否>10k等等。
中間的虛線框就是特徵選擇過程，例如：ID3使用信息增益、C4.5使用信息增益率、CART使用GINI系數。
其中評價指標（如：信息增益）就是對特徵的要求，特徵需要滿足這種條件（一般是某個閾值），才能被選擇，而這一選擇過程嵌入在學習演算法中，最終被選擇的特徵子集也歸到學習演算法中去。
這就是抽象的決策樹生成過程，不論哪種演算法都是將這一抽象過程的具體化。
其具體演算法我將留在下一篇文章來講解。

而決策樹的剪枝，其實用得不是很多，因為很多情況下隨機森林能解決決策樹帶來的過擬合問題，因此在這里也不講了。

決策樹的優化主要也是圍繞決策樹生成過程的三個步驟來進行優化的。
樹型結構，可想而知，演算法效率決定於樹的深度，優化這方面主要從特徵選擇方向上優化。
提高分類性能是最重要的優化目標，其主要也是特徵選擇。
面對過擬合問題，一般使用剪枝來優化，如：李國和基於決策樹生成及剪枝的數據集優化及其應用。
同時，決策樹有很多不足，如：多值偏向、計算效率低下、對數據空缺較為敏感等，這方面的優化也有很多，大部分也是特徵選擇方向，如：陳沛玲使用粗糙集進行特徵降維。
由此，決策樹的優化方向大多都是特徵選擇方向，像ID3、C4.5、CART都是基於特徵選擇進行優化。

參考文獻
統計學習方法-李航
特徵選擇方法綜述-李郅琴
決策樹分類演算法優化研究_陳沛玲
基於決策樹生成及剪枝的數據集優化及其應用-李國和

❸ 密鑰，密碼，演算法之間是什麼關系

演算法決定密碼，密鑰，而密碼體現了演算法，密鑰執行了密碼部分功能

❹ 主播說演算法得有價值觀是怎麼回事

近日，央視主播評互聯網用戶畫像整治時表示：用數據給用戶畫像，然後精準推送，這是演算法的一項重要應用。國家網信辦近日發布了《互聯網信息服務演算法推薦管理規定（意見稿）》。新規明確，平台不得將違法和不良信息作為關鍵詞給用戶畫像，更不得向其推送相關信息。也就是說，即便用戶搜索過這樣的信息，演算法也不能據此就不斷推薦此類信息。

很明確，這是要為演算法加裝價值瞄準鏡。說白了，演算法得有價值觀。演算法決定了供給內容，也在塑造用戶。所以演算法不能只自動響應或迎合用戶，還得主動引領，對違法、低俗需求必須說不。演算法必須守法。一是法律、二是法度。這樣的演算法才能把賬算明白。這是一筆事關平台和社會未來發展的大賬。

《互聯網信息服務演算法推薦管理規定（徵求意見稿）》明確的內容

8月27日，國家互聯網信息辦公室發布了關於《互聯網信息服務演算法推薦管理規定（徵求意見稿）》（下稱「徵求意見稿」）公開徵求意見的通知。

徵求意見稿明確，演算法推薦服務提供者應優化規則的透明度和可解釋性，公示演算法推薦原理，設置關閉演算法推薦選項。 演算法推薦服務者的定期審核義務，建立識別違法和不良信息的特徵庫。這意味著用戶可以拒絕並改變平台的推薦演算法，自己決定自己看到的內容，同時從技術上打擊「大數據殺熟」行為。

「徵求意見稿通過對平台方的信息分發模式的規制，對演算法推薦的所導致的『信息偏食』進行明晰界定，加大傳播領域的信息監管力度，以『演算法透明』為基點，建立『演算法問責』的責任追究制度，藉助法規改善用戶與平台的信息交互過程，推動雙方向陽而生，向善而行。」暨南大學法學院副教授仲春對新京報貝殼財經記者表示。

❺ 演算法決定一切究竟哪種掃地機器人更優秀

【IT168評測】這幾年掃地機器人越來越火，但消費者在選購時，發現似乎每款產品其路徑規劃演算法都不一樣，由最初隨機演算法，到簡單規劃演算法，再到激光slam以及視覺slam演算法等，看得人眼花繚亂，那麼這些演算法究竟都是什麼呢?演算法的好壞是否能決定掃地機器人的優劣呢?

首先我們先要明確的是選購掃地機器人第一需求是：掃的干凈掃得快。

掃的干凈主要取決於清掃系統的設計和吸塵風機的功率，而清掃效率最有力的的保障則是掃地機器人擁有一套非常智能的路徑規劃演算法。

常見的掃地機器人演算法大致分為兩種：隨機覆蓋法和路徑規劃式清掃。

優點：多種行走方式加三段式清掃，還會自動感應臟污程度進行重點打掃，基本不留死角，清潔程度更高。

缺點：重復清掃且路徑隨機，代價就是清掃效率較低，更費時間，而且隨機碰撞式的清掃過程看著實在捉急。同時此類產品由於技術原因造價更高，售價自然更是居高不下。另外各品牌技術的不同，會直接影響清掃效果，並不是所有品牌的隨機覆蓋清掃的掃地機器人都能掃得很乾凈。

推薦人群:適合上班族或家中有寵物的用戶購買，雖然清掃時間長但清潔程度更高。

推薦機型：

1、艾羅伯特（iRobot）Roomba961（價格4999元）【嘩猛點擊查看詳情】

NO、2 路徑規劃式清掃

通過定位系統准確規劃路線，實現規劃式的工字型打掃，清掃路徑十飢蘆舉分規矩，不會重復清理，常見的Neato、Proscenic和小米掃地機器人都是這種路徑規劃式清掃。

優點：因為有路徑規劃，所以它很清楚自己掃過了哪些地方，不會重復清掃，使得清潔效率更高、耗時更少。

缺點：清掃方式機械，不重復清掃的話可能會有被遺爛碧漏的區域，而且清掃過程中被吹飛的灰塵和垃圾可能被錯過。

推薦人群：家中雜物較多或擁有大戶型的用戶購買，節省時間不鬧心。

推薦機型：

1、米家石頭掃地機器人（價格2499元）【點擊查看詳情】

2、Neato D75掃地機機器人（價格3299元）【點擊查看詳情】

總結：掃地機器人買回家的目的就是會認路、掃得快、掃的干凈，雖然在路徑規劃上解決方案有很多，但其精髓並不是硬體有多厲害，重在其定位系統和演算法。如果一定要小編來比較一下的話，還是建議大家購買路徑規劃式清掃的掃地機器人，價格實惠，方便省心，快捷干凈，能夠滿足大多數人的家庭清潔需要。

❻ 什麼是演算法決策理論

決策樹分類法己被應用於許多分類問題，但應用於遙感分類的研究成果並不多見。決策樹分類法具有靈活、直觀、清晰、強健、運算效率高等特點，在遙感分類問題上表現出巨大優勢。本文以廣東省廣州市從化地區的SPOT5衛星遙感影像為研究對象，基於決策樹分類演算法在遙感影像分類方面的深厚潛力，探討了6種不同的決策樹演算法—包括單一決策樹模(CART，CHAIR，exhaustive，QUEST和組合決策樹模型(提升樹，決策樹森林)。首先對決策樹演算法結構、演算法理論進行了闡述，然後利用這些決策樹演算法進行遙感土地覆蓋分類實驗，並把獲得的結果與傳統的最大似然分類和人工神經元網路分類進行比較。

基於決策樹分類演算法在遙感影像分類方面的深厚潛力,探討了3種不同的決策樹演算法(UDT、MDT和HDT).首先對決策樹演算法結構、演算法理論進行了闡述:具體利用決策樹演算法進行遙感土地覆蓋分類實驗,並把獲得的結果與傳統統計分類法進行比較.研究表明,決策樹分類法相對簡單、明確,分類結構直觀,有諸多優勢.

❼ 為何說智能新聞客戶端不能讓演算法決定內容

據報道，以今日頭條、一點資訊為代表的智能新聞客戶端，憑借強大的演算法、先進的數據抓取技術，能夠精準分析並解讀用戶的閱讀習慣和興趣，從而為用戶提供量身定製的新聞產品，滿足了個性化的需求，順應了閱讀分眾化的時代潮流。

專家表示，任何時候，內容推送不能少了「總編輯」，在技術為王的時代，也不能完全讓演算法決定內容，需要更完善的法律法規、更理性健康的輿論空間，為互聯網演算法時代的信息傳播保駕護航，但更少不了作為內容提供者的智能平台。

希望相關的客戶端都可以嚴懲標題黨！

❽ 演算法的時間復雜度取決於什麼

演算法的時間復雜度取決於問題的規模，待處理數據的初態。

一個語句的頻度是指該語句在演算法中被重復執行的次數。演算法中所有語句的頻度之和記為T(n)，它是該演算法問題規模n的函數，時間復雜度主要分析T(n)的數量級。演算法中基本運算（最深層循環內的語句）的頻度與Tn)同數量級，因此通常採用演算法中基本運算的頻度fn)來分析演算法的時間復雜度3。

演算法的時間復雜度記為：T(n)= O(fn))式中，О 的含義是T(n)的數量級，其嚴格的數學定義是:若T(n)和fn)是定義在正整數集合上的兩個函數，則存在正常數C和n，使得當n≥no時，都滿足0≤T(n)≤Cfn)。

演算法的時間復雜度不僅依賴於問題的規模n，也取決於待輸入數據的性質（如輸入數據元素的初始狀態)。