搜狗2016校园招聘之算法编程解析

简介: 1、第一个题:最近邻居 题目: 解题思路: 1)这个题如果用java,相对会好解一些,因为可以直接用JDK中的Point2D类,来定义坐标系空间中的一个点。 2)简单思路:暴力破解,计算任意两个点之间的距离,时间负责度为O(n^2); 3)优化思路:《编程之美》上给出了一个思路,利用分治法,将所有点所在的平面切成点数大致相同的两半,分为Left,Right,则距离最近的两个点,要么在Left区域中,要么在Right区域中,要么在跨两者中间的区域中,时间复杂度可以优化到O(nlgn)。

1、第一个题:最近邻居

题目:

解题思路:

1)这个题如果用java,相对会好解一些,因为可以直接用JDK中的Point2D类,来定义坐标系空间中的一个点。

2)简单思路:暴力破解,计算任意两个点之间的距离,时间负责度为O(n^2);

3)优化思路:《编程之美》上给出了一个思路,利用分治法,将所有点所在的平面切成点数大致相同的两半,分为Left,Right,则距离最近的两个点,要么在Left区域中,要么在Right区域中,要么在跨两者中间的区域中,时间复杂度可以优化到O(nlgn)。下面给出暴力破解的C++实现。

考察:二维平面求距离,库函数的应用,算法优化。

 1 struct Point2D{
 2     double x;
 3     double y;
 4     Point2D(double x1=0.0, double y1=0.0):x(x1),y(y1) {}
 5 };
 6 
 7 int* ClosetNeighborOfPoint2D(Point2D *pPoint, int n)
 8 {
 9     if (NULL == pPoint || n < 2)
10         return NULL;
11     
12     double minDistance = DBL_MAX; //"float.h, limits.h"
13     int *pRet = new int[2];
14 
15     for (int i = 0; i < n-1; i ++) {
16         for (int j = i + 1; j < n; j ++) {
17             double temp = pow(pPoint[j].x-pPoint[i].x,2)+pow(pPoint[j].y-pPoint[i].y, 2);
18 
19             if (temp < minDistance) {
20                 minDistance = temp;
21                 pRet[0] = i;
22                 pRet[1] = j;
23             }
24         }
25     }
26     if (pRet[0] > pRet[1]) {
27         int t = pRet[0];
28         pRet[0] = pRet[1];
29         pRet[1] = t;
30     }
31     return pRet;
32 }

2、第二个题:混乱还原
题目:

解题思路:

1)利用伪随机特性,只要时间种子一样且上限一样,都会产生相同的随机数;

2)保证打乱的序列能被还原,则需要一个额外的栈来保存随机数,把打乱所使用的随机数出栈与对应的元素进行交换就可以恢复。

考察:随机数的应用,栈的应用。

 1 void ShufferPhase(vector<int> &ivec, int seed) 
 2 {
 3     if (ivec.size() == 0 || seed <= 0)
 4         return;
 5     int n = ivec.size();
 6 
 7     srand(seed);
 8     for (int i = n; i > 0; i --) {
 9         int r = rand()%i;
10         int t = ivec[i-1];
11         ivec[i-1] = ivec[r];
12         ivec[r] = t;
13     }
14 }
15 
16 void ReStorePhase(vector<int> &ivec, int seed)
17 {
18     if (ivec.size() == 0 || seed <= 0)
19         return;
20 
21     int n = ivec.size();
22     stack<int> istack;
23 
24     srand(seed);
25     for (int i = n; i > 0; i --) {
26         int r = rand()%i;
27         istack.push(r);
28     }
29 
30     for (int i = 0; i < n; i ++) {
31         int r = istack.top();
32         istack.pop();
33         int t = ivec[r];
34         ivec[r] = ivec[i];
35         ivec[i] = t;
36     }
37 }

 

目录
相关文章
|
23天前
|
机器学习/深度学习 人工智能 搜索推荐
从零构建短视频推荐系统:双塔算法架构解析与代码实现
短视频推荐看似“读心”,实则依赖双塔推荐系统:用户塔与物品塔分别将行为与内容编码为向量,通过相似度匹配实现精准推送。本文解析其架构原理、技术实现与工程挑战,揭秘抖音等平台如何用AI抓住你的注意力。
312 7
从零构建短视频推荐系统:双塔算法架构解析与代码实现
|
1月前
|
机器学习/深度学习 存储 算法
动态规划算法深度解析:0-1背包问题
0-1背包问题是经典的组合优化问题,目标是在给定物品重量和价值及背包容量限制下,选取物品使得总价值最大化且每个物品仅能被选一次。该问题通常采用动态规划方法解决,通过构建二维状态表dp[i][j]记录前i个物品在容量j时的最大价值,利用状态转移方程避免重复计算子问题,从而高效求解最优解。
274 1
|
1月前
|
算法 搜索推荐 Java
贪心算法:部分背包问题深度解析
该Java代码基于贪心算法求解分数背包问题,通过按单位价值降序排序,优先装入高价值物品,并支持部分装入。核心包括冒泡排序优化、分阶段装入策略及精度控制,体现贪心选择性质,适用于可分割资源的最优化场景。
181 1
贪心算法:部分背包问题深度解析
|
1月前
|
机器学习/深度学习 边缘计算 人工智能
粒子群算法模型深度解析与实战应用
蒋星熠Jaxonic是一位深耕智能优化算法领域多年的技术探索者,专注于粒子群优化(PSO)算法的研究与应用。他深入剖析了PSO的数学模型、核心公式及实现方法,并通过大量实践验证了其在神经网络优化、工程设计等复杂问题上的卓越性能。本文全面展示了PSO的理论基础、改进策略与前沿发展方向,为读者提供了一份详尽的技术指南。
粒子群算法模型深度解析与实战应用
|
1月前
|
机器学习/深度学习 资源调度 算法
遗传算法模型深度解析与实战应用
摘要 遗传算法(GA)作为一种受生物进化启发的优化算法,在复杂问题求解中展现出独特优势。本文系统介绍了GA的核心理论、实现细节和应用经验。算法通过模拟自然选择机制,利用选择、交叉、变异三大操作在解空间中进行全局搜索。与梯度下降等传统方法相比,GA不依赖目标函数的连续性或可微性,特别适合处理离散优化、多目标优化等复杂问题。文中详细阐述了染色体编码、适应度函数设计、遗传操作实现等关键技术,并提供了Python代码实现示例。实践表明,GA的成功应用关键在于平衡探索与开发,通过精心调参维持种群多样性同时确保收敛效率
机器学习/深度学习 算法 自动驾驶
238 0
|
1月前
|
机器学习/深度学习 人工智能 资源调度
大语言模型的核心算法——简要解析
大语言模型的核心算法基于Transformer架构,以自注意力机制为核心,通过Q、K、V矩阵动态捕捉序列内部关系。多头注意力增强模型表达能力,位置编码(如RoPE)解决顺序信息问题。Flash Attention优化计算效率,GQA平衡性能与资源消耗。训练上,DPO替代RLHF提升效率,MoE架构实现参数扩展,Constitutional AI实现自监督对齐。整体技术推动模型在长序列、低资源下的性能突破。
267 8
|
1月前
|
算法 API 数据安全/隐私保护
深度解析京东图片搜索API:从图像识别到商品匹配的算法实践
京东图片搜索API基于图像识别技术,支持通过上传图片或图片URL搜索相似商品,提供智能匹配、结果筛选、分页查询等功能。适用于比价、竞品分析、推荐系统等场景。支持Python等开发语言,提供详细请求示例与文档。
|
3月前
|
机器学习/深度学习 人工智能 编解码
AI视觉新突破:多角度理解3D世界的算法原理全解析
多视角条件扩散算法通过多张图片输入生成高质量3D模型,克服了单图建模背面细节缺失的问题。该技术模拟人类多角度观察方式,结合跨视图注意力机制与一致性损失优化,大幅提升几何精度与纹理保真度,成为AI 3D生成的重要突破。
252 0
|
3月前
|
机器学习/深度学习 人工智能 自然语言处理
深度学习模型、算法与应用的全方位解析
深度学习,作为人工智能(AI)的一个重要分支,已经在多个领域产生了革命性的影响。从图像识别到自然语言处理,从语音识别到自动驾驶,深度学习无处不在。本篇博客将深入探讨深度学习的模型、算法及其在各个领域的应用。
585 3

热门文章

最新文章

推荐镜像

更多
  • DNS