cap算法

⑴ 网络流的最大流算法

1、augment path，直译为“增广路径”，其思想大致如下：
原有网络为G，设有一辅助图G'，其定义为V(G') = V(G)，E(G')初始值（也就是容量）与E(G)相同。每次操作时从Source点搜索出一条到Sink点的路径，然后将该路径上所有的容量减去该路径上容量的最小值，然后对路径上每一条边<u,v>添加或扩大反方向的容量，大小就是刚才减去的容量。一直到没有路为止。此时辅助图上的正向流就是最大流。
我们很容易觉得这个算法会陷入死循环，但事实上不是这样的。我们只需要注意到每次网络中由Source到Sink的流都增加了，若容量都是整数，则这个算法必然会结束。
寻找通路的时候可以用DFS，BFS最短路等算法。就这两者来说,BFS要比DFS快得多，但是编码量也会相应上一个数量级。
增广路方法可以解决最大流问题，然而它有一个不可避免的缺陷，就是在极端情况下每次只能将流扩大1（假设容量、流为整数），这样会造成性能上的很大问题，解决这个问题有一个复杂得多的算法，就是预推进算法。
2、push label，直译为“预推进”算法。
3、压入与重标记(Push-Relabel)算法
除了用各种方法在剩余网络中不断找增广路(augmenting)的Ford-Fulkerson系的算法外，还有一种求最大流的算法被称为压入与重标记(Push-Relabel)算法。它的基本操作有：压入，作用于一条边，将边的始点的预流尽可能多的压向终点；重标记，作用于一个点，将它的高度（也就是label）设为所有邻接点的高度的最小值加一。Push-Relabel系的算法普遍要比Ford-Fulkerson系的算法快，但是缺点是相对难以理解。
Relabel-to-Front使用一个链表保存溢出顶点，用Discharge操作不断使溢出顶点不再溢出。Discharge的操作过程是：若找不到可被压入的临边，则重标记，否则对临边压入，直至点不再溢出。算法的主过程是：首先将源点出发的所有边充满，然后将除源和汇外的所有顶点保存在一个链表里，从链表头开始进行Discharge，如果完成后顶点的高度有所增加，则将这个顶点置于链表的头部，对下一个顶点开始Discharge。
Relabel-to-Front算法的时间复杂度是O(V^3)，还有一个叫Highest Label Preflow Push的算法复杂度据说是O(V^2*E^0.5)。我研究了一下HLPP，感觉它和Relabel-to-Front本质上没有区别，因为Relabel-to-Front每次前移的都是高度最高的顶点，所以也相当于每次选择最高的标号进行更新。还有一个感觉也会很好实现的算法是使用队列维护溢出顶点，每次对pop出来的顶点discharge，出现了新的溢出顶点时入队。
Push-Relabel类的算法有一个名为gap heuristic的优化，就是当存在一个整数0<k<V，没有任何顶点满足h[v]=k时，对所有h[v]>k的顶点v做更新，若它小于V+1就置为V+1。
cpp程序: #include<cstdio>#include<cstring>#include<algorithm>#include<queue>#;inttt,kase;intnn,m;intH[45],X[1004],P[1004],flow[1004],tot,cap[1005];intd[45];intS,T;voidadd(intx,inty,intz){P[++tot]=y;X[tot]=H[x];H[x]=tot;flow[tot]=z;cap[tot]=flow[tot];}queue<int>q;boolbfs(){memset(d,0,sizeof(d));d[S]=1;intx;q.push(S);while(!q.empty()){x=q.front();q.pop();for(inti=H[x];i;i=X[i]){if(flow[i]>0&&!d[P[i]]){d[P[i]]=d[x]+1;q.push(P[i]);}}}returnd[T];}intdfs(intx,inta){if(x==T||a==0)returna;intf=a,tmp;for(inti=H[x];i;i=X[i]){if(flow[i]>0&&d[P[i]]==d[x]+1){tmp=dfs(P[i],min(flow[i],a));flow[i]-=tmp;a-=tmp;flow[i^1]+=tmp;if(!a)break;}}if(f==a)d[x]=-1;returnf-a;}intDinic(){intf=0;while(bfs())f+=dfs(S,inf);returnf;}intmain(){/**输入过程省略**/intmaxflow=Dinic();printf(%d ,maxflow);return0;}

⑵ 请教：新加坡国立大学的本科生如何考本校的研究生

1.是这样的
2.读完本科去读硕士或者博士的，只要能拿到offer，基本上都有奖学金的。学费包括在奖学金里面，而且每个月还有一定的生活费。硕士一般在1500新币每个月左右，博士在2500新币左右。如果没有奖学金的话，教授会安排一个兼职，一般是帮忙教课(教习题课的那种)，这样的话一个月大概可以拿800新币左右。
3.by course就是授课型的，修完所需要的学分就可以毕业。by research就是研究型的，除了学习要求的科目以外，还需要有自己的研究课题，这种跟国内的大学差不多。一个是侧重实践一个侧重研究。另外，毕业证书上有点小小的区别。

GPA是毕业的成绩，南洋理工大学的是这个叫法。国立大学叫毕业后的成绩CAP，意思是累计加权平均分，算法都是一样的。

⑶ CAP：多重注意力机制，有趣的细粒度分类方案 | AAAI 2021

论文: Context-aware Attentional Pooling (CAP) for Fine-grained Visual Classification

  论文认为大多数优秀的细粒度图像识别方法通过发掘目标的局部特征来辅助识别，却没有对局部信息进行标注，而是采取弱监督或无监督的方式来定位局部特征位置。而且大部分的方法采用预训练的检测器，无法很好地捕捉目标与局部特征的关系。为了能够更好地描述图片内容，需要更细致地考虑从像素到目标到场景的信息，不仅要定位局部特征/目标的位置，还要从多个维度描述其丰富且互补的特征，从而得出完整图片/目标的内容。
  论文从卷积网络的角度考虑如何描述目标，提出了context-aware attentional pooling(CAP)模块，能够高效地编码局部特征的位置信息和外观信息。该模块将卷积网络输出的特征作为输入，学习调整特征中不同区域的重要性，从而得出局部区域的丰富的外观特征及其空间特征，进而进行准确的分类。
  论文的主要贡献如下：

  论文算法的整体流程如上图所示，输入图片，输出具体从属类别，包含3个组件(3组参数)：

[图片上传失败...(image-bc43b-1644805770766)]

  定义卷积网络输出的特征为 ，CAP的模块综合考虑像素级特征、小区域特征、大区域特征以及图片级特征的上下文信息进行分类。

[图片上传失败...(image-818dc8-1644805770766)]

  像素级特征的上下文信息主要学习像素间的关联度 ，在计算 位置的输出时根据关联度综合所有其他像素特征，直接使用self-attention实现，特征转化使用 卷积。这一步直接对主干网络输出的特征进行操作，但没在整体流程图中体现。

  为了更高效地学习上下文信息，论文在特征图 上定义不同粒度级别的基本区域，粒度级别由区域的大小决定。假设 位置上的最小的区域为 为例，可通过放大宽高衍生出一系列区域 ， ， 。在不同的位置产生相似的区域合集 ，得到最终的区域合集 。 覆盖了所有的位置的不同宽高比区域，可以提供全面的上下文信息，帮助在图片的不同层级提供细微特征。

  按照上一步，在特征图上得到 个区域，大小从最小的 到最大的 ，论文的目标是将不同大小的区域表示为固定大小的特征，主要采用了双线性插值。定义 为坐标转换函数， 为区域坐标，对应的特征值为 ，则转换后的图片 的 坐标上的值为:

  为采样函数， 为核函数，这里采用的是最原始的方法，将目标坐标映射回原图，取最近的四个点，按距离进行输出，最终得到池化后的固定特征 。

  这里，论文使用全新的注意力机制来获取上下文信息，根据 与其他特征 的相似性进行加权输出，使得模型能够选择性地关注更相关的区域，从而产生更全面的上下文信息。以查询项 和一组关键词项 ，输出上下文向量 ：

  参数矩阵 和 用来将输入特征转换为查询项核关键项， 为非线性组合， 和 为偏置项，整体的可学习参数为 ，而注意力项 则代表两个特征之间的相似性。这样，上下文向量 能够代表区域 蕴含的上下文信息，这些信息是根据其与其他区域的相关程度获得的，整体的计算思想跟self-attention基本相似。

  上下文向量 描述了区域的关键程度和特点，为了进一步加入空间排列相关的结构信息，论文将区域的上下文向量 转为区域序列(论文按上到下、左到右的顺序)，输入到循环神经网络中，使用循环神经网络的隐藏单元 来表达结构特征。
  区域 的中间特征可表示为 ， 采用LSTM， 包含LSTM的相关参数。为了增加泛化能力和减少计算量，上下文特征 由 进行全局平均池化得到，最终输出上下文特征序列 对应的隐藏状态序列 ，后续用于分类模块中。

[图片上传失败...(image-aab286-1644805770766)]

  为了进一步引导模型分辨细微的变化，论文提出可学习的池化操作，能够通过组合响应相似的隐藏层 来整合特征信息。论文借鉴NetVLAD的思想，用可导的聚类方法来对隐藏层的响应值进行转换，首先计算隐藏层响应对类簇 的相关性，再加权到类簇 的VLAD encoding中：

[图片上传失败...(image-2d95b2-1644805770766)]

  每个类簇都有其可学习的参数 和 ，整体思想基于softmax，将隐藏层的响应值按softmax的权重分配到不同的类簇中。在得到所有类簇的encoding向量后，使用可学习的权值 和softmax进行归一化。因此，分类模块 的可学习参数为 。

[图片上传失败...(image-d9e014-1644805770766)]

  在不同的数据集上，对不同方法进行对比。

  不同主干网络下的准确率对比。

  不同模块输出特征的可视化，图b是加入CAP后，主干网络输出的特征。

  论文提出细粒度分类解决方案CAP，通过上下文感知的注意力机制来帮助模型发现目标的细微特征变化。除了像素级别的注意力机制，还有区域级别的注意力机制以及局部特征编码方法，与以往的视觉方案很不同，值得一看。

 

 
 
 

⑷ 请问Cap数据包是什么意思

CAP数据包简单来说指的就是客户端向无线路由器发送的一个数据包，这个数据包是经过特殊算法加密的，里面包含着登陆无线路由器的密码，只有完全与无线路由器中的设定的数据相符，才会允许客户端登陆从而达到无线上网的目的，讲的比较简单，希望你能够大概的了解一下，如果你需要更详细的信息可以网络一下相关知识！谢谢！

⑸ 算法基础

谨以此文，感谢我在这个学校最喜欢的两个老师之一——肖my老师。本文基本为老师上课说讲授内容加上一部分自己的感悟拼凑而来，写作文本的目的是为自己的算法课程留下一点点东西，站在老师肩膀上形成粗糙的框架，方便以后的复习以及深入。文笔有限，其中包含的错误还请多多包容，不吝赐教。

to do list：

时间复杂度中递归树法；动规，分治新的感悟；

点覆盖：一组点的集合，使得图中所有边都至少与该集合中一个点相连。

支配集：一组点的集合，使得图中所有的点要么属于该集合，要么与该集合相连。

最大团：在一个无向图中找出点数最多的完全图。

独立集：一组点的集合，集合中的顶点两两不相邻。（团转过来）

SAT问题：也称布尔可满足性问题。给一组变

其中Ci被称为句子。

点覆盖<->独立集<->最大团

最小割：割是一组边集。如s-t割就是如果去掉这些边，将把原图划分为两个点集，其中一个点集包含s，一个点集包含t。（两个是指不相连，而不是代表不存在边相连，如反向边）

decision problem: 是否存在。

search problem:找到一个解。

（这个还能扩展，比如decision problem在多项式时间内解决，所以他是P问题吗）

渐进符号：

注意以上三种都是紧的，对应的两个小写的符号是不紧的，即如下图所示：

概念：算法的时间复杂度是一个函数，用于定性描述算法的运行时间。注意，这个一个代表算法输入字符串长度的函数。

[注]输入字符串长度是一个比较关键的理解，比如在背包问题中，其时间复杂度为O(nW)，因为W不定，所以只能是一个伪多项式时间。

比较：c < log2N < n < n * Log2N < n^2 < n^3 < 2^n < 3^n < n! < n^n

大致：常数<对数<幂函数<指数函数<阶乘

对于指数是n相关的进行比较，优先比较指数，再比较底数。

记住一个特例：n ^(logn)<n!<n n

计算：

一般来说，计算采用主方法和递归树法，其中递归树技巧性比较强，主方法其实也是递归树推导归纳而来，且主方法能得到一个比较紧的结果。

主方法：

f(n) = af(n-b)+g(n) =>O( a^(n/b) *g(n) )

P：decision problems有一个多项式算法。

NP（nondeterministic polynomial-time）：decision problems能够在多项式时间内验证。

NPC：NP完全问题，首先这个问题是NP的，其次，其他所有问题都可以多项式时间内归约到它。

NPH：如果所有NP问题都可以多项式时间归约到某个问题，则称该问题为NP困难。

因为NP困难问题未必可以在多项式时间内验证一个解的正确性（即不一定是NP问题），因此即使NP完全问题有多项式时间的解（P=NP），NP困难问题依然可能没有多项式时间的解。因此NP困难问题“至少与NP完全问题一样难”。

一些NP问题能在多项式时间内解决，因为 P∈NP

NP难类型问题的证明：

先选好一个已知NP难的问题，然后将已知NP难问题多项式归约到要证明的问题上。先给出这个归约，然后再证明这个归约的正确性。

NPC类型问题的证明：

证明一个问题Y是NPC问题，先说明Y是NP的，然后找到一个NPC问题X，将这个问题X归约到问题Y上，即证明完成。

常见的NPC问题（重要，规约的时候有用！）：

packing problems: set-packing，独立集

覆盖问题：集合覆盖问题，顶点覆盖问题

严格满足问题(constraint satisfaction problems)：SAT，3SAT

序列问题：哈密尔顿回路，旅行商问题

划分问题：3D-matching, 3着色问题

数字问题：子集合问题（子集元素之和为t），背包问题

其他：分团问题（是否存在一个规模为k的团）

规约的概念与理解

规约：意味着对问题进行转换，例如将一个未知的问题转换成我们能够解决的问题，转换的过程可能涉及到对问题的输入输出的转换。

自归约：search problem <=p decision problem

归约：A归约到B，也就是说，我们对A套一个函数f，在f函数的作用下形成一个新的问题，对这个问题运用B的黑盒解法，能够解决问题A。

(B <=p A)一般说来，B问题如果可以归约到A问题，也就是说，一个解决A问题的算法可以被用做子函数（子程序）来解决B问题，也就是说，求解B问题不会比求解A问题更困难。因此，如果B问题是困难的，那么A问题也就是困难的，因为不存在求解A问题的高效算法。(最后一句不懂)

我简单说一下我理解的规约，以X规约到Y为准，大概分成两个方面：

注：在 三 的一些实例中细品。

概念：在对问题求解时，总是做出在当前看来是最好的选择。

贪心的证明：先假设贪心算法得到的解不是最优解，假设S1是贪心算法得到的解，而S2是所有最优解中和S1具有最多相同元素的解，然后比较S1和S2，观察S1和S2中第一个（最前面一个）不一样的元素，然后在贪心解S2中将不一样的元素换成S1中的那个元素得到另一个最优解S3，这样S3和S1比S2和S1有更多相同元素，和假设S2是与S1有最多相同元素的最优解矛盾，这样来推导S1是最优解。

我的理解：假设这个不是最优的，但是一定存在一个最优的解在某一个位置之前和我当前解结构是一样的，那么在这个位置，选最优解也可以选当前解，不影响最终答案。

[注]概念很简单，但是实际操作的时候，贪心的角度很重要，同样的贪心，方向对了，算法就是对的。

例子：

给你一系列活动，每个活动有一个起始时间和一个结束时间，要求在活动不冲突的情况下找到一种有最多活动的安排。

对于这个问题，我们有一下几种贪心的角度：

①将任务按照 开始时间 升序排列。

②将任务按照 结束时间 升序排列。

③将任务按照 任务时长 升序排列。

④对于每一个任务，都记录与其他任务冲突的数量，按照 冲突数量 的升序排列。

其中1，3，4都是不可以的。

任务结束时间的贪心证明（反证法）：

假设贪心不是最最优的，那我们在最优解中找一个与当前解有最相似的解。

由图可以知道，贪心贪的就是最早结束，所以如果不是最优，那么最优的结束时间一定晚于贪心的结束时间。

由上图就可以证明。

最大流通常与最小割相联系。

f 为任意一个流，cap为容量，对于任意的s-t割出来的点集（A，B），v( f ) <= cap(A, B)。

当流增加到与割的容量相等时候，就不可能再有增长空间了，称为最大流。

对于割的容量来说，不同的割法会有不同流量，有些割法永远不会有流达到，比如部分A = {s}, B = {V - s}，这种把源点割出来的割法。

综上，通过这种感性的认识，如果能找到一个最小的割，那么这个割就一定是最大能跑到的流（如果流能更高的话在这个割上就会超过容量，反证。）

上图为一条增广路，一条增广路即为一条s-t的路径，在路径上仍有流可以跑，其曾广的流就是该条路径上最小的剩余容量。（相当于每找一条增广路，就至少有一条边达到满流。）

直到在图中找不到增广路，此时已经达到了最大流。

找ST集合：把满流的边去掉，从S出发走到能到的点，遍历的点就是S集合；剩下的点就属于T集合。注意，如果找到了在找S集合的时候找到了T点，说明还可以继续找增广路。

[补]有一个很有趣的延伸，如多源点多终点问题。问：如果我有两个源点s1，s2，两个终点t1，t2，我想求一组流，使得s1-t1，s2-t2的流达到最大，是否可以加一个源点S，S与s1，s2相连，边流无限大；加一个终点T，T与t1，t2相连，边流无限大，然后这组ST的最大流即可。——答案是No，无法保证是s1-t1，s2-t2，有可能交错。

例子讲的感觉不是特别好，对理解感觉起不到很大作用，希望以后有新的想法后进行补充。

规约是一个重要的概念和思想。

一个图的 最大独立集 与 最小点覆盖 是不相交的两个点集，它们的并就是整个点集。

个人理解：独立集和点覆盖都是从点的角度进行划分的，如果我们从边的角度来看，①一个最小的点覆盖即为我集合中的每一个点都尽可能与更多的边相连，②同时，一条边的两个端点中，只能有一个端点在最小点覆盖中[下注]

[注]我们假设有一条边两个端点（u，v）都在点覆盖之中，首先显然u，v都不是端点，因为假设u是端点的话只需要选择v即可；

给一个集合S和一堆S的子集S1，S2，...，Sm，问是否存在存在k个子集，使它们的并集为S。

构造：

集合为点，集合中的元素为边，有相同元素的边相连。（注意如果某一元素只在一个子集中出现，应该怎么处理呢！）

规约：在构造的图中找最小的点覆盖，选中的点能覆盖所有的边即为对应集合的并集能包含所有的元素。所以就完成了集合覆盖到点覆盖的规约。

构造：每个句子构造一个三角形，把对应变量但是相反取值的点相连。

规约：3SAT的有一个特点就是，每一个句子中至少有一个为真即可，每个句子都必须是真。将相同变量相反取值相连的目的就是，在最大独立集中，比如选择x为真，则剩下所有句子中x-ba一定不会被选中，同时由独立集和构造出来三角形的性质可以知道，每一个句子，有且仅有一个会被选中（为真）。如上图，x1-ba为真，x2-ba和x3任选一个为真即可满足。

search problem <=p decision version

比如：如果能在多项式时间内找到一个哈密尔顿圈，那么就能在多项式时间内找到一个哈密尔顿圈（删边）

在此再谈P和NP：

我们知道有些问题是可以从搜索问题规约到判断问题的，也就是所该问题如果能在多项式内判断，那么久能在多项式中搜索到，那么我们只需要说，这个判断问题能在多项式时间内求解，就叫做P问题，也就是上图红字的意思；那NP问题呢，必须要给出一个解的实例，判断的是这个实例是否满足求解问题，这个才是上图中的红字。比如，我如果能在多项式时间内判断哈密尔顿圈是否（Yes/No）存在，那这个就是ploy-time algorithm，如果我给出了一系列点，能过多项式时间内判断这些点能否构成哈密尔顿圈，那这个就是poly-time certifier。

构造：把一个点拆分成三个点。

构造：（下面两个图要连在一起看）

从行的角度看，一行代表一个变量；从列的角度来看，每三列代表一个句子。两边中一边是两个点，一边是一个点，所以有k个句子的话，每一行有3k+3个节点。从哈密尔顿圈的答案转到3SAT的答案看这个圈在每一行是从左到右还是从右到左。

子集和问题：给一个集合S，问是否能在集合中选取元素，使得总和为W。

构造：如下图，按照前六行和前三列进行分割，可以分成4部分，其中1,3,4部分是固定的，即在第一部分，变量v列和 变量为v（包括变量及取反）的行对应的格子为0，其余为0；第三部分全为0；第四部分按照12依次写下来。第二部分，如果Ci句子中有变量v，则记为1，因为一个句子只有三个变量，可以简单通过第二部分每一列和为3进行判定。此时集合已经构造出来，W为111444，与上面的规约相似，可以通过3SAT的简单性质进行感性的认知。

近似的想法很简单，要解决一个问题，我们希望能够做到①求解结果是最优的 ②在多项式时间内解决 ③对于任意的实例都能够通过该算法解决。现在对于部分问题，无法完全满足以上要求，所以就牺牲了①，但是我们希望结果不是盲目的，所以就引入了近似的概念。

近似算法。比如2-近似，认为W为近似解，W 为最优解，在求最小值的情况下W<=2W ；在求最大值的情况下，W>=1/2W*

给m个机器和n个任务，每个任务有一个ti的执行时间，我们认为完成最后一个任务所需的时间为负载时间，希望能够让这个负载时间最短。

第一种：将任务依次放在机器上，当某个机器空闲时立即放入新任务。此时是2近似的。

证明：

引理1.最短时间安排是大于等于任务中时间最长的任务，L* >= max tj

我们在考虑放入最后一个任务前，根据我们放置的规则，该机器是耗时最短，也就是说，该机器此时的用时是低于除掉最后一个任务后的平均时长，更低于所有任务的平均时长（引理2）；再根据引理1，最后一个任务应该是小于最优解的。

补充：

在这里，我还想讨论一下这个近似算法的中等于符号，先上结论：等号不一定能够找到一个实例，但是可以构造出一种结构，通过取极限求得，我们认为这样 也算是紧的。

构造实例：有m个机器，其中m(m-1)个任务的用时为1，1个任务的用时为m。肯定有一种任务集合，可以按照以下方式进行安排，此时的贪心解为19。

此时最佳的解为10，如下图：

通过推广可以知道此时的比为（2m-1）/m，当m取极限，能够达到2倍。

第二种：将任务从大到小排序，然后依次放在机器上，当某个机器空闲时立即放入新任务。此时是2近似的。

引理3：如果有大于m个任务，那么L*>=2t(m-1)。证明：t(m+1)是目前最短的任务，且目前所有机器上都有任务了，所以该任务加入时最优的情况不过是加入设备的原有任务刚好和t(m+1)相等，即等号。

（2近似）在n个点中，选取k个中心点，使得这些中心点能够以半径R的圆包含所有的点，让其中最大的半径最小，如下图所示：

基础：距离需要满足的三个定理①(同一性)dist(x, x) = 0 ②(自反)dist(x, y) = dist(y, x) ③(三角不等式)dist(x, y) <=dist(x, z)+dist(z, y)

r(C)为C集合中所有点的最大覆盖半径。（需要求min r(C)）

算法：在点集中任选一个作为中心点，然后重复以下步骤k-1次:选取距离已选点集中最远的点，加入点集。

证明：先假设r(C )< 1/2 * r(C)以选好的点画半径为1/2 * r(C)的圆，显然可知[注]，这个圆里有且仅有一个r(C )中的点。那么根据在下图中，根据三角不等式可以得出：

[注]在每个点上r(c )一定会包含到c点，而r(C )<1/2 * r(C)，相当于大圆套小圆，所以c*一定在c的圆中。

（2近似）问题还是很好理解的，在点上加权值，要找一个点覆盖，使得权值最小。如下图左边就是一个带权的最小点覆盖。

算法： 任选一条边(i, j)加上代价，这个代价从零开始，且这个代价的最大值低于i和j节点的权值。显然，这个边权值的最大值取决于两个端点权值的最小值，我们认为当边权值与点权值相等时，对应的那个点是紧的。把所有紧的点找出来即为点覆盖。

流程：

证明：

引理：边权之和小于等于点覆盖的点权之和。这主要是由于涉及到一条边上两个点都被选（紧的）的情况，感性认知可以看上图，缩放证明如下：

w(S)是等于所选的节点的权值之和的，等于所选节点节点所对应的边权之和，可以把它放大到所有节点对应边权之和，这样因为一条边(u, v)在u上算过一次后还要在v上算一次，所以等于边权和的两倍。再由上面引理可得。

主要为了线性规划和整数规划。

（2近似）没啥好说的，只需要把方程构造出来就行了。

由于求解出来结果不一定是整数，所以我们认为某一点的值大于1/2，就选入点集。

证明：

因为xi+xj >=1,且都是正数，那必至少一个点是大于1/2的（反证，两个都小于1/2则和小于1）。

给你n个物品和一个背包，每个物品有一个价值v和一个大小w，背包的容量是W，要求让背包装下尽可能大价值。

背包的时间复杂度：O(nW)

注意其中n表示物品的个数，无论是1个还是999个，他都是多项式的，这个很好理解。但是W就不一样了，这是一个数字。我理解的是这个数字会很奇特，比如1.00001，比如99999，这些有可能看起来不大但是实际在处理的时候很难处理的数字，统一的来说，如果我们把这些数字放在电脑上，都会以二进制的方式存储起来，有些数字用十进制表示很小，但是放在二进制上面就会很大，由W导致不能在多项式时间内解决（找不到一个范围/上界来框它）。

算法： 为了处理这个问题，我们改动了dp的状态转移方程，要让这个转移方程和W无关[注]。

此时还不是多项式的，然后我们再对value进行约。[注]

[注]这两步中，我们把w改成v，并对v进行近似处理。OPT的含义变成了，在面对是否选择第i个物品时，要想让价值达到当前值，最少的weight。理由是更改后的误差是可以忍受的：对v进行近似，结果只会出现最大价值的上下误差，如果对w进行近似，则有可能出现该物品不能放入背包中，导致整个物品直接放弃的情况。

⑹ CAP CAC 都是什么意思

CAP：中国议事专家协会（China Association of Parliamentarians），是2014年12月由美国全国议事专家协会（英文缩写National Association of Parliamentarians，简称NAP）批准的分会。CAP的宗旨是，基于协商会议规则及相关理念和原则，开展富有教育性、文学性和专业性的教学、推广、传播活动；致力于促进公众对议事规则的兴趣和使用，进一步实现NAP的目标和宗旨。
CAC：coremail anti-spam center，反垃圾邮件服务运营中心。垃圾邮件发送者不断变换着邮件的发送和编写方式，使得垃圾邮件越来越多。盈世Coremail针对现状，部署了国内首个商业CAC（反垃圾邮件服务运营中心，coremail anti-spam center）。CAC在线对最新垃圾邮件样本进行实时分析，以智能算法学习+人工严格审核双重服务机制，大幅增强对可疑邮件的过滤判定，综合提升对用户垃圾邮件的拦截率。同时，在Webmail上设置用户垃圾邮件举报功能。当用户有收到垃圾邮件时，只需在Webmail上选中邮件垃圾就可以举报至CAC中心，CAC便可对用户举报的垃圾邮件进行样本分析，用户与厂商共同提高垃圾邮件过滤率。

⑺ CAP协议以及算法

两阶段提交

Two-phase Commit（2PC）：保证一个事务跨越多个节点时保持 ACID 特性；

两类节点：协调者（Coordinator）和参与者（Participants），协调者只有一个，参与者可以有多个。

过程：

需要注意的是，在准备阶段，参与者执行了事务，但是还未提交。只有在提交阶段接收到协调者发来的通知后，才进行提交或者回滚。

存在的问题

Paxos（Lamport）：

分布式系统中的节点通信存在两种模型： 共享内存 （Shared memory）和 消息传递 （Messages passing）。

基于消息传递通信模型的分布式系统，不可避免的会发生以下错误：进程可能会慢、被杀死或者重启，消息可能会延迟、丢失、重复，在基础Paxos场景中，先不考虑可能出现消息篡改即 拜占庭错误 的情况。

Paxos算法解决的问题是在一个可能发生上述异常的 分布式系统 中如何就某个值达成一致，保证不论发生以上任何异常，都不会破坏决议的一致性。

主要有三类节点：

过程：

规定一个提议包含两个字段：[n, v]，其中 n 为序号（具有唯一性），v 为提议值。

下图演示了两个 Proposer 和三个 Acceptor 的系统中运行该算法的初始过程，每个 Proposer 都会向所有 Acceptor 发送提议请求。

当 Acceptor 接收到一个提议请求，包含的提议为 [n1, v1]，并且之前还未接收过提议请求，那么发送一个提议响应，设置当前接收到的提议为 [n1, v1]，并且保证以后不会再接受序号小于 n1 的提议。

如下图，Acceptor X 在收到 [n=2, v=8] 的提议请求时，由于之前没有接收过提议，因此就发送一个 [no previous] 的提议响应，并且设置当前接收到的提议为 [n=2, v=8]，并且保证以后不会再接受序号小于 2 的提议。其它的 Acceptor 类似。

如果 Acceptor 接受到一个提议请求，包含的提议为 [n2, v2]，并且之前已经接收过提议 [n1, v1]。如果 n1 > n2，那么就丢弃该提议请求；否则，发送提议响应，该提议响应包含之前已经接收过的提议 [n1, v1]，设置当前接收到的提议为 [n2, v2]，并且保证以后不会再接受序号小于 n2 的提议。

如下图，Acceptor Z 收到 Proposer A 发来的 [n=2, v=8] 的提议请求，由于之前已经接收过 [n=4, v=5] 的提议，并且 n > 2，因此就抛弃该提议请求；Acceptor X 收到 Proposer B 发来的 [n=4, v=5] 的提议请求，因为之前接收到的提议为 [n=2, v=8]，并且 2 <= 4，因此就发送 [n=2, v=8] 的提议响应，设置当前接收到的提议为 [n=4, v=5]，并且保证以后不会再接受序号小于 4 的提议。Acceptor Y 类似。

当一个 Proposer 接收到超过一半 Acceptor 的提议响应时，就可以发送接受请求。

Proposer A 接受到两个提议响应之后，就发送 [n=2, v=8] 接受请求。该接受请求会被所有 Acceptor 丢弃，因为此时所有 Acceptor 都保证不接受序号小于 4 的提议。

Proposer B 过后也收到了两个提议响应，因此也开始发送接受请求。需要注意的是，接受请求的 v 需要取它收到的最大 v 值，也就是 8。因此它发送 [n=4, v=8] 的接受请求。

Acceptor 接收到接受请求时，如果序号大于等于该 Acceptor 承诺的最小序号，那么就发送通知给所有的 Learner。当 Learner 发现有大多数的 Acceptor 接收了某个提议，那么该提议的提议值就被 Paxos 选择出来。

Raft（14年）： 简化，更容易理解，也更容易实现。

引入主节点，通过竞选。

节点类型：Follower、Candidate 和 Leader

Leader 会周期性的发送心跳包给 Follower。每个 Follower 都设置了一个随机的竞选超时时间，一般为 150ms~300ms，如果在这个时间内没有收到 Leader 的心跳包，就会变成 Candidate，进入竞选阶段。

流程：
① 下图表示一个分布式系统的最初阶段，此时只有 Follower，没有 Leader。Follower A 等待一个随机的竞选超时时间之后，没收到 Leader 发来的心跳包，因此进入竞选阶段。

② 此时 A 发送投票请求给其它所有节点。

③ 其它节点会对请求进行回复，如果超过一半的节点回复了，那么该 Candidate 就会变成 Leader。

④ 之后 Leader 会周期性地发送心跳包给 Follower，Follower 接收到心跳包，会重新开始计时。

① 如果有多个 Follower 成为 Candidate，并且所获得票数相同，那么就需要重新开始投票，例如下图中 Candidate B 和 Candidate D 都获得两票，因此需要重新开始投票。

② 当重新开始投票时，由于每个节点设置的随机竞选超时时间不同，因此能下一次再次出现多个 Candidate 并获得同样票数的概率很低。

① 来自客户端的修改都会被传入 Leader。注意该修改还未被提交，只是写入日志中。

② Leader 会把修改复制到所有 Follower。

③ Leader 会等待大多数的 Follower 也进行了修改，然后才将修改提交。

④ 此时 Leader 会通知的所有 Follower 让它们也提交修改，此时所有节点的值达成一致。

⑻ 2009年广东省电子商务助理师考试题

一、单项选择题

1.进入21世纪，我国大量需要一种既懂现代信息技术又懂电子商务的（ ）人才。
（A）专用型（B）综合性（C）复合型（D）理想型

2.（ ）是电子商务师职业活动能够正常进行的重要保证。
（A）谦虚谨慎、办事公道（B）遵纪守法、廉洁奉公（C）实事求是、工作认真（D）恪守机密、严守机密

3.电子商务师无论是搜集信息、提供意见、拟写文件，都必须端正思想，坚持（ ）的原则。
（A）客观实际（B）实事求是（C）工作认真（D）坚持实践

4.只有（ ）、公道正派的电子商务师，才能做到胸襟宽阔，在工作中充满朝气和活力。
（A）谦虚谨慎（B）办事公道（C）宽容大度（D）朝气活泼

5.电子商务师的（ ）是对电子商务人员在职业活动中的行为规范。
（A）职业道德修养（B）商业道德（C）思想道德（D）职业道德

6.国家对计算机信息系统安全专用产品的销售实行（ ）制度。
（A）特许证（B）许可证（C）信用证（D）安全证

7.世界上最早的电子钱包系统是（ ）。
（A）Mondex（B）VisaCash（C）MasterCard（D）Clip

8.由MasterCard和Visa联合开发的一种被称为（ ）的标准，为网上信息及资金的安全流通提供了充分的保障。
（A）ATM（B）PIN（C）SSL（D）SET

9.如Lycos、AltaVista等搜索引擎系统，其服务方式是面向网页的全文检索服务，被称之为（ ）
（A）目录式搜索引擎（B）机器人搜索引擎（C）元搜索引擎（D）全文数据库检索引擎

10.（ ）比较适用于对关键问题的定性调查研究。
（A）网上问卷调查法（B）视讯会议法（C）电子邮件法（D）随机IP法

11.1996年3月14日，国家新闻出版署发布了电子出版物暂行规定，加强对CD-ROM、CD-G(即)等电子出版物的保护。
（A）图文光盘（B）交互式光盘（C）只读光盘（D）照片光盘

12.《电子商务示范法》是（ ）于1996年通过的，这将促进协调和统一国际贸易法。
（A）国际贸易法委员会（B）国际商会（C）欧盟贸易法委员会（D）美国贸易法委员会

13.电子邮件是Internet上最频繁的应用之一，它是采用（ ）进行传输的。
（A）HTTP（B）TCP/IP（C）ATP（D）SMTP

14.（ ）只能取回文件，一般不得上传文件的功能。
（A）Telnet（B）FTP（C）E-mail（D）Usenet

15.《示范法》第6条规定“如法律要求须采用书面形式，则假若一项数据电文所含信息可以调取以备日后查用，即满足了该项要求。”至于“日后查用”，它指的是（ ）。
（A）可存储性（B）不可重复性（C）功能（D）可更改性

16.互联网络是一种功能最强大的营销工具，它所具备的（ ）营销能力，正是符合定制营销与直复营销的未来趋势。
（A）一对多（B）一对一（C）多对一（D）多对多

17.防火墙是一种计算机硬件和软件的结合，使互联网与内部网之间建立起一个（ ），从而保护内部网免受非法用户的侵入。
（A）安全等级保护制度（B）安全信息系统（C）安全网关（D）安全保护

18.物流的信息化包括（ ）和数据库的建立、运输网络合理化、销售网络系统化和物流中心管理电子化等。
（A）商品代码（B）条形码（C）配送网络（D）信息系统

19.（ ）是一种可以在屏幕上显示的小型图片广告，用户用鼠标点击该图片，它就会自动扩大展示广告版面。
（A）图片广告（B）旗帜广告（C）移动广告（D）链接广告

20.（ ）是IBM公司开发的关系数据管理系统。
（A）ORACLE（B）DB2（C）SYBASE（D）SQLServer

21.WinZIP的界面为标准的（ ）界面，共有4个菜单和8个快捷按钮。
（A）UNIX（B）Linux（C）Windows（D）WindowsNT

22.框架也称为（ ），通过框架技术能够把Web浏览器的窗口分成几个独立的区域，每一个区域即为一个框架。
（A）表格（B）栏目（C）帧（D）网页

23.使用字体标记（ ）可以设置文字的字体、大小和颜色。
（A）<h1>（B）<h6>（C）（D）<font>

24.源码病毒在程序被编译之前插入到FORTRAN、C或PASCAL等语言编制的（ ）。
（A）源程序（B）主程序（C）语言处理程序（D）连接程序

25.安装防病毒软件文件夹时建议采用（ ）。
（A）备份文件夹（B）暂时文件夹（C）命名文件夹（D）默认文件夹

26.当实时监控程序发现病毒时，都将显示出一个对话框，共有（ ）选择方案，由用户自己选择要采取什么动作。
（A）1种（B）2种（C）3种（D）4种

27.实时监控的目标分为：软盘、本地硬盘、光盘、（ ）。
（A）主机（B）系统（C）网络邻居（D）文件

28.主页是InternetExplorer每次启动时最先打开的起始页，它有（ ）设置方法。
（A）2种（B）3种（C）4种（D）5种

29.InternetExplorer把各种Web站点分成（ ）安全区域，并对各个区域分别指定不同的安全等级。
（A）2种（B）3种（C）4种（D）5种

30.URL的格式为：（协议）∶//（主机名）∶（ ）/（文件路径）/（文件名）。
（A）文件号（B）端口号（C）路径号（D）主机号

31.TCP/IP协议规定，每个IP地址由（ ）（NETID）和主机地址（HOSTID）两部分组成。
（A）域名地址（B）链接地址（C）路径地址（D）网络地址

32.域名是树状结构，其树状结构称为（ ），由InterNIC负责管理。
（A）域名空间（B）域名地址（C）域名系统（D）域名管理

33.计算机病毒按其入侵方式可分为：操作系统型病毒、（ ）、外壳病毒、入侵病毒。
（A）定时病毒（B）随机病毒（C）源码病毒（D）圆点病毒

34.每个IP地址由（ ）个二进制构成。
（A）15（B）20（C）28（D）32

35.在Internet上实现文件运程传输，共享Internet上的资源，客户机与服务器的连接称为（ ）。
（A）链接（B）登录（C）上传（D）下载

36.按照界面风格的不同，FTP软件可分为两类：（ ）和图形界面。
（A）字形界面（B）字符界面（C）声音界面（D）文件界面

37.一般情况下，用户登录主机时，用户名输入（ ），不需要密码。
（A）guest（B）admin（C）manager（D）anonymous

38.Telnet是一个（ ），文件名为Telnet.exe。
（A）独立程序（B）附加程序（C）暂时程序（D）永久程序

39.HTML语言可以描述图像的位置、大小等属性，但不能直接描述图像上的（ ）。
（A）颜色（B）像素（C）文字（D）代码
我的答案：
40.用FrontPage创建框架网页时，框架网页有（ ）视图方式。
（A）5种（B）4种（C）3种（D）2种

41.FTP服务器提供（ ）的共享资源，用户可以从FTP服务器上下载所需要的文件到本地计算机上。
（A）海量（B）足量（C）定量（D）少量

42.端口是指进入（ ）的通道，一般为默认端口。
（A）主机（B）系统（C）服务器（D）网络

43.完成“名字--地址”映射的过程叫（ ）。
（A）名字解析（B）地址解析（C）正向解析（D）反向解析

44.域名系统对名字结构作了定义：名字从左到右结构，而表示的范围从小到大，这与IP地址表示的顺序正好（ ）。
（A）一致（B）相反（C）符合（D）相逆

45.在Internet主机域名中，（ ）代表国家--荷兰。
（A）hl（B）nl（C）eg（D）gr

46.Telnet在运行过程中，启动两个程序，一个叫Telnet客户程序，它运行在本地机上，另一个叫Telnet服务器程序，它运行在需要登录的（ ）上。
（A）客户机（B）主机（C）远程计算机（D）远程主机

47.如果插入图像的颜色不超过256色，FrontPage编辑器会自动转换为（ ）格式；否则，转换为（ ）格式。
（A）GIF/JPEG（B）ARJ/SCR（C）ZIP/GIF（D）JPEG/GIP

48.<font>是成对标记，它有3种属性：face、size、（ ）属性。
（A）center（B）title（C）color（D）body

49.在<html>～</html>之间包含两个主要的部分，一个是“标题设定区”，另一个是“HTML网页文本区”，前后使用（ ）标记框住。
（A）<head>~</head>（B）<ul>~</ul>（C）<a>~</a>（D）<body>~</body>

50.大麻病毒是一种典型的（ ）。
（A）入侵病毒（B）外壳病毒（C）源码病毒（D）操作系统病毒

51.Usenet命名规则第一部分确定专题小组所属的大类，约有（ ）顶级类别。
（A）6个（B）8个（C）10个（D）12个

52.通信出口速率是选择（ ）服务提供商的一个十分关键的信息。
（A）旗帜广告（B）公告栏广告（C）按钮广告（D）插页广告

53.对各国进口商详细信息的收集可以从（ ）入手。
（A）向建立联系的各国进口商询问（B）通过专业管理机构及行业协会查询（C）通过新闻机构的站点查询（D）通过大型数据库检索

54.（ ）是随机过程的等时间隔的离散数值记录。
（A）时间序列（B）判别分析（C）聚类分析（D）相关分析

55.rec.autos.driving中的顶级域名为（ ）。
（A）未列出（B）driving（C）autos（D）rec

56.Usenet是按照主题来划分组的，参与每个组讨论的人都是对该组的主题有着共同的兴趣，Usenet有着强大的生命力，靠的是绝大多数参与者（ ）。
（A）自由热情（B）自觉守法（C）自觉维护（D）共同爱好

57.投放旗帜广告的首选站点是（ ）。
（A）搜索引擎（B）主页（C）导航台（D）最有价值的网站

58.网络媒体与传统媒体的最大区别是（ ）。
（A）广告费用（B）广告效果统计分析（C）广告收益（D）广告效率

59.使用电子邮件的签名，不仅完成了签名的功能，还起到了（ ）的效果。
（A）展示（B）传播（C）广告（D）宣传

60.常用的聚类分析法有（ ）、系统聚类法、模糊聚类法等。
（A）序贯聚类法（B）样品聚类法（C）相关聚类法（D）时间聚类法

61.对如何运用广告宣传作为推销商品的重要手段等的研究，属于（ ）的范畴。
（A）促销策略研究（B）产品策略研究（C）广告策略研究（D）营销策略研究

62.从网络商务信息本身所具有的总体价格水平来看，可以将它大致地分为免费商务信息等（ ）等级。
（A）2个（B）3个（C）4个（D）5个

63.相对于传统商务信息，网络商务信息具有（ ）、准确性高、便于存储等显着特点。
（A）使用价值大（B）实效性强（C）时效性强（D）价值大

64.在互联网营销环境下，对不同的消费者提供不同的商品，其顾客化方式的驱动力是（ ）。
（A）市场导向（B）消费导向（C）最终消费者（D）国外分销商

65.网络营销与传统营销的整合，就是利用（ ）实现以消费者为中心的传播统一、双向沟通，实现企业的营销目标。
（A）整合营销策略（B）市场营销策略（C）促销策略（D）网络营销策略

66.利用Infoseek等数量型的搜索工具可以查询（ ）资料。
（A）生产商报价（B）销售商报价
（C）国际贸易数据（D）各国进口商详细信息

67.网络市场调查中邮发给调查对象的调查表，由问候语、问题项目单、回答栏、（ ）4个部分构成。
（A）编码表（B）主题（C）奖励措施（D）调查背景资料

68.时间序列分析是根据系统观测得到的时间系列数据，通过（ ）和参数估计来建立数学模型的理论和方法。
（A）趋势分析（B）误差分析（C）曲线拟合（D）系统观测

69.网络营销的企业竞争是一种以()为焦点的竞争形态.
(A)供应商(B)市场(C)顾客(D)眼球

70.在线调查表设计的问题应能()回答的。
（A）在记忆范围内（B）引导地（C）诱问地（D）简明扼要地

71.（ ）是指时间序列从上升趋势突然变为下降趋势的点。
（A）跳点（B）拐点（C）前兆点（D）预测点

72.（ ）是利用线段的升降来说明现象的变动情况，主要用于表示现象在时间上变化趋势、现象的分配情况和两个现象之间的依存关系。
（A）折线图（B）柱形图（C）曲线图（D）箱图

73.在新闻组软件中，点击工具栏中的（ ）可以将一个文件作为帖子的附件一并发送。
（A）标注标记（B）发送按钮（C）回形针标记（D）邮件按钮

74.访问新闻组和浏览主页、发送电子邮件、下载和FTP上传文件（ ）进行。
（A）必须连续（B）可以同时（C）不可以同时（D）分阶段

75.许多新闻组服务器之间、新闻服务器与BBS之间（ ）交换数据（转信）。
（A）不（B）连续（C）定期(D)限定

76.在新闻组中发布广告需要根据（ ）的主题来选择讨论组。
（A）新闻内容(B)新闻信息(C)广告内容（D）广告信息

77.（ ）是国内着名的ICP提供、有着内容和信誉的充分保障，有专业人员精心编辑制作，具有很强的时效性、可读性和交互性。
（A）电子广告（B）电子杂志（C）电子图书（D）电子邮件

78.新闻组（ ）软件能够对各种新闻组信息进行有效的组织，方便用户查询、阅读、回应，能够提高用户信息处理效率。
（A）主机（B）服务器（C）客户端（D）信息处理

79.网络信息的收集，绝大部分是通过搜索引擎找到信息发布源获得的，这减少了信息传递的中间环节，因此（ ）。
（A）存储性大（B）实效性强（C）准确性高（D）更为快捷

80.网络营销对传统产品品牌策略的冲击表现在（ ）。
（A）对传统广告障碍的消除（B）适应品牌的全球化管理（C）对传统营销渠道的冲击（D）对传统营销方式的冲击

81.网上商店要尽可能使客户对本商店产生强烈的第一印象，因此，（ ）是第一位也是最重要的事情。
（A）突出网页的涉及（B）突出网页设计的颜色（C）突出商店的商标（D）突出销售商品的种类

82.购物车显示模块主要采用（ ）技术来实现的。
（A）Order（B）Cookie（C）Gateway（D）Contract

83.（ ）是通过计算机网络系统订立的，以数据电文的方式生成、存储或传递的合同。
（A）数字合同（B）数据合同（C）电子合同（D）信息合同

84.如果买卖双方在签订合同时协商好，自行解决，SCCN（ ）合同履行。
（A）一定参与（B）必须参与（C）可以不参与（D）不参与

85.信息服务合同是指以提供信息服务为标的的合同，如信息访问、（ ）、交易平台服务等。
（A）音乐下载（B）软件下载（C）在线支付（D）认证服务

86.（ ）是网络通讯中标志通讯各方身份信息的一系列数据，提供一种在Internet上验证身份的方式。
（A）数字认证（B）数字证书（C）电子证书（D）电子认证

87.数字签名为保证其不可更改性，双方约定使用（ ）。
（A）HASH算法（B）RSA算法（C）CAP算法（D）ACR算法

88.在公开密钥密码体制中，加密密钥即（ ）。
（A）解密密钥（B）私密密钥（C）公开密钥（D）私有密钥

89.一般情况下，电子商厦中多家网上商店的网上单证，如订单的后台处理均由（ ）来完成。
（A）在线（B）财务系统（C）企业内部（D）网站

90.（ ）是由VISACARD和MASTERCARD合作开发完成的，在互联网上实现安全电子交易的协议标准。
（A）SSL（B）SET（C）DES（D）RSA

91.（ ）软件不仅支持网上支付的操作，还可以使用其软件管理各种电子货币和处理交易记录。
（A）电子货币（B）电子支票（C）电子现金（D）电子钱包

92.（ ）最早是由英国的西敏银行和米德兰银行为主开发和倡议使用的电子货币系统。
（A）eCash（B）CyberCoin（C）Mondex（D）eWallet

93.电子钱包中记录的每笔交易的交易状态有成功、（ ）、订单拒绝和未完成。
（A）订单丢失（B）订单接收（C）订单确认（D）订单传送

94.SSL协议属于网络（ ）的标准协议。
（A）物理层（B）传输层（C）应用层（D）对话层

95.微软公司的IE浏览器包括了一个（ ）组件，可以支持各种类型的银行卡。
（A）电子钱包（B）电子支票（C）电子现金（D）电子货币

96.以下哪一项不是保证网络安全的要素？（ ）
（A）信息的保密性（B）发送信息的不可否认性
（C）数据交换的完整性（D）数据存储的唯一性

97.电子合同按标的的不同可分为：（ ）。
（A）有形信息产品合同和无形信息产品合同
（B）信息产品合同和非信息产品合同
（C）信息许可使用合同和信息服务合同
（D）网络产品信息合同和非网络产品信息合同

98.网上单证出现问题可能来自（ ）。
（A）网上单证软件的稳定性（B）网络消费者操作失误（C）单证传输流程出错（D）系统遭受病毒侵扰

99.订单生成模块将各个网上商店生成各商店的订单，再将各商店级的订单综合而成（ ）的订单。
（A）商品级（B）商厦级（C）网上商店级（D）购物车级

100.网上商店的客户订单处理流程完善必须考虑成本因素、时间因素、供货准确性因素、（ ）等关键因素。
（A）信息因素（B）客户因素（C）市场因素（D）经营因素

参考答案：

CBBADDABDBAADADBAACB
CCDADDCBCBDACDBBDABA
CCCBBCACDDCABADBCBDB
CCBCADACCABCCBCBCCBB
CBCCDBACDBDCBDADBBBA

⑼ 大学成绩单里的CAP是什么意思

应该是GPA，成绩平均绩点（英文：Grade Point Average，缩写：GPA）。

是大多数大学及高等教育院校所采用的一种评估学生成绩的制度，同时也有少量中学采用这种制度。计算方法为把学科所得到的评级，换算成为一个绩点，再按照各学科所占学分比例加权所得的数字。具体算法因国家、地区及学校的不同，形成不同差异。

作用

绩点是课程学习质的体现，它充分反映了学生掌握课程知识的程度，而不包括绩点的学分制是不完整的。因此，许多高校引入绩点制来进一步完善学分制，使课程学分与绩点相结合，成为课程学分绩点，通过计算平均学分绩点来区分学生的学习质量。

(9)cap算法扩展阅读:

学分制

大学里每一门课程都有一定的学分。只有通过这门课的考试，才能获得相应的学分。只有学分积累到专业要求后才能毕业。如果提前修完所要求课程与学分，还可以提前毕业。

学分制是一种更加灵活的弹性学制，为学生在校期间创造了更多的灵活性，包括在一段时间内申请休学、创业，鼓励学有余力的同学提前毕业以及辅修、攻读其他专业和学位。

部分大学要求学生在校期间必须修满专业教学计划规定的必修课和选修课最低要求学分数，每学期必须如此，如果达不到，会得到成绩警告。

每学期最低学分一般计算方法为：每学期最低学分=总学分/2×（标准学制+2）

同时，每学期修读学分一般不得超过专业教学计划规定的最高学分，经批准如有超选，超选部分按有关规定加收超选费。

每学期最高学分一般计算方法为：每学期最高学分=总学分/2×（标准学制－1）