算法决定

❶ cpu调度算法决定了进程执行的顺序.若有n个进程需要调度，有多少种可能的调度顺

前两天做操作系统作业的时候学习了一下几种进程调度算法，在思考和讨论后，有了一些自己的想法，现在就写出来，跟大家讨论下。，或者说只有有限的CPU资源，当系统中有多个进程处于就绪状态，要竞争CPU资源时，操作系统就要负责完成如何分配资源的任务。在操作系统中，由调度程序来完成这一选择分配的工作，调度程序所使用的算法即是调度算法。调度算法需要考虑的指标主要有尽量保证CPU资源分配的公平性；按照一定策略强制执行算法调度；平衡整个计算机系统，尽量保持各个部分都处于忙碌状态。而根据系统各自不同的特点和要求，调度算法又有一些侧重点和目标不同，因此，算法按照系统差异主要分为三大类：批处理系统中的调度算法，代表调度算法有：先来先服务、最短作业优先、最短剩余时间优先。交互式系统中的调度算法，代表调度算法有：轮转调度、优先级调度、多级队列、最短进程优先、保证调度、彩票调度、公平分享调度。实时系统中的调度算法，代表调度算法有：速率单调调度、最早最终时限优先调度。下面就上述提到的调度算法中挑出几个进行重点分析：保证调度保证调度是指利用算法向用户做出明确的性能保证，然后尽力按照此保证实现CPU的资源分配。利用这种算法，就是定一个进程占用CPU的时间的标准，然后按照这个标准去比较实际占用CPU的时间，调度进程每次使离此标准最远的进程得到资源，不断满足离所保证的标准最远的进程，从而平衡资源分配满足这个标准的要求。保证调度算法的优点是：能很好的保证进程公平的CPU份额，当系统的特点是：进程的优先级没有太大悬殊，所制定的保证标准差异不大，各个进程对CPU的要求较为接近时，比如说系统要求n个进程中的每个进程都只占用1/n的CPU资源，利用保证调度可以很容易的实现稳定的CPU分配要求。但缺点是，这种情况太过理想，当系统的各个进程对CPU要求的紧急程度不同，所制定的保证较为复杂的时候，这个算法实现起来比较困难。彩票调度彩票调度这种算法的大意是指向进程提供各种系统资源如CPU资源的彩票，当系统需要做出调度决策时，随机抽出一张彩票，由此彩票的拥有者获得资源。在彩票调度系统中，如果有一个新的进程出现并得到一些彩票，那么在下一次的抽奖中，该进程会有同它持有彩票数量成正比例的机会赢得奖励。进程持有的彩票数量越多，则被抽中的可能性就越大。调度程序可以通过控制进程的彩票持有数量来进行调度。彩票调度有很多优点：首先，它很灵活，系统增加分给某个进程的彩票数量，就会大大增加它占用资源的可能性，可以说，彩票调度的反应是迅速的，而快速响应需求正是交互式系统的一个重要要求。其次，彩票调度算法中，进程可以交换彩票，这个特点可以更好的保证系统的平衡性，使其各个部分都尽可能的处于忙碌状态。而且利用彩票调度还可以解决许多别的算法很难解决的问题，例如可以根据特定的需要大致成比例的划分CPU的使用。速率单调调度速率单调调度算法是一种可适用于可抢占的周期性进程的经典静态实时调度算法。当实时系统中的进程满足：每个周期性进程必须在其周期内完成，且进程之间没有相互依赖的关系，每个进程在一次突发中需要相同的CPU时间量，非周期的进程都没有最终时限四个条件时，并且为了建模方便，我们假设进程抢占即刻发生没有系统开销，可以考虑利用速率单调算法。速率单调调度算法是将进程的速率（按照进程周期所算出的每秒响应的次数）赋为优先级，则保证了优先级与进程速率成线性关系，这即是我们所说的速率单调。调度程序每次运行优先级最高的，只要优先级较高的程序需要运行，则立即抢占优先级低的进程，而优先级较低的进程必须等所有优先级高于它的进程结束后才能运行。速率单调调度算法可以保证系统中最关键的任务总是得到调度，但是缺点是其作为一种静态算法，灵活性不够好，当进程数变多，系统调度变得复杂时，可能不能较好的保证进程在周期内运行。最早最终时限优先调度最早最终时限优先调度算法是一个动态算法，不要求进程是周期性的，只要一个进程需要CPU时间，它就宣布它的到来时间和最终时限。调度程序维持一个可运行的进程列表，按最终时限排序，每次调度一个最终时限最早的进程得到CPU 。当新进程就绪时，系统检查其最终时限是否在当前运行的进程结束之前，如果是，则抢占当前进程。由于是动态算法，最早最终优先调度的优点就是灵活，当进程数不超过负载时，资源分配更优，但也同样由于它的动态属性，进程的优先级都是在不断变化中的，所以也没有哪个进程是一定可以保证满足调度的，当进程数超过负载时，资源分配合理度会急速下降，所以不太稳定。

❷ 决策树算法-原理篇

关于决策树算法，我打算分两篇来讲，一篇讲思想原理，另一篇直接撸码来分析算法。本篇为原理篇。
通过阅读这篇文章，你可以学到：
1、决策树的本质
2、决策树的构造过程
3、决策树的优化方向

决策树根据使用目的分为：分类树和回归树，其本质上是一样的。本文只讲分类树。

决策树，根据名字来解释就是，使用树型结构来模拟决策。
用图形表示就是下面这样。

其中椭圆形代表：特征或属性。长方形代表：类别结果。
面对一堆数据（含有特征和类别），决策树就是根据这些特征（椭圆形）来给数据归类（长方形）
例如，信用贷款问题，我根据《神奇动物在哪里》的剧情给银行造了个决策树模型，如下图：

然而，决定是否贷款可以根据很多特征，然麻鸡银行选择了：（1）是否房产价值>100w；（2）是否有其他值钱的抵押物；（3）月收入>10k；（4）是否结婚；这四个特征，来决定是否给予贷款。
先不管是否合理，但可以肯定的是，决策树做了特征选择工作，即选择出类别区分度高的特征。

由此可见， 决策树其实是一种特征选择方法。 （特征选择有多种，决策树属于嵌入型特征选择，以后或许会讲到，先给个图）即选择区分度高的特征子集。

那么， 从特征选择角度来看决策树，决策树就是嵌入型特征选择技术

同时，决策树也是机器学习中经典分类器算法，通过决策路径，最终能确定实例属于哪一类别。
那么， 从分类器角度来看决策树，决策树就是树型结构的分类模型

从人工智能知识表示法角度来看，决策树类似于if-then的产生式表示法。
那么， 从知识表示角度来看决策树，决策树就是if-then规则的集合

由上面的例子可知，麻鸡银行通过决策树模型来决定给哪些人贷款，这样决定贷款的流程就是固定的，而不由人的主观情感来决定。
那么， 从使用者角度来看决策树，决策树就是规范流程的方法

最后我们再来看看决策树的本质是什么已经不重要了。
决策树好像是一种思想，而通过应用在分类任务中从而成就了“决策树算法”。

下面内容还是继续讲解用于分类的“决策树算法”。

前面讲了决策树是一种 特征选择技术 。

既然决策树就是一种特征选择的方法，那么经典决策树算法其实就是使用了不同的特征选择方案。
如：
（1）ID3：使用信息增益作为特征选择
（2）C4.5：使用信息增益率作为特征选择
（3）CART：使用GINI系数作为特征选择
具体选择的方法网上一大把，在这里我提供几个链接，不细讲。

但，不仅仅如此。
决策树作为嵌入型特征选择技术结合了特征选择和分类算法，根据特征选择如何生成分类模型也是决策树的一部分。
其生成过程基本如下：

根据这三个步骤，可以确定决策树由：（1）特征选择；（2）生成方法；（3）剪枝，组成。
决策树中学习算法与特征选择的关系如下图所示：

原始特征集合T：就是包含收集到的原始数据所有的特征，例如：麻瓜银行收集到与是否具有偿还能力的所有特征，如：是否结婚、是否拥有100w的房产、是否拥有汽车、是否有小孩、月收入是否>10k等等。
中间的虚线框就是特征选择过程，例如：ID3使用信息增益、C4.5使用信息增益率、CART使用GINI系数。
其中评价指标（如：信息增益）就是对特征的要求，特征需要满足这种条件（一般是某个阈值），才能被选择，而这一选择过程嵌入在学习算法中，最终被选择的特征子集也归到学习算法中去。
这就是抽象的决策树生成过程，不论哪种算法都是将这一抽象过程的具体化。
其具体算法我将留在下一篇文章来讲解。

而决策树的剪枝，其实用得不是很多，因为很多情况下随机森林能解决决策树带来的过拟合问题，因此在这里也不讲了。

决策树的优化主要也是围绕决策树生成过程的三个步骤来进行优化的。
树型结构，可想而知，算法效率决定于树的深度，优化这方面主要从特征选择方向上优化。
提高分类性能是最重要的优化目标，其主要也是特征选择。
面对过拟合问题，一般使用剪枝来优化，如：李国和基于决策树生成及剪枝的数据集优化及其应用。
同时，决策树有很多不足，如：多值偏向、计算效率低下、对数据空缺较为敏感等，这方面的优化也有很多，大部分也是特征选择方向，如：陈沛玲使用粗糙集进行特征降维。
由此，决策树的优化方向大多都是特征选择方向，像ID3、C4.5、CART都是基于特征选择进行优化。

参考文献
统计学习方法-李航
特征选择方法综述-李郅琴
决策树分类算法优化研究_陈沛玲
基于决策树生成及剪枝的数据集优化及其应用-李国和

❸ 密钥，密码，算法之间是什么关系

算法决定密码，密钥，而密码体现了算法，密钥执行了密码部分功能

❹ 主播说算法得有价值观是怎么回事

近日，央视主播评互联网用户画像整治时表示：用数据给用户画像，然后精准推送，这是算法的一项重要应用。国家网信办近日发布了《互联网信息服务算法推荐管理规定（意见稿）》。新规明确，平台不得将违法和不良信息作为关键词给用户画像，更不得向其推送相关信息。也就是说，即便用户搜索过这样的信息，算法也不能据此就不断推荐此类信息。

很明确，这是要为算法加装价值瞄准镜。说白了，算法得有价值观。算法决定了供给内容，也在塑造用户。所以算法不能只自动响应或迎合用户，还得主动引领，对违法、低俗需求必须说不。算法必须守法。一是法律、二是法度。这样的算法才能把账算明白。这是一笔事关平台和社会未来发展的大账。

《互联网信息服务算法推荐管理规定（征求意见稿）》明确的内容

8月27日，国家互联网信息办公室发布了关于《互联网信息服务算法推荐管理规定（征求意见稿）》（下称“征求意见稿”）公开征求意见的通知。

征求意见稿明确，算法推荐服务提供者应优化规则的透明度和可解释性，公示算法推荐原理，设置关闭算法推荐选项。 算法推荐服务者的定期审核义务，建立识别违法和不良信息的特征库。这意味着用户可以拒绝并改变平台的推荐算法，自己决定自己看到的内容，同时从技术上打击“大数据杀熟”行为。

“征求意见稿通过对平台方的信息分发模式的规制，对算法推荐的所导致的‘信息偏食’进行明晰界定，加大传播领域的信息监管力度，以‘算法透明’为基点，建立‘算法问责’的责任追究制度，借助法规改善用户与平台的信息交互过程，推动双方向阳而生，向善而行。”暨南大学法学院副教授仲春对新京报贝壳财经记者表示。

❺ 算法决定一切究竟哪种扫地机器人更优秀

【IT168评测】这几年扫地机器人越来越火，但消费者在选购时，发现似乎每款产品其路径规划算法都不一样，由最初随机算法，到简单规划算法，再到激光slam以及视觉slam算法等，看得人眼花缭乱，那么这些算法究竟都是什么呢?算法的好坏是否能决定扫地机器人的优劣呢?

首先我们先要明确的是选购扫地机器人第一需求是：扫的干净扫得快。

扫的干净主要取决于清扫系统的设计和吸尘风机的功率，而清扫效率最有力的的保障则是扫地机器人拥有一套非常智能的路径规划算法。

常见的扫地机器人算法大致分为两种：随机覆盖法和路径规划式清扫。

优点：多种行走方式加三段式清扫，还会自动感应脏污程度进行重点打扫，基本不留死角，清洁程度更高。

缺点：重复清扫且路径随机，代价就是清扫效率较低，更费时间，而且随机碰撞式的清扫过程看着实在捉急。同时此类产品由于技术原因造价更高，售价自然更是居高不下。另外各品牌技术的不同，会直接影响清扫效果，并不是所有品牌的随机覆盖清扫的扫地机器人都能扫得很干净。

推荐人群:适合上班族或家中有宠物的用户购买，虽然清扫时间长但清洁程度更高。

推荐机型：

1、艾罗伯特（iRobot）Roomba961（价格4999元）【哗猛点击查看详情】

NO、2 路径规划式清扫

通过定位系统准确规划路线，实现规划式的工字型打扫，清扫路径十饥芦举分规矩，不会重复清理，常见的Neato、Proscenic和小米扫地机器人都是这种路径规划式清扫。

优点：因为有路径规划，所以它很清楚自己扫过了哪些地方，不会重复清扫，使得清洁效率更高、耗时更少。

缺点：清扫方式机械，不重复清扫的话可能会有被遗烂碧漏的区域，而且清扫过程中被吹飞的灰尘和垃圾可能被错过。

推荐人群：家中杂物较多或拥有大户型的用户购买，节省时间不闹心。

推荐机型：

1、米家石头扫地机器人（价格2499元）【点击查看详情】

2、Neato D75扫地机机器人（价格3299元）【点击查看详情】

总结：扫地机器人买回家的目的就是会认路、扫得快、扫的干净，虽然在路径规划上解决方案有很多，但其精髓并不是硬件有多厉害，重在其定位系统和算法。如果一定要小编来比较一下的话，还是建议大家购买路径规划式清扫的扫地机器人，价格实惠，方便省心，快捷干净，能够满足大多数人的家庭清洁需要。

❻ 什么是算法决策理论

决策树分类法己被应用于许多分类问题，但应用于遥感分类的研究成果并不多见。决策树分类法具有灵活、直观、清晰、强健、运算效率高等特点，在遥感分类问题上表现出巨大优势。本文以广东省广州市从化地区的SPOT5卫星遥感影像为研究对象，基于决策树分类算法在遥感影像分类方面的深厚潜力，探讨了6种不同的决策树算法—包括单一决策树模(CART，CHAIR，exhaustive，QUEST和组合决策树模型(提升树，决策树森林)。首先对决策树算法结构、算法理论进行了阐述，然后利用这些决策树算法进行遥感土地覆盖分类实验，并把获得的结果与传统的最大似然分类和人工神经元网络分类进行比较。

基于决策树分类算法在遥感影像分类方面的深厚潜力,探讨了3种不同的决策树算法(UDT、MDT和HDT).首先对决策树算法结构、算法理论进行了阐述:具体利用决策树算法进行遥感土地覆盖分类实验,并把获得的结果与传统统计分类法进行比较.研究表明,决策树分类法相对简单、明确,分类结构直观,有诸多优势.

❼ 为何说智能新闻客户端不能让算法决定内容

据报道，以今日头条、一点资讯为代表的智能新闻客户端，凭借强大的算法、先进的数据抓取技术，能够精准分析并解读用户的阅读习惯和兴趣，从而为用户提供量身定制的新闻产品，满足了个性化的需求，顺应了阅读分众化的时代潮流。

专家表示，任何时候，内容推送不能少了“总编辑”，在技术为王的时代，也不能完全让算法决定内容，需要更完善的法律法规、更理性健康的舆论空间，为互联网算法时代的信息传播保驾护航，但更少不了作为内容提供者的智能平台。

希望相关的客户端都可以严惩标题党！

❽ 算法的时间复杂度取决于什么

算法的时间复杂度取决于问题的规模，待处理数据的初态。

一个语句的频度是指该语句在算法中被重复执行的次数。算法中所有语句的频度之和记为T(n)，它是该算法问题规模n的函数，时间复杂度主要分析T(n)的数量级。算法中基本运算（最深层循环内的语句）的频度与Tn)同数量级，因此通常采用算法中基本运算的频度fn)来分析算法的时间复杂度3。

算法的时间复杂度记为：T(n)= O(fn))式中，О 的含义是T(n)的数量级，其严格的数学定义是:若T(n)和fn)是定义在正整数集合上的两个函数，则存在正常数C和n，使得当n≥no时，都满足0≤T(n)≤Cfn)。

算法的时间复杂度不仅依赖于问题的规模n，也取决于待输入数据的性质（如输入数据元素的初始状态)。