pm算法

❶ 12点55Pm 是白天还是晚上

12点55Pm，指中午的12点55分。

5月19号的12点55Pm，指5月19号中午的12点55分。

PM，拉丁语post meridiem的缩写，意为午后，用于十二小时制。所谓“午后”，即每天的12：00：00～23：59：59时段。

目前，十二小时制仍然是大多数指针式钟表显示时间的方法，注意钟面上数字没有0，但有12，所以起点是12。24小时制的0:30，在钟面上读成12:30，再加meridiem进行区分上午(AM)和下午(PM)。

(1)pm算法扩展阅读：

同24小时制相对比，12小时制常常被反对者提到的缺点有：

(1）文表示法无法正确区分表示中午12时与午夜12时。（指英文的12:00 ante meridiem与12:00post meridiem难正确区分是中午还是午夜）

(2）午夜12时具体表示哪一天可能造成混淆。例如2月3日午夜12时，无法区分是2月3日00:00（即2月2日24:00）还是2月3日24:00（即2月4日00:00）。

(3）后缀 ante meridiem/post meridiem占用更多的空间。

(4）若要按时间排序，计算机程序无法简单地按字符串排序。

(5）电子设备与软件需要的实现算法更加复杂。

❷ 请问什么是遗传算法，并给两个例子

遗传算法(Genetic Algorithm, GA)是近几年发展起来的一种崭新的全局优化算法，它借
用了生物遗传学的观点，通过自然选择、遗传、变异等作用机制，实现各个个体的适应性
的提高。这一点体现了自然界中"物竞天择、适者生存"进化过程。1962年Holland教授首次
提出了GA算法的思想，从而吸引了大批的研究者，迅速推广到优化、搜索、机器学习等方
面，并奠定了坚实的理论基础。 用遗传算法解决问题时，首先要对待解决问题的模型结构
和参数进行编码，一般用字符串表示，这个过程就将问题符号化、离散化了。也有在连续
空间定义的GA(Genetic Algorithm in Continuous Space, GACS)，暂不讨论。

一个串行运算的遗传算法(Seguential Genetic Algoritm, SGA)按如下过程进行：

(1) 对待解决问题进行编码；
(2) 随机初始化群体X(0):=(x1, x2, … xn)；
(3) 对当前群体X(t)中每个个体xi计算其适应度F(xi)，适应度表示了该个体的性能好
坏；
(4) 应用选择算子产生中间代Xr(t)；
(5) 对Xr(t)应用其它的算子，产生新一代群体X(t+1)，这些算子的目的在于扩展有限
个体的覆盖面，体现全局搜索的思想；
(6) t:=t+1；如果不满足终止条件继续(3)。
GA中最常用的算子有如下几种：
(1) 选择算子(selection/reproction): 选择算子从群体中按某一概率成对选择个
体，某个体xi被选择的概率Pi与其适应度值成正比。最通常的实现方法是轮盘赌(roulett
e wheel)模型。
(2) 交叉算子(Crossover): 交叉算子将被选中的两个个体的基因链按概率pc进行交叉
，生成两个新的个体，交叉位置是随机的。其中Pc是一个系统参数。
(3) 变异算子(Mutation): 变异算子将新个体的基因链的各位按概率pm进行变异，对
二值基因链(0,1编码)来说即是取反。
上述各种算子的实现是多种多样的，而且许多新的算子正在不断地提出，以改进GA的
某些性能。系统参数(个体数n,基因链长度l,交叉概率Pc,变异概率Pm等)对算法的收敛速度
及结果有很大的影响，应视具体问题选取不同的值。
GA的程序设计应考虑到通用性，而且要有较强的适应新的算子的能力。OOP中的类的继
承为我们提供了这一可能。
定义两个基本结构：基因(ALLELE)和个体(INDIVIDUAL)，以个体的集合作为群体类TP
opulation的数据成员，而TSGA类则由群体派生出来，定义GA的基本操作。对任一个应用实
例，可以在TSGA类上派生，并定义新的操作。

TPopulation类包含两个重要过程：
FillFitness: 评价函数，对每个个体进行解码(decode)并计算出其适应度值，具体操
作在用户类中实现。
Statistic: 对当前群体进行统计，如求总适应度sumfitness、平均适应度average、最好
个体fmax、最坏个体fmin等。

TSGA类在TPopulation类的基础上派生，以GA的系统参数为构造函数的参数，它有4个
重要的成员函数：
Select: 选择算子，基本的选择策略采用轮盘赌模型（如图2）。轮盘经任意旋转停止
后指针所指向区域被选中，所以fi值大的被选中的概率就大。
Crossover: 交叉算子，以概率Pc在两基因链上的随机位置交换子串。
Mutation: 变异算子，以概率Pm对基因链上每一个基因进行随机干扰(取反)。
Generate: 产生下代，包括了评价、统计、选择、交叉、变异等全部过程，每运行一
次，产生新的一代。

SGA的结构及类定义如下(用C++编写)：
[code] typedef char ALLELE; // 基因类型
typedef struct{
ALLELE *chrom;
float fitness; // fitness of Chromosome
}INDIVIDUAL; // 个体定义

class TPopulation{ // 群体类定义
public:
int size; // Size of population: n
int lchrom; // Length of chromosome: l
float sumfitness, average;

INDIVIDUAL *fmin, *fmax;
INDIVIDUAL *pop;

TPopulation(int popsize, int strlength);
~TPopulation();
inline INDIVIDUAL &Indivial(int i){ return pop[i];};
void FillFitness(); // 评价函数
virtual void Statistics(); // 统计函数
};

class TSGA : public TPopulation{ // TSGA类派生于群体类
public:
float pcross; // Probability of Crossover
float pmutation; // Probability of Mutation
int gen; // Counter of generation

TSGA(int size, int strlength, float pm=0.03, float pc=0.6):
TPopulation(size, strlength)
{gen=0; pcross=pc; pmutation=pm; } ;
virtual INDIVIDUAL& Select();
virtual void Crossover(INDIVIDUAL &parent1, INDIVIDUAL &parent2,
INDIVIDUAL &child1, INDIVIDUAL &child2);
&child1, INDIVIDUAL &child2);
virtual ALLELE Mutation(ALLELE alleleval);
virtual void Generate(); // 产生新的一代
};
用户GA类定义如下：
class TSGAfit : public TSGA{
public:
TSGAfit(int size,float pm=0.0333,float pc=0.6)
:TSGA(size,24,pm,pc){};
void print();
}; [/code]

由于GA是一个概率过程，所以每次迭代的情况是不一样的；系统参数不同，迭代情况
也不同。在实验中参数一般选取如下：个体数n=50-200，变异概率Pm=0.03, 交叉概率Pc=
0.6。变异概率太大，会导致不稳定。

参考文献
● Goldberg D E. Genetic Algorithm in Search, Optimization, and machine

Learning. Addison-Wesley, Reading, MA, 1989
● 陈根社、陈新海，"遗传算法的研究与进展"，《信息与控制》，Vol.23,
NO.4, 1994, PP215-222
● Vittorio Maniezzo, "Genetic Evolution of the Topology and Weight Distri
bution of the Neural Networks", IEEE, Trans. on Neural Networks, Vol.5, NO
.1, 1994, PP39-53
● Xiaofeng Qi, Francesco Palmieri, "Theoretical Analysis of Evolutionary
Algorithms with an Infinite Population Size in Continuous Space. Part Ⅰ
l Networks, Vol.5, NO.1, 1994, PP102-119
● Xiaofeng Qi, Francesco Palmieri, "Theoretical Analysis of Evolutionary
Algorithms with an Infinite Population Size in Continuous Space. Part Ⅱ
al Networks, Vol.5, NO.1, 1994, PP102-119
● Gunter Rudolph, Convergence Analysis of Canonical Genetic Algorithms, I
EEE, Trans. on Neural Networks, Vol.5, NO.1, 1994, PP96-101
● A E Eiben, E H L Aarts, K M Van Hee. Gloable convergence of genetic alg
orithms: A Markov chain analysis. in Parallel Problem Solving from Nat
ure. H.-P.Schwefel, R.Manner, Eds. Berlin and Heidelberg: Springer, 1991
, PP4-12
● Wirt Atmar, "Notes on the Simulation of Evolution", IEEE, Trans. on Neu
ral Networks, Vol.5, NO.1, 1994, PP130-147
● Anthony V. Sebald, Jennifer Schlenzig, "Minimax Design of Neural Net Co
ntrollers for Highly Uncertain Plants", IEEE, Trans. on Neural Networks, V
ol.5, NO.1, 1994, PP73-81
● 方建安、邵世煌，"采用遗传算法自学习模型控制规则"，《自动化理论、技术与应
用》，中国自动化学会 第九届青年学术年会论文集，1993, PP233-238
● 方建安、邵世煌，"采用遗传算法学习的神经网络控制器"，《控制与决策》，199
3,8(3), PP208-212
● 苏素珍、土屋喜一，"使用遗传算法的迷宫学习"，《机器人》，Vol.16,NO.5,199
4, PP286-289
● M.Srinivas, L.M.Patnaik, "Adaptive Probabilities of Crossover and Mutat
ion", IEEE Trans. on S.M.C, Vol.24, NO.4, 1994 of Crossover and Mutation",
IEEE Trans. on S.M.C, Vol.24, NO.4, 1994
● Daihee Park, Abraham Kandel, Gideon Langholz, "Genetic-Based New Fuzzy
Reasoning Models with Application to Fuzzy Control", IEEE Trans. S. M. C,
Vol.24, NO.1, PP39-47, 1994
● Alen Varsek, Tanja Urbancic, Bodgan Filipic, "Genetic Algorithms in Con
troller Design and Tuning", IEEE Trans. S. M. C, Vol.23, NO.5, PP1330-13
39, 1993

❸ 如何确定空气首要污染物

先分算AQI即IAQI 再取最大值即为一天的AQI指数，评价项目二氧化硫，二氧化氮，PM2.5，PM10，臭氧（8小时滑动，其他未注明评价24小时平均）和一氧化碳，不同浓度对应不同的分AQI值，具体算法:例如PM2.5浓度为60微克立方米，（35微克立方米对应50，75微克立方米对应100，具体查表），算出分AQI为81.25，算出6个分AQI取最大，最大分AQI污染物为首要污染物。AQI指数对应不同评级(优良轻度中度重度)。

❹ 你应该知道的维特比译码

嵌牛导读：维特比译码是一种高效的卷积码译码方法，该方法由Andrew Viterbi 发明，并以他的名字命名。

嵌牛鼻子：Viterbi译码

嵌牛提问：维特比译码的性能相比分组码等其他编码的译码性能究竟好在哪里，如何来评估？编码约束度和监督位数量对维特比译码的性能是如何产生影响的。

嵌牛正文：

在接收端，我们有一组对应于发射监督比特的电压采样序列。为简单并不失一般性，我们将假设接收端获得了最佳采样点（或者一组采样集的均值对应一个监督位），通过与阈值比较判为“0”或“1”（解映射），并将判决结果传递给译码器。在没有关于采样点和译码器其它信息的情况下，译码过程被称为硬判决译码。

下面简述硬判决维特比译码：

译码算法使用两个度量：分支度量（branch metric,BM）和路径度量（path metric,PM）。分支度量计算的是发射和接收内容之间的“距离”，它是为网格中的每条分支路径定义的。在硬判决译码中，给出一组已经数字化的接收监督比特，分支度量就是监督比特预测值和接收监督比特之间的汉明距离。下图展示了一个示例，其中接收的位为00，对于每个状态转移，分支路径上的数字显示该转移的分支度量。其中有两条路径的分支量度为0，对应于汉明距离为0的唯一状态和转移关系，其他非0分支量度对应于存在位错误的情况。

路径度量值与网格中的状态相关联。对于硬判决解码，它对应于网格中从初始状态到当前状态的最可能路径与接收监督比特序列间的汉明距离。“最有可能”是指在计算从初始状态到当前状态之间的所有可能路径度量后，取汉明距离最小的那条。

维特比算法的关键点在于，接收机可以使用分支度量和先前计算的状态路径度量递推地计算当前状态的路径度量。

计算路径度量

假设接收机已经在时刻i计算好每个状态s的路径量度PM[s,i]（设卷积码的编码约束度为K，则状态数为2^(K-1)）。在硬判决译码中，PM[s,i]的值是在接收监督比特与最可能发送的消息进行比较时得到的差错比特总数（通常我们将状态“00”作为起始状态）。

在时刻i的所有可能状态中，最可能的状态是具有最小路径度量的状态。如果具备最小路径度量的状态不止一个，那它们拥有相等的可能性。

现在，我们如何确定时刻i+1下每个状态s的路径度量PM[s,i+1]呢？要回答这个问题，首先要注意的是，对于i+1时刻的状态s，它必须由i时刻的两种可能状态中的一个中转移而来。这两个之前状态记为α和β，并且对于给定的状态s，它们是固定的。实际上α和β仅由卷积码的编码约束度决定，与生成多项式无关。图2显示了每个状态的之前状态（箭头的另一端），该例中，对于状态00，α= 00 ，β= 01；对于状态01，α= 10 ，β= 11。

任何使得发射机在i+1时刻处于状态s的信息序列必定使得发射机在i时刻位于状态α或β。例如，在图2中，在时刻i+1时到达状态01，必定符合以下两点之一：

1. 发射机在时刻i位于状态10，且第i个信息比特为0。在这种情况下，发射机输出监督位11。由于接收比特为00，因此将产生2位误码，新的状态路径度量PM[01,i+1] = PM[10,i] + 2。

2. 发射机在时刻i位于状态11，且第i个信息比特为0。在这种情况下，发射机输出监督位01。由于接收比特为00，因此将产生1位误码，新的状态路径度量PM[01,i+1] = PM[11,i] + 1。

通过上面直观的分析，我们看到：

寻找最大似然路径

现在我们可以来描述译码器是如何找到最大似然路径了。初始时，状态00代价为0，其它2^(k-1)-1个状态代价为正无穷（∞）。

算法的主循环由两个主要步骤组成：首先计算下一时刻监督比特序列的分支度量，然后计算该时刻各状态的路径度量。路径度量的计算可以被认为是一个“加比选”过程：

1.将分支度量与上一时刻状态的路径度量相加。

2.每一状态比较达到该状态的所有路径（每时刻每个状态只有两条这样的路径进行比较，因为只有两条来自前一时刻状态的分支）。

3.每一状态删除其余到达路径，保留最小度量的路径（称为幸存路径），该路径对应于错误最少的路径。

一直采取这样的方法直到最后产生一条路径，所判决出来的的码即是译码结果。

❺ 变频器中pm是什么意思

三晶 S350系列是新一代高性能矢量变频器，有如下特点：

■采用最新高速电机控制专用芯片DSP，确保矢量控制快速响应
■硬件电路模块化设计，确保电路稳定高效运行
■外观设计结合欧洲汽车设计理念，线条流畅，外形美观
■结构采用独立风道设计，风扇可自由拆卸，散热性好
■无PG矢量控制、有PG矢量控制、转矩控制、V/F控制均可选择
■强大的输入输出多功能可编程端子，调速脉冲输入，两路模拟量输出
■独特的“挖土机”自适应控制特性，对运行期间电机转矩上限自动限制，有效抑制过流频繁跳闸
■宽电压输入，输出电压自动稳压（AVR），瞬间掉电不停机，适应能力更强
■内置先进的 PID 算法 ，响应快、适应性强、调试简单 ； 16 段速控制，简易PLC 实现定时、定速、定向等多功能逻辑控制，多种灵活的控制方式以满足各种不同复杂工况要求
■内置国际标准的 MODBUS RTU ASCII 通讯协议，用户可通过PC/PLC控制上位机等实现变频器485通讯组网集中控制

❻ PM2.5空气质量指数(AQI)是怎样算出来的,例如实测浓度等于0.035是什么意思

所谓的“实测浓度”指的是PM2.5在一个自然日内,连续若干个小时的测量浓度的算数平均值。单位一般用μg/m3,你这个数据则是用的mg/m3。在环境保护部颁布的 HJ 633-2012 《环境空气质量指数 (AQI) 技术规定(试行)》 中,规定了AQI的计算公式以及其数值的含义。你可以看第8/9页。通常去查那个表格就行,不需要自己去计算PM2.5浓度对应的AQI。

❼ 算法设计

按你的意思，每一种商品都有{1，2，3，4，5}这5种重要度吗？
如果是，就好办了。
此时，MAX=(P1+P2+……+Pm)*5，算法的意义就在求MAX1=P1+P2+……+Pm

1、先将商品按价格排序（比如从小到大）；
2、Pz=N-Pmin (N为当前持有的钱数也可理解为之前买过商品后剩余的钱 数；Pmin为商品中最低的价格；Pz只是个中间变量。）
3、以Pz作为价格上限，去购买商品中价格最高的商品。
（剩余的钱数为N）
4、重复第2到3步，直到第3步条件不满足，则进行第5步。
5、假如第3步中Pz<Pmin，则直接拿N去购买商品中价格最大的商品。

等等，我这算法还不够严谨，没有考虑重复商品的情况。
考虑重复商品的情况要改第2步，这里不能简单的用(N-Pmin)了。先将这里的Pmin改为Pm吧，这个Pm要重新计算。
计算Pm的步骤：
1、将N/2，取整数部分。
2、在商品价格中从低价向上累加，得到一个<=第1步的整数部分的最大值为Pm

新的算法：
1、先将商品按价格排序（比如从小到大）；
2、计算Pm,将此时的Pm保存下来Pn=Pm。
3、Pz=N-Pm (N为当前持有的钱数也可理解为之前买过商品后剩余的钱数；Pz只是个中间变量。）
4、以Pz作为价格上限，去购买商品中价格最高的商品。
（剩余的钱数为N；需要把已购买的那个商品从数组中删除。）
5、计算新的Pm （经过多次重复后，Pm将为0）
6、重复第3到5步直到Pz<剩余商品的最低价格。得到一个MAX值。
7、再计算Pm，这时计算方法有点改变,用Pn/2。再把Pm保存下来Pn=Pm
8、重复第3到7步直到Pn为0
9、将各个MAX值进行比较，找出最大值。

如果商品的重要度是1到5的部分或全部，还没想出来。

❽ 【讨论】各种平均含沙量的定义及计算方法

垂线平均含沙量物理意义上实际是单宽垂向平均输沙量的概念。既单位时间内，单位宽度上，通过某一水柱泥沙量的垂向平均值，实际上是一个被忽略掉方向的矢量。SSC_DepthAverage=单位时间单位宽度通过水柱的泥沙总量÷水深具体测量中使用的算法有：六点法：pm=(p0.0v0.0+ 2p0.2v0.2 +2p0.4v0.4+ 2p0.6v0.6+ 2p0.8v0.8+ p1.0v1.0)/10v五点法：pm=(p0.0v0.0+ 3p0.2v0.2+ 3p0.6v0.6+ 2p0.8v0.8+ p1.0v1.0)/10v三点法：pm=( p0.2v0.2+ p0.6v0.6+ p0.8v0.8)/（v0.2+ v0.6+ v0.8）二点法：pm=( p0.2v0.2+p0.8v0.8)/（v0.2+ v0.8）一点法：pm=k1p0.5或k2p0.6其中：pm—垂线平均含沙量（kg/m3）；pi—相对水深之处的测点含沙量(kg/m3)；Vi--相对水深之处的测点流速(m/s)；v—垂线平均流速(m/s);k1,k2—由实验得出的系数。

❾ 关于遗传算法

遗传算法（Genetic Algorithm，简称GA）是美国 Michigan大学的 John Golland提出的一种建立在自然选择和群体遗传学机理基础上的随机、迭代、进化、具有广泛适用性的搜索方法。现在已被广泛用于学习、优化、自适应等问题中。图4-1 给出了 GA搜索过程的直观描述。图中曲线对应一个具有复杂搜索空间（多峰空间）的问题。纵坐标表示适应度函数（目标函数），其值越大相应的解越优。横坐标表示搜索点。显然，用解析方法求解该目标函数是困难的。采用 GA时，首先随机挑选若干个搜索点，然后分别从这些搜索点开始并行搜索。在搜索过程中，仅靠适应度来反复指导和执行 GA 搜索。在经过若干代的进化后，搜索点后都具有较高的适应度并接近最优解。

一个简单GA由复制、杂交和变异三个遗传算子组成：

图4-2 常规遗传算法流程图

❿ 求两个数的最大公约数

求两个数的最大公约数有下列几种方法：

欧几里得算法：

例如求1997和615的最大公因数的步骤：

1997/615=3（余152）。

615/152=4（余7）。

152/7=21（余5）。

7/5=1（余2）。

5/2=2(余1)。

2/1=2(余0)。

至此1997和615的最大公约数为1，以除数和余数反复做运算，最后余数为0，取当前算式除数为最大公约数，所以就得出了 1997 和 615 的最大公约数 1，这是欧几里得算法。

公共积子因

算法简介：通过计算两个数字的公共积子因。

算法描述：计算 gcd(m, n)

第一步:找出 m 的全部质因数。

第二步:找出 n 的全部质因数。

第三步:从第一步和第二步求得的质因数分解式中找出所有的公因数(如果p是一个公因数,而且在m和n的质因数分解式分别出现过pm和pn 次,那么应该将p重复min{pm, pn}次)。

第四步:将第三步中找到的质因数相乘,其结果作为给定数字的最大公约数。