搭建算法框架

❶ 如何建立自己的算法交易

在股票市场中交易过两、三年的人，几乎都有一套自己的交易方法。
虽然你有方法但如果还没有形成交易系统，那也先别着急去勉强建立,因交易系统是自然形成的.并不可人为刻意能建起来的。就好比计划经济与市场经济不断的适应市场的变化，时间长了，如果你还能在市场中生存.交易系统自然形成。而如果过早的固定自己的交易行为使之系统化，固定不变，在没有充分的了解市场的前提下，面临的只能是品尝失败。
一套自己的交易系统，不是一劳永益的盖世绝招，而是你对市场每一个细微之处都能深入了解---达到很细微.并且很全面。要总结经验，形成框架，这个框架就是你对市场的初步认识，它决定着你的行为，也就是你的交易。随着研究的深入，逐渐系统化，而这个框架至关重要，决定你今后的发展方向，不要去计划什么，在你眼前只有一个目标，深入分析市场，不断实践总结，周而复始，直到有一天你的交易系统就会自然成型。
曾有一个用波浪理论的高手和我交流，他说其经常能够预测到价格波动的高低点，并且因此而获利。但总体上的交易成绩并不是很理想。
在我的大多数朋友开始向我学习的时候，几乎都有一些实战经验，事实上，很多人的成绩相当不错。但是在交易的系统性方面，却有明显的欠缺。
如果你想长期稳定的获利，那么整体的交易应该是一个过程，而绝不是简简单单的一次预测或者一次全仓买入。其间至少包括：
另一方面，大多数投机者相信有一个通向市场的魔术：一个指标，一个形态，或者一个机械的交易系统，他们还肯定一小部分人正在使用着-------我在网上还见过售价24万元的一个公式，据说可百战百胜--------他们努力的想揭开这个魔术的秘密，从此而获利。
正确答案是:有，且答案就在你自己身上。
我可明确的告诉你：成功交易的一个秘密就是找到一套适合你的交易系统。这交易系统是非机械的，适合你自己个性的，有完善的交易思想、细致的市场分析和整体操作方案的。
交易系统，或说系统的交易方法，才是你长期稳定获利的正确方法。

❷ 如何学习算法框架

深度学习对于初学者而言，需要注意些什么问题，如何快速入门；
对比当前比较流行的深度学习框架，并分析各种框架的优缺点；
针对用 Python 实现各种算法模型时遇到的问题进行讨论；
讨论在学习 TensorFlow 并用其实现 Inception V1-V4 ，ResNet，DenseNet 等深度神经网络的过程中的难点，和在过程中出现的问题；
用现有算法框架实现自己的图像识别系统。

❸ 遗传算法的基本框架

遗传算法不能直接处理问题空间的参数，必须把它们转换成遗传空间的由基因按一定结构组成的染色体或个体。这一转换操作就叫做编码，也可以称作(问题的)表示(representation)。
评估编码策略常采用以下3个规范:
a)完备性(completeness):问题空间中的所有点(候选解)都能作为GA空间中的点(染色体)表现。
b)健全性(soundness): GA空间中的染色体能对应所有问题空间中的候选解。
c)非冗余性(nonrendancy):染色体和候选解一一对应。
目前的几种常用的编码技术有二进制编码，浮点数编码，字符编码，变成编码等。
而二进制编码是目前遗传算法中最常用的编码方法。即是由二进制字符集{0,1}产生通常的0,1字符串来表示问题空间的候选解。它具有以下特点：
a)简单易行
b)符合最小字符集编码原则
c)便于用模式定理进行分析，因为模式定理就是以基础的。 进化论中的适应度，是表示某一个体对环境的适应能力，也表示该个体繁殖后代的能力。遗传算法的适应度函数也叫评价函数，是用来判断群体中的个体的优劣程度的指标，它是根据所求问题的目标函数来进行评估的。
遗传算法在搜索进化过程中一般不需要其他外部信息，仅用评估函数来评估个体或解的优劣，并作为以后遗传操作的依据。由于遗传算法中，适应度函数要比较排序并在此基础上计算选择概率，所以适应度函数的值要取正值。由此可见，在不少场合，将目标函数映射成求最大值形式且函数值非负的适应度函数是必要的。
适应度函数的设计主要满足以下条件：
a）单值、连续、非负、最大化
b) 合理、一致性
c）计算量小
d）通用性强。
在具体应用中，适应度函数的设计要结合求解问题本身的要求而定。适应度函数设计直接影响到遗传算法的性能。 遗传算法中初始群体中的个体是随机产生的。一般来讲，初始群体的设定可采取如下的策略:
a)根据问题固有知识，设法把握最优解所占空间在整个问题空间中的分布范围，然后，在此分布范围内设定初始群体。
b)先随机生成一定数目的个体，然后从中挑出最好的个体加到初始群体中。这种过程不断迭代，直到初始群体中个体数达到了预先确定的规模。

❹ Miller Rabin算法的算法基本框架

目前的基于概率的素数测试算法一般都遵循一种基本的 框架[1]。给定一个正奇数n，定义一个集合W(n)属于集合Z(n) (Z(n)是模n的非负整数集合)并有如下属性：(1) 给定一个属于集合Z(n) 的非负整数a ，可以在多项式时间复杂度内判断a 是否属于集合W(n) ；(2) 如果n是一个素数，那么Z(n) 中属于集合W(n) 的元素 的个数为0； (3)如果n是一个合数，那么Z(n)中属于集合W(n)的元素的个数大于等于n/2。如果n是一个合数，那么集合W(n) 中的元素叫作合数n 的证据，集合L(n)=Z(n)－W(n)中的元素叫作合数n的伪证。 基于概率的素数测试算法的基本思路是：定义一个符合以上规则的集合W(n)，对待测整数n随机选择属于集合Z(n)的元 素a，检查a 是否属于集合W(n)，如果a 属于W(n)则可以确定n 是一个合数，如果a不属于W(n) 则n是素数的可能性大于等于1/2。对n 随机地选择元素a相对独立地作 t 轮这样的测试，则n是素数的可能性可以被控制在 1-(1/2)t以上。

❺ 策划入门4:如何建立起你的游戏框架

（四）：为你的游戏建立起一个完整的主框架
在第二部分如何写一个项目建议书中，我们提到了游戏主框架由哪些部分构成。作为一个游戏的设计者，你必须要时刻保持清醒的头脑，知道游戏到底应该是什么样子的。如果连设计人员都搞不清游戏的模样，那其他的程序、美术就更没办法开发了。为了保持清晰的思路，就要先给自己搭一个框架，让自己在大量繁杂的工作中不至于迷失了方向。那么从什么角度入手来建立这个框架呢？
对于刚入门的策划来讲，通过任务体系下手是最直接的也是最有效的。任何游戏尤其是RPG类游戏都有一个故事背景和主要线索，通过这些东西就可以很巧妙的设计出游戏的主要流程。首先要把主任务也就是主线索明确，这一点非常重要。很多游戏就是因为任务太散，进而冲淡了主题。整个游戏的跌宕起伏和曲折离奇都是通过剧情来推动的，如果在一开始不能把任务明确出来，在加入了分支剧情后各种因素集中在一起思路很容易就乱了。所以在设计的开头就把整个任务的框架搭建起来对思路的整理很有好处。
任务体系和故事是紧密结合在一起的。如何把故事改编成符合游戏设计思路的脚本是游戏剧本编写人员的工作。总体的任务框架是RPG类游戏的核心，其他的体系都可以依附在任务框架上。任务就好象写记叙文，不外乎人物、地点、事件等等诸要素组成。而人物就涉及到生命、体力、魔法、攻击力等属性，各种类型游戏根据不同需要而设计；地点就是地图体系，整个游戏的大地图系统和进入到某个城镇的场景设计都可以归入这个部分；事件分为很多类，包括对话、战斗、特殊事件发生、物品交换等。在这些诸多因素都已经在你的脑海中成型后，你大体上就把握住了游戏轮廓，一些相关的体系就随之建立起来了。
前面所提到过很多系统，从任务系统入手只是一个方面。由于游戏类型的众多，也很难统计出一种能够适用于全部类型的设计模式。对于即时战略类和策略类的游戏，更注重于游戏方法本身，那么这时的切入点就偏重于玩法设计。战斗系统和升级体系的建立就成为游戏主框架的核心，这时的任务就好象成了一个附属品，但并不是说任务就不重要了，巧妙的数值变化是需要一个个的精心设计的任务来体现出来的。但是总体的游戏规则设计是这些类型游戏的核心，如果一开始没有经过反复的演算把各种游戏数据变化进行平衡，最终的产品肯定是不堪一击的。
一些其他类型的游戏，比如格斗类、养成类、运动类等因为创意的玩点不同，所以设计的切入点也各不相同。在这里就不一一描述，本人也能力有限，有哪位高手对这些类型的游戏有研究的不妨一起探讨。
在选择好了切入点，接下来就是在核心设计的基础上逐渐展开完善，并最终形成游戏的骨干。其实游戏设计的每个模块都是相互渗透的，并没有绝对的主次之分，上面所说的其实只是寻找一个切入点以便能够快速找到感觉并深入进去。各个模块之间的关系大致如下：
上面的一个图是描述各个模块之间的关系图。生存体系和地图系统是整个游戏的基础：生存体系中包括所有可能出现的角色属性，可能会在设计过程中不断添加新属性。地图系统是游戏中涉及到的全部位置和地点，是设计中最为头痛的一个部分。这两个系统构成了游戏的基础，几乎所有的游戏都有这两个模块。
升级系统的所有数据都要来源于生存体系中的人物属性，如何设计升级算法让游戏更好玩，更耐玩是升级系统设计的关键。掌握好整个体系的平衡性，尤其在多人游戏时更为重要。升级体系的重要性也体现在游戏时间的控制上，既要让玩家感受到升级后的变化，又要合理控制升级的速度，难度是相当大的。大量的时间被用在反复的演算上，这时先用程序设计个小模型是个比较好的办法。
NPC设计和AI设计是一个整体，在这里把两者分开来是有目的的。NPC的作用有很多，有时是放道具的箱子，有时是完成任务的触发器，有时是你的敌人，有时是你的朋友。NPC设计和地图位置也有关系，每个NPC都有一定的活动范围，应根据剧情需要指定活动地点。AI是指游戏中的人工智能设计，和NPC的设计结合很紧密。由于该系统往往由程序和策划协调着设计，所以把这个部分单拉出来形成一个单独模块。一般的AI设计包括寻路算法、战斗方式选择以及对话应答等，由于该部分极为复杂这里就不再详细描述。

❻ 简述回溯法的2种算法框架,并分别举出适合用这两种框架解决的一个问题实例

回溯法（探索与回溯法）是一种选优搜索法，又称为试探法，按选优条件向前搜索，以达到目标。但当探索到某一步时，发现原先选择并不优或达不到目标，就退回一步重新选择，这种走不通就退回再走的技术为回溯法，而满足回溯条件的某个状态的点称为“回溯点”。
基本思想
在包含问题的所有解的解空间树中，按照深度优先搜索的策略，从根结点出发深度探索解空间树。当探索到某一结点时，要先判断该结点是否包含问题的解，如果包含，就从该结点出发继续探索下去，如果该结点不包含问题的解，则逐层向其祖先结点回溯。（其实回溯法就是对隐式图的深度优先搜索算法）。 若用回溯法求问题的所有解时，要回溯到根，且根结点的所有可行的子树都要已被搜索遍才结束。 而若使用回溯法求任一个解时，只要搜索到问题的一个解就可以结束

一般表达
可用回溯法求解的问题P，通常要能表达为：对于已知的由n元组（x1，x2，…，xn）组成的一个状态空间E={（x1，x2，…，xn）∣xi∈Si ，i=1，2，…，n}，给定关于n元组中的一个分量的一个约束集D，要求E中满足D的全部约束条件的所有n元组。其中Si是分量xi的定义域，且 |Si| 有限，i=1，2，…，n。我们称E中满足D的全部约束条件的任一n元组为问题P的一个解。
解问题P的最朴素的方法就是枚举法，即对E中的所有n元组逐一地检测其是否满足D的全部约束，若满足，则为问题P的一个解。但显然，其计算量是相当大的。

规律
我们发现，对于许多问题，所给定的约束集D具有完备性，即i元组（x1，x2，…，xi）满足D中仅涉及到x1，x2，…，xi的所有约束意味着j（j<=i）元组（x1，x2，…，xj）一定也满足d中仅涉及到x1，x2，…，xj的所有约束，i=1，2，…，n。换句话说，只要存在0≤j≤n-1，使得（x1，x2，…，xj）违反d中仅涉及到x1，x2，…，xj的约束之一，则以（x1，x2，…，xj）为前缀的任何n元组（x1，x2，…，xj，xj+1，…，xn）一定也违反d中仅涉及到x1，x2，…，xi的一个约束，n≥i≥j。因此，对于约束集d具有完备性的问题p，一旦检测断定某个j元组（x1，x2，…，xj）违反d中仅涉及x1，x2，…，xj的一个约束，就可以肯定，以（x1，x2，…，xj）为前缀的任何n元组（x1，x2，…，xj，xj+1，…，xn）都不会是问题p的解，因而就不必去搜索它们、检测它们。回溯法正是针对这类问题，利用这类问题的上述性质而提出来的比枚举法效率更高的算法。

❼ 进化算法的框架

进化算法是以达尔文的进化论思想为基础，通过模拟生物进化过程与机制的求解问题的自组织、自适应的人工智能技术。生物进化是通过繁殖、变异、竞争和选择实现的；而进化算法则主要通过选择、重组和变异这三种操作实现优化问题的求解。如图1： 1、t=0
2、初始化群体p(0)
3、评估初始化群体p(0)
4、while终止条件不满足do
5、 重组操作：p(t)=r(p(t))
6、 变异操作：p(t)=m(p(t))
7、 评估操作：p(t)
8、 选择操作：p(t+1)=s(p(t)UQ)
9、 t=t+1
10、end 图1：进化算法基本框架
其中r、m、s分别表示重组算子、变异算子、选择算子。

❽ 如何编写一个深度学习框架

个人看法:keras不能算是框架，只能算是一个warpper，集成了一些标准化的th/tf函数。
真正的框架应该是th/tf/caffe这样的。它们在底层实现了io、cpu/gpu管理、张量定义和操作以及symbolic体系，构建了一个适用于深度学习的科学计算体系。
如果你要做的是keras/tflearn/tensorlayer这样的high-level的框架(或者说API)，那么最基本的是深入了解一个底层框架比如tf，你需要用它来写高效的、标准化的层，写模块化的接口并整合一些其他组件构成一个框架。
如果你要做的是th/tf这样的底层框架，那么你需要具备手写dl算法的能力

❾ 算法设计-帮帮忙

这个估计要用文件输入
否则太累了
--我们必须尽量优化程序才能达到题目的要求。显然n实在是太大了，所以我们不但不可能忍受O(n2)的复杂度，甚至连n前面的系数过大都会造成超时。为了尽量减小时间复杂度，我们只能依靠自动机的理论。
自动机理论
一个DFA（确定性有限自动机）是一个五元组<∑, U, s, T, φ>，其中∑是字符集U 是一个有限的状态集合, s 是 U 的一个元素表示初始状态, T 是 U的一个子集，表示终止状态and φ : U × ∑ → U 是转移函数。
开始时自动机在初始状态s，每步它读入一个字符c，然后根据state=φ(state,c)进行状态的转移。如果当字符串结束时它达到了终止状态，那么就说它接受了字符串。
NFA（非确定性自动机）与DFA的主要区别就是，NFA从一个状态按照一个字符转移到的状态可能有多个。因此NFA需要使用一个状态集合来表示当前可能处在的状态。
把自动机用图来表示的话，一般用结点表示状态，而结点之间有标有某个字符的有向边，表示可以从边的起点通过这个字符转移到边的终点。
此外NFA还可以包含标有ε的边，这种边表示不需要任何字符就可以直接进行状态的转移。
容易想到，如果我们建立了一个只接受符合正则表达式的自动机，就可以通过它来较快的判断哪些位置是可匹配的。
具体应用
比较常见的字符串匹配自动机大多都是DFA。但是由于有+，*，把正则表达式直接转变成DFA是非常困难的。因此我们只能先把它转化成NFA。
先看一下一般的转换规则：
如果正则表达式是一个字符，那么对应的NFA是：
p0-a->p1
如果正则表达式是A+B的形式，那么只要把它们的起始状态和终止状态合并就可以：
p0-a->p1
p0-b->p1
如果正则表达式是AB的形式，那么只要把A和B对应的自动机首尾相接：
p0-a->p1-b->p2
如果正则表达式是A*的形式，那么就需要按下面的图来进行处理：
p0-a->p0
p0->p1
通过上面的步骤可以得出：NFA的状态数不会超过正则表达式长度。

NFA中的状态转移
在NFA中进行状态转移比DFA要困难一些。我们可以定义两个函数，一个叫做epsilon-closure，用来计算一组NFA状态通过epsilon边能够到达的NFA状态集合。另外一个move用来在NFA上进行状态的转移。
设当前的状态集合是now，那么状态转移的过程就是：
new = {}
for every state s in now do
new = new ∪ {t | (s,t) = c}
new = epsilon_closure(new)
其中的(s,t)=c表示从s状态经过一个字符c可以转化到t状态。因为这个语句需要的集合总数也不会太多，所以可以通过预先计算出它们来加快速度。预处理后这个过程的复杂度是O(m2)，而系数是比较小的。
但是由于在NFA中，我们必须把状态的集合作为一个真正的状态，每次状态转移都是对这个集合的处理。这样转移一次的复杂度是O(m2)，这是不可忍受的（最大的数据需要大约2分钟才能出解）。
既然NFA速度过慢，我们自然想要把它转化为DFA。因为DFA中的状态转移是O(1)的。可是并没有一个多项式复杂度的方法可以把NFA转换成DFA。一般介绍的NFA转换到DFA的方法都是通过类似BFS的方法来把NFA中所有可能出现的状态集合对应成DFA的一个状态。
这种转换在本题中显然是不可行的，因为NFA的结点数最多是500，而转化成的DFA则可能有多达2500个状态，即使实际有许多状态不能达到，也是无论如何不可以忍受的。
看来把NFA转换成DFA是行不通的。但是我们还是从NFA转DFA的过程中受到了一些启发：NFA之所以速度慢，是因为我们在进行状态转移的时候可能进行许多重复操作：比如从{1,2}沿一个字符1转移后是{2,3}，以后我们还可能遇到相同的情况，而这时我们还会用O(m2)的时间去进行状态转移。这是一种很严重的浪费。因此我们每进行一次状态转移，就把这个状态转移的情况放到hash表中，以后使用的时候就可以查找了。这相当于只把我们需要的一部分子集转移成DFA，虽然一般情况下并不能降低时间复杂度，但是在实际应用中确实很有效。（特别是对于没有*和括号的自动机，这样做可以保证线形的时间复杂度）
算法回顾和细节
我们重新来看一下算法的框架：
根据正则表达式建立NFA
now = start
while not eof do begin
read(c);
if 曾经进行过now,c的转移 then 利用以前的结果
else 进行状态转移并记录结果
if 终止状态 in now then 输出当前位置
end
建立NFA有各种方法，由于NFA并不会很大，所以我们可以使用递归的方法来实现。为了尽量减小系数，我们使用位压缩的方式来实现集合，并采用较为简化的hash函数（比如把一个集合位压缩后的一系列整数加起来取对220的余数），并在输入和输出的时候通过缓冲区来加快速度。这样就基本可以达到题目的时间要求。
但是注意到字符串可能有10M，而产生的NFA的状态集合最多也可能有10M个，而每个集合都需要100到200字节的存储空间，大大超出了允许的空间范围。因此我们需要对hash表的规模加以严格限制。如果规模过大就不得不放弃存储状态的想法，牺牲一定的时间来换取空间。