各種版本的演算法

『壹』 matlab的演算法有哪些急用！謝謝啊！

MATLAB 產品族可以用來進行以下各種工作：
● 數值分析
● 數值和符號計算
● 工程與科學繪圖
● 控制系統的設計與模擬
● 數字圖像處理 技術
● 數字信號處理 技術
● 通訊系統設計與模擬
● 財務與金融工程
MATLAB 的應用范圍非常廣，包括信號和圖像處理、通訊、控制系統設計、測試和測量、財務建模和分析以及計算生物學等眾多應用領域。附加的工具箱（單獨提供的專用 MATLAB 函數集）擴展了 MATLAB 環境，以解決這些應用領域內特定類型的問題。
matlab特點
●此高級語言可用於技術計算
●此開發環境可對代碼、文件和數據進行管理
●互動式工具可以按迭代的方式探查、設計及求解問題
●數學函數可用於線性代數、統計、傅立葉分析、篩選、優化以及數值積分等
●二維和三維圖形函數可用於可視化數據
●各種工具可用於構建自定義的圖形用戶界面
●各種函數可將基於MATLAB的演算法與外部應用程序和語言（如 C、C++、Fortran、java、COM 以及 Microsoft Excel）集成
MATLAB的優勢
（1）友好的工作平台和編程環境
MATLAB由一系列工具組成。這些工具方便用戶使用MATLAB的函數和文件，其中許多工具採用的是圖形用戶界面。包括MATLAB桌面和命令窗口、歷史命令窗口、編輯器和調試器、路徑搜索和用於用戶瀏覽幫助、工作空間、文件的瀏覽器。隨著MATLAB的商業化以及軟體本身的不斷升級，MATLAB的用戶界面也越來越精緻，更加接近Windows的標准界面，人機交互性更強，操作更簡單。而且新版本的MATLAB提供了完整的聯機查詢、幫助系統，極大的方便了用戶的使用。簡單的編程環境提供了比較完備的調試系統，程序不必經過編譯就可以直接運行，而且能夠及時地報告出現的錯誤及進行出錯原因分析。
（2）簡單易用的程序語言
Matlab一個高級的矩陣/陣列語言，它包含控制語句、函數、數據結構、輸入和輸出和面向對象編程特點。用戶可以在命令窗口中將輸入語句與執行命令同步，也可以先編寫好一個較大的復雜的應用程序（M文件）後再一起運行。新版本的MATLAB語言是基於最為流行的C＋＋語言基礎上的，因此語法特徵與C＋＋語言極為相似，而且更加簡單，更加符合科技人員對數學表達式的書寫格式。使之更利於非計算機專業的科技人員使用。而且這種語言可移植性好、可拓展性極強，這也是MATLAB能夠深入到科學研究及工程計算各個領域的重要原因。
（3）強大的科學計算機數據處理能力
MATLAB是一個包含大量計算演算法的集合。其擁有600多個工程中要用到的數學運算函數，可以方便的實現用戶所需的各種計算功能。函數中所使用的演算法都是科研和工程計算中的最新研究成果，而前經過了各種優化和容錯處理。在通常情況下，可以用它來代替底層編程語言，如C和C++ 。在計算要求相同的情況下，使用MATLAB的編程工作量會大大減少。MATLAB的這些函數集包括從最簡單最基本的函數到諸如矩陣，特徵向量、快速傅立葉變換的復雜函數。函數所能解決的問題其大致包括矩陣運算和線性方程組的求解、微分方程及偏微分方程的組的求解、符號運算、傅立葉變換和數據的統計分析、工程中的優化問題、稀疏矩陣運算、復數的各種運算、三角函數和其他初等數學運算、多維數組操作以及建模動態模擬等。
（4）出色的圖形處理功能

圖形處理功能 MATLAB自產生之日起就具有方便的數據可視化功能，以將向量和矩陣用圖形表現出來，並且可以對圖形進行標注和列印。高層次的作圖包括二維和三維的可視化、圖象處理、動畫和表達式作圖。可用於科學計算和工程繪圖。新版本的MATLAB對整個圖形處理功能作了很大的改進和完善，使它不僅在一般數據可視化軟體都具有的功能（例如二維曲線和三維曲面的繪制和處理等）方面更加完善，而且對於一些其他軟體所沒有的功能（例如圖形的光照處理、色度處理以及四維數據的表現等），MATLAB同樣表現了出色的處理能力。同時對一些特殊的可視化要求，例如圖形對話等，MATLAB也有相應的功能函數，保證了用戶不同層次的要求。另外新版本的MATLAB還著重在圖形用戶界面（GUI）的製作上作了很大的改善，對這方面有特殊要求的用戶也可以得到滿足。
（5）應用廣泛的模塊集合工具箱
MATLAB對許多專門的領域都開發了功能強大的模塊集和工具箱。一般來說，它們都是由特定領域的專家開發的，用戶可以直接使用工具箱學習、應用和評估不同的方法而不需要自己編寫代碼。目前，MATLAB已經把工具箱延伸到了科學研究和工程應用的諸多領域，諸如數據採集、資料庫介面、概率統計、樣條擬合、優化演算法、偏微分方程求解、神經網路、小波分析、信號處理、圖像處理、系統辨識、控制系統設計、LMI控制、魯棒控制、模型預測、模糊邏輯、金融分析、地圖工具、非線性控制設計、實時快速原型及半物理模擬、嵌入式系統開發、定點模擬、DSP與通訊、電力系統模擬等，都在工具箱（Toolbox）家族中有了自己的一席之地。
（6）實用的程序介面和發布平台
新版本的MATLAB可以利用MATLAB編譯器和C/C++數學庫和圖形庫，將自己的MATLAB程序自動轉換為獨立於MATLAB運行的C和C++代碼。允許用戶編寫可以和MATLAB進行交互的C或C++語言程序。另外，MATLAB網頁服務程序還容許在Web應用中使用自己的MATLAB數學和圖形程序。MATLAB的一個重要特色就是具有一套程序擴展系統和一組稱之為工具箱的特殊應用子程序。工具箱是MATLAB函數的子程序庫，每一個工具箱都是為某一類學科專業和應用而定製的，主要包括信號處理、控制系統、神經網路、模糊邏輯、小波分析和系統模擬等方面的應用。
（7）應用軟體開發（包括用戶界面）
在開發環境中，使用戶更方便地控制多個文件和圖形窗口；在編程方面支持了函數嵌套，有條件中斷等；在圖形化方面，有了更強大的圖形標注和處理功能，包括對性對起連接注釋等；在輸入輸出方面，可以直接向Excel和HDF5進行連接。

『貳』 49演算法有最准確的版本嗎

我知道兩個49的公式演算法: 49 母親的月份(陽歷)-當母親生育一個孩子的年齡(第一年) 19 = ？你得到的答案減去12345的數字，直到你得到一個單位數字。如果是奇數，那就是個男孩。就算扯平了，也是個女孩。(0是一個小女孩)。另一個: 49 最後一次月經期的陰歷月份-出生時的名義年齡 19如果單數是男孩，偶數是女孩。還有一個表輕工的地址: 種演算法我是個男孩，我會在月底出生，出生後會被核實，姐妹們耐心等待！[38: ]

『叄』 歐幾里德演算法的演算法版本

functiongcd(a,b){vart;if(a<b)t=b,b=a,a=t;while(b!=0)t=b,b=a%b,a=t;returna;}

模P乘法逆元
對於整數a、p，如果存在整數b，滿足ab mod p =1，則說，b是a的模p乘法逆元。
定理：a存在模p的乘法逆元的充要條件是gcd(a，p) = 1
證明：
首先證明充分性
如果gcd(a，p) = 1，根據歐拉定理，aφ（p) ≡ 1 mod p，因此
顯然aφ（p)-1 mod p是a的模p乘法逆元。
再證明必要性
假設存在a模p的乘法逆元為b
ab ≡ 1 mod p
則ab = kp +1 ，所以1 = ab - kp
因為gcd(a，p) = d
所以d | 1
所以d只能為1 歐幾里德演算法是計算兩個數最大公約數的傳統演算法，他無論從理論還是從效率上都是很好的。但是他有一個致命的缺陷，這個缺陷只有在大素數時才會顯現出來。
硬體平台，一般整數最多也就是64位，對於這樣的整數，計算兩個數之間的模是很簡單的。對於字長為32位的平台，計算兩個不超過32位的整數的模，只需要一個指令周期，而計算64位以下的整數模，也不過幾個周期而已。但是對於更大的素數，這樣的計算過程就不得不由用戶來設計，為了計算兩個超過 64位的整數的模，用戶也許不得不採用類似於多位數除法手算過程中的試商法，這個過程不但復雜，而且消耗了很多CPU時間。對於現代密碼演算法，要求計算 128位以上的素數的情況比比皆是，設計這樣的程序迫切希望能夠拋棄除法和取模。
Stein演算法由J. Stein於1961年提出，這個方法也是計算兩個數的最大公約數。和歐幾里德演算法不同的是，Stein演算法只有整數的移位和加減法，這對於程序設計者是一個福音。
為了說明Stein演算法的正確性，首先必須注意到以下結論：
gcd(a,a) = a，也就是一個數和他自身的公約數是其自身
gcd(ka,kb) = k gcd(a,b），也就是最大公約數運算和倍乘運算可以交換，特殊的，當k=2時，說明兩個偶數的最大公約數必然能被2整除
C++/java 實現
// c++/java stein 演算法
int gcd(int a,int b)
{if(a<b) //arrange so that a>b
{int temp = a;a = b;b=temp;}
if(0==b) //the base case
return a;
if(a%2==0 && b%2 ==0) //a and b are even
return 2*gcd(a/2,b/2）；
if (a%2 == 0) // only a is even
return gcd(a/2,b);
if (b%2==0)// only b is even
return gcd(a,b/2）；
return gcd((a-b)/2,b);// a and b are odd
} 擴展歐幾里德演算法不但能計算(a，b）的最大公約數，而且能計算a模b及b模a的乘法逆元，用C語言描述如下：
int gcd(int a， int b ， int&；； ar，int &；； br)
{int x1，x2，x3；
int y1，y2，y3；
int t1，t2，t3；
if(0 == a)
{//有一個數為0，就不存在乘法逆元
ar = 0；
br = 0 ；
return b；
}
if(0 == b)
{
ar = 0；
br = 0 ；
return a；
}
x1 = 1；
x2 = 0；
x3 = a；
y1 = 0；
y2 = 1；
y3 = b；
int k；
for(t3 = x3 % y3 ； t3 ！= 0 ； t3 = x3 % y3）
{
k = x3 / y3；
t2 = x2 - k * y2；
t1 = x1 - k * y1；
x1 = y1；
x1 = y2；
x3 = y3；
y1 = t1；
y2 = t2；
y3 = t3；
}
if(y3 == 1）
{
//有乘法逆元
ar = y2；
br = x1；
return 1；
}
else
{
//公約數不為1，無乘法逆元
ar = 0；
br = 0；
return y3；
}
}
擴展歐幾里德演算法對於最大公約數的計算和普通歐幾里德演算法是一致的。計算乘法逆元則顯得很難明白。我想了半個小時才想出證明他的方法。
首先重復拙作整除中的一個論斷：
如果gcd(a，b)=d，則存在m，n，使得d = ma + nb，稱呼這種關系為a、b組合整數d，m，n稱為組合系數。當d=1時，有 ma + nb = 1 ，此時可以看出m是a模b的乘法逆元，n是b模a的乘法逆元。
為了證明上面的結論，我們把上述計算中xi、yi看成ti的迭代初始值，考察一組數（t1，t2，t3），用歸納法證明：當通過擴展歐幾里德演算法計算後，每一行都滿足a×t1 + b×t2 = t3
第一行：1 × a + 0 × b = a成立
第二行：0 × a + 1 × b = b成立
假設前k行都成立，考察第k+1行
對於k-1行和k行有
t1(k-1） t2(k-1） t3(k-1）
t1(k) t2(k) t3(k)
分別滿足：
t1(k-1） × a + t2(k-1） × b = t3(k-1）
t1(k) × a + t2(k) × b = t3(k)
根據擴展歐幾里德演算法，假設t3(k-1） = j t3(k) + r
則：
t3(k+1） = r
t2(k+1） = t2(k-1） - j × t2(k)
t1(k+1） = t1(k-1） - j × t1(k)
則
t1(k+1） × a + t2(k+1） × b
=t1(k-1） × a - j × t1(k) × a +
t2(k-1） × b - j × t2(k) × b
= t3(k-1） - j t3(k) = r
= t3(k+1）
得證
因此，當最終t3迭代計算到1時，有t1× a + t2 × b = 1，顯然，t1是a模b的乘法逆元，t2是b模a的乘法逆元。

『肆』 大數據常用的各種演算法

我們經常談到的所謂的​​ 數據挖掘 是通過大量的數據集進行排序，自動化識別趨勢和模式並且建立相關性的過程。那現在市面的數據公司都是通過各種各樣的途徑來收集海量的信息，這些信息來自於網站、公司應用、社交媒體、移動設備和不斷增長的物聯網。

比如我們現在每天都在使用的搜索引擎。在自然語言處理領域，有一種非常流行的演算法模型，叫做詞袋模型，即把一段文字看成一袋水果，這個模型就是要算出這袋水果里，有幾個蘋果、幾個香蕉和幾個梨。搜索引擎會把這些數字記下來，如果你想要蘋果，它就會把有蘋果的這些袋子給你。

當我們在網上買東西或是看電影時，網站會推薦一些可能符合我們偏好的商品或是電影，這個推薦有時候還挺准。事實上，這背後的演算法，是在數你喜歡的電影和其他人喜歡的電影有多少個是一樣的，如果你們同時喜歡的電影超過一定個數，就把其他人喜歡、但你還沒看過的電影推薦給你。 搜索引擎和推薦系統 在實際生產環境中還要做很多額外的工作，但是從本質上來說，它們都是在數數。

當數據量比較小的時候，可以通過人工查閱數據。而到了大數據時代，幾百TB甚至上PB的數據在分析師或者老闆的報告中，就只是幾個數字結論而已。 在數數的過程中，數據中存在的信息也隨之被丟棄，留下的那幾個數字所能代表的信息價值，不抵其真實價值之萬一。 過去十年，許多公司花了大價錢，用上了物聯網和雲計算，收集了大量的數據，但是到頭來卻發現得到的收益並沒有想像中那麼多。

所以說我們現在正處於「 數字化一切 」的時代。人們的所有行為，都將以某種數字化手段轉換成數據並保存下來。每到新年，各大網站、App就會給用戶推送上一年的回顧報告，比如支付寶會告訴用戶在過去一年裡花了多少錢、在淘寶上買了多少東西、去什麼地方吃過飯、花費金額超過了百分之多少的小夥伴；航旅縱橫會告訴用戶去年做了多少次飛機、總飛行里程是多少、去的最多的城市是哪裡；同樣的，最後讓用戶知道他的行程超過了多少小夥伴。 這些報告看起來非常酷炫，又冠以「大數據」之名，讓用戶以為是多麼了不起的技術。

實際上，企業對於數據的使用和分析，並不比我們每年收到的年度報告更復雜。已經有30多年歷史的商業智能，看起來非常酷炫，其本質依然是數數，並把數出來的結果畫成圖給管理者看。只是在不同的行業、場景下，同樣的數字和圖表會有不同的名字。即使是最近幾年炙手可熱的大數據處理技術，也不過是可以數更多的數，並且數的更快一些而已。

在大數據處理過程中會用到那些演算法呢？

1、A* 搜索演算法——圖形搜索演算法，從給定起點到給定終點計算出路徑。其中使用了一種啟發式的估算，為每個節點估算通過該節點的較佳路徑，並以之為各個地點排定次序。演算法以得到的次序訪問這些節點。因此，A*搜索演算法是較佳優先搜索的範例。

2、集束搜索(又名定向搜索，Beam Search)——較佳優先搜索演算法的優化。使用啟發式函數評估它檢查的每個節點的能力。不過，集束搜索只能在每個深度中發現最前面的m個最符合條件的節點，m是固定數字——集束的寬度。

3、二分查找(Binary Search)——在線性數組中找特定值的演算法，每個步驟去掉一半不符合要求的數據。

4、分支界定演算法(Branch and Bound)——在多種最優化問題中尋找特定最優化解決方案的演算法，特別是針對離散、組合的最優化。

5、Buchberger演算法——一種數學演算法，可將其視為針對單變數較大公約數求解的歐幾里得演算法和線性系統中高斯消元法的泛化。

6、數據壓縮——採取特定編碼方案，使用更少的位元組數(或是其他信息承載單元)對信息編碼的過程，又叫來源編碼。

7、Diffie-Hellman密鑰交換演算法——一種加密協議，允許雙方在事先不了解對方的情況下，在不安全的通信信道中，共同建立共享密鑰。該密鑰以後可與一個對稱密碼一起，加密後續通訊。

8、Dijkstra演算法——針對沒有負值權重邊的有向圖，計算其中的單一起點最短演算法。

9、離散微分演算法(Discrete differentiation)。

10、動態規劃演算法(Dynamic Programming)——展示互相覆蓋的子問題和最優子架構演算法

11、歐幾里得演算法(Euclidean algorithm)——計算兩個整數的較大公約數。最古老的演算法之一，出現在公元前300前歐幾里得的《幾何原本》。

12、期望-較大演算法(Expectation-maximization algorithm，又名EM-Training)——在統計計算中，期望-較大演算法在概率模型中尋找可能性較大的參數估算值，其中模型依賴於未發現的潛在變數。EM在兩個步驟中交替計算，第一步是計算期望，利用對隱藏變數的現有估計值，計算其較大可能估計值;第二步是較大化，較大化在第一步上求得的較大可能值來計算參數的值。

13、快速傅里葉變換(Fast Fourier transform，FFT)——計算離散的傅里葉變換(DFT)及其反轉。該演算法應用范圍很廣，從數字信號處理到解決偏微分方程，到快速計算大整數乘積。

14、梯度下降(Gradient descent)——一種數學上的最優化演算法。

15、哈希演算法(Hashing)。

16、堆排序(Heaps)。

17、Karatsuba乘法——需要完成上千位整數的乘法的系統中使用，比如計算機代數系統和大數程序庫，如果使用長乘法，速度太慢。該演算法發現於1962年。

18、LLL演算法(Lenstra-Lenstra-Lovasz lattice rection)——以格規約(lattice)基數為輸入，輸出短正交向量基數。LLL演算法在以下公共密鑰加密方法中有大量使用：背包加密系統(knapsack)、有特定設置的RSA加密等等。

19、較大流量演算法(Maximum flow)——該演算法試圖從一個流量網路中找到較大的流。它優勢被定義為找到這樣一個流的值。較大流問題可以看作更復雜的網路流問題的特定情況。較大流與網路中的界面有關，這就是較大流-最小截定理(Max-flow min-cut theorem)。Ford-Fulkerson 能找到一個流網路中的較大流。

20、合並排序(Merge Sort)。

21、牛頓法(Newton's method)——求非線性方程(組)零點的一種重要的迭代法。

22、Q-learning學習演算法——這是一種通過學習動作值函數(action-value function)完成的強化學習演算法，函數採取在給定狀態的給定動作，並計算出期望的效用價值，在此後遵循固定的策略。Q-leanring的優勢是，在不需要環境模型的情況下，可以對比可採納行動的期望效用。

23、兩次篩法(Quadratic Sieve)——現代整數因子分解演算法，在實踐中，是目前已知第二快的此類演算法(僅次於數域篩法Number Field Sieve)。對於110位以下的十位整數，它仍是最快的，而且都認為它比數域篩法更簡單。

24、RANSAC——是「RANdom SAmple Consensus」的縮寫。該演算法根據一系列觀察得到的數據，數據中包含異常值，估算一個數學模型的參數值。其基本假設是：數據包含非異化值，也就是能夠通過某些模型參數解釋的值，異化值就是那些不符合模型的數據點。

25、RSA——公鑰加密演算法。較早的適用於以簽名作為加密的演算法。RSA在電商行業中仍大規模使用，大家也相信它有足夠安全長度的公鑰。

26、Schönhage-Strassen演算法——在數學中，Schönhage-Strassen演算法是用來完成大整數的乘法的快速漸近演算法。其演算法復雜度為：O(N log(N) log(log(N)))，該演算法使用了傅里葉變換。

27、單純型演算法(Simplex Algorithm)——在數學的優化理論中，單純型演算法是常用的技術，用來找到線性規劃問題的數值解。線性規劃問題包括在一組實變數上的一系列線性不等式組，以及一個等待較大化(或最小化)的固定線性函數。

28、奇異值分解(Singular value decomposition，簡稱SVD)——在線性代數中，SVD是重要的實數或復數矩陣的分解方法，在信號處理和統計中有多種應用，比如計算矩陣的偽逆矩陣(以求解最小二乘法問題)、解決超定線性系統(overdetermined linear systems)、矩陣逼近、數值天氣預報等等。

29、求解線性方程組(Solving a system of linear equations)——線性方程組是數學中最古老的問題，它們有很多應用，比如在數字信號處理、線性規劃中的估算和預測、數值分析中的非線性問題逼近等等。求解線性方程組，可以使用高斯—約當消去法(Gauss-Jordan elimination)，或是柯列斯基分解( Cholesky decomposition)。

30、Strukturtensor演算法——應用於模式識別領域，為所有像素找出一種計算方法，看看該像素是否處於同質區域( homogenous region)，看看它是否屬於邊緣，還是是一個頂點。

31、合並查找演算法(Union-find)——給定一組元素，該演算法常常用來把這些元素分為多個分離的、彼此不重合的組。不相交集(disjoint-set)的數據結構可以跟蹤這樣的切分方法。合並查找演算法可以在此種數據結構上完成兩個有用的操作：

查找：判斷某特定元素屬於哪個組。

合並：聯合或合並兩個組為一個組。

32、維特比演算法(Viterbi algorithm)——尋找隱藏狀態最有可能序列的動態規劃演算法，這種序列被稱為維特比路徑，其結果是一系列可以觀察到的事件，特別是在隱藏的Markov模型中。

『伍』 數學的各種演算法

演算法（Algorithm）是指解題方案的准確而完整的描述，是一系列解決問題的清晰指令，演算法代表著用系統的方法描述解決問題的策略機制。也就是說，能夠對一定規范的輸入，在有限時間內獲得所要求的輸出。如果一個演算法有缺陷，或不適合於某個問題，執行這個演算法將不會解決這個問題。不同的演算法可能用不同的時間、空間或效率來完成同樣的任務。一個演算法的優劣可以用空間復雜度與時間復雜度來衡量。
演算法中的指令描述的是一個計算，當其運行時能從一個初始狀態和（可能為空的）初始輸入開始，經過一系列有限而清晰定義的狀態，最終產生輸出並停止於一個終態。一個狀態到另一個狀態的轉移不一定是確定的。隨機化演算法在內的一些演算法，包含了一些隨機輸入。
形式化演算法的概念部分源自嘗試解決希爾伯特提出的判定問題，並在其後嘗試定義有效計算性或者有效方法中成形。這些嘗試包括庫爾特·哥德爾、Jacques Herbrand和斯蒂芬·科爾·克萊尼分別於1930年、1934年和1935年提出的遞歸函數，阿隆佐·邱奇於1936年提出的λ演算，1936年Emil Leon Post的Formulation 1和艾倫·圖靈1937年提出的圖靈機。即使在當前，依然常有直覺想法難以定義為形式化演算法的情況。
一個演算法應該具有以下五個重要的特徵：
有窮性
（Finiteness）
演算法的有窮性是指演算法必須能在執行有限個步驟之後終止；
確切性
(Definiteness)
演算法的每一步驟必須有確切的定義；
輸入項
(Input)
一個演算法有0個或多個輸入，以刻畫運算對象的初始情況，所謂0個輸入是指演算法本身定出了初始條件；
輸出項
(Output)
一個演算法有一個或多個輸出，以反映對輸入數據加工後的結果。沒有輸出的演算法是毫無意義的；
可行性
(Effectiveness)
演算法中執行的任何計算步驟都是可以被分解為基本的可執行的操作步，即每個計算步都可以在有限時間內完成（也稱之為有效性）。
一、數據對象的運算和操作：計算機可以執行的基本操作是以指令的形式描述的。一個計算機系統能執行的所有指令的集合，成為該計算機系統的指令系統。一個計算機的基本運算和操作有如下四類：[1]
1.算術運算：加減乘除等運算
2.邏輯運算：或、且、非等運算
3.關系運算：大於、小於、等於、不等於等運算
4.數據傳輸：輸入、輸出、賦值等運算[1]
二、演算法的控制結構：一個演算法的功能結構不僅取決於所選用的操作，而且還與各操作之間的執行順序有關。
演算法可大致分為基本演算法、數據結構的演算法、數論與代數演算法、計算幾何的演算法、圖論的演算法、動態規劃以及數值分析、加密演算法、排序演算法、檢索演算法、隨機化演算法、並行演算法，厄米變形模型，隨機森林演算法。
演算法可以宏泛地分為三類：
一、有限的，確定性演算法 這類演算法在有限的一段時間內終止。他們可能要花很長時間來執行指定的任務，但仍將在一定的時間內終止。這類演算法得出的結果常取決於輸入值。
二、有限的，非確定演算法 這類演算法在有限的時間內終止。然而，對於一個（或一些）給定的數值，演算法的結果並不是唯一的或確定的。
三、無限的演算法 是那些由於沒有定義終止定義條件，或定義的條件無法由輸入的數據滿足而不終止運行的演算法。通常，無限演算法的產生是由於未能確定的定義終止條件。
希望我能幫助你解疑釋惑。

『陸』 常用的加密演算法有哪些

對稱密鑰加密

對稱密鑰加密 Symmetric Key Algorithm 又稱為對稱加密、私鑰加密、共享密鑰加密：這類演算法在加密和解密時使用相同的密鑰，或是使用兩個可以簡單的相互推算的密鑰，對稱加密的速度一般都很快。

• 分組密碼

分組密碼 Block Cipher 又稱為「分塊加密」或「塊加密」，將明文分成多個等長的模塊，使用確定的演算法和對稱密鑰對每組分別加密解密。這也就意味著分組密碼的一個優點在於可以實現同步加密，因為各分組間可以相對獨立。

與此相對應的是流密碼：利用密鑰由密鑰流發生器產生密鑰流，對明文串進行加密。與分組密碼的不同之處在於加密輸出的結果不僅與單獨明文相關，而是與一組明文相關。

• DES、3DES

數據加密標准 DES Data Encryption Standard 是由IBM在美國國家安全局NSA授權下研製的一種使用56位密鑰的分組密碼演算法，並於1977年被美國國家標准局NBS公布成為美國商用加密標准。但是因為DES固定的密鑰長度，漸漸不再符合在開放式網路中的安全要求，已經於1998年被移出商用加密標准，被更安全的AES標准替代。

DES使用的Feistel Network網路屬於對稱的密碼結構，對信息的加密和解密的過程極為相似或趨同，使得相應的編碼量和線路傳輸的要求也減半。

DES是塊加密演算法，將消息分成64位，即16個十六進制數為一組進行加密，加密後返回相同大小的密碼塊，這樣，從數學上來說，64位0或1組合，就有2^64種可能排列。DES密鑰的長度同樣為64位，但在加密演算法中，每逢第8位，相應位會被用於奇偶校驗而被演算法丟棄，所以DES的密鑰強度實為56位。

3DES Triple DES，使用不同Key重復三次DES加密，加密強度更高，當然速度也就相應的降低。

• AES

高級加密標准 AES Advanced Encryption Standard 為新一代數據加密標准，速度快，安全級別高。由美國國家標准技術研究所NIST選取Rijndael於2000年成為新一代的數據加密標准。

AES的區塊長度固定為128位，密鑰長度可以是128位、192位或256位。AES演算法基於Substitution Permutation Network代換置列網路，將明文塊和密鑰塊作為輸入，並通過交錯的若干輪代換"Substitution"和置換"Permutation"操作產生密文塊。

AES加密過程是在一個4*4的位元組矩陣（或稱為體State）上運作，初始值為一個明文區塊，其中一個元素大小就是明文區塊中的一個Byte，加密時，基本上各輪加密循環均包含這四個步驟：



• ECC

ECC即 Elliptic Curve Cryptography 橢圓曲線密碼學，是基於橢圓曲線數學建立公開密鑰加密的演算法。ECC的主要優勢是在提供相當的安全等級情況下，密鑰長度更小。

ECC的原理是根據有限域上的橢圓曲線上的點群中的離散對數問題ECDLP，而ECDLP是比因式分解問題更難的問題，是指數級的難度。而ECDLP定義為：給定素數p和橢圓曲線E，對Q＝kP，在已知P，Q 的情況下求出小於p的正整數k。可以證明由k和P計算Q比較容易，而由Q和P計算k則比較困難。

• 數字簽名

數字簽名 Digital Signature 又稱公鑰數字簽名是一種用來確保數字消息或文檔真實性的數學方案。一個有效的數字簽名需要給接收者充足的理由來信任消息的可靠來源，而發送者也無法否認這個簽名，並且這個消息在傳輸過程中確保沒有發生變動。

數字簽名的原理在於利用公鑰加密技術，簽名者將消息用私鑰加密，然後公布公鑰，驗證者就使用這個公鑰將加密信息解密並對比消息。一般而言，會使用消息的散列值來作為簽名對象。

『柒』 python中有哪些簡單的演算法

你好：
跟你詳細說一下python的常用8大演算法：
1、插入排序
插入排序的基本操作就是將一個數據插入到已經排好序的有序數據中，從而得到一個新的、個數加一的有序數據，演算法適用於少量數據的排序，時間復雜度為O(n^2)。是穩定的排序方法。插入演算法把要排序的數組分成兩部分：第一部分包含了這個數組的所有元素，但將最後一個元素除外(讓數組多一個空間才有插入的位置)，而第二部分就只包含這一個元素(即待插入元素)。在第一部分排序完成後，再將這個最後元素插入到已排好序的第一部分中。
2、希爾排序
希爾排序(Shell Sort)是插入排序的一種。也稱縮小增量排序，是直接插入排序演算法的一種更高效的改進版本。希爾排序是非穩定排序演算法。該方法因DL．Shell於1959年提出而得名。 希爾排序是把記錄按下標的一定增量分組，對每組使用直接插入排序演算法排序；隨著增量逐漸減少，每組包含的關鍵詞越來越多，當增量減至1時，整個文件恰被分成一組，演算法便終止。
3、冒泡排序
它重復地走訪過要排序的數列，一次比較兩個元素，如果他們的順序錯誤就把他們交換過來。走訪數列的工作是重復地進行直到沒有再需要交換，也就是說該數列已經排序完成。
4、快速排序
通過一趟排序將要排序的數據分割成獨立的兩部分，其中一部分的所有數據都比另外一部分的所有數據都要小，然後再按此方法對這兩部分數據分別進行快速排序，整個排序過程可以遞歸進行，以此達到整個數據變成有序序列。
5、直接選擇排序
基本思想：第1趟，在待排序記錄r1 ~ r[n]中選出最小的記錄，將它與r1交換；第2趟，在待排序記錄r2 ~ r[n]中選出最小的記錄，將它與r2交換；以此類推，第i趟在待排序記錄r[i] ~ r[n]中選出最小的記錄，將它與r[i]交換，使有序序列不斷增長直到全部排序完畢。
6、堆排序
堆排序(Heapsort)是指利用堆積樹(堆)這種數據結構所設計的一種排序演算法，它是選擇排序的一種。可以利用數組的特點快速定位指定索引的元素。堆分為大根堆和小根堆，是完全二叉樹。大根堆的要求是每個節點的值都不大於其父節點的值，即A[PARENT[i]] >= A[i]。在數組的非降序排序中，需要使用的就是大根堆，因為根據大根堆的要求可知，最大的值一定在堆頂。
7、歸並排序
歸並排序是建立在歸並操作上的一種有效的排序演算法,該演算法是採用分治法(Divide and Conquer)的一個非常典型的應用。將已有序的子序列合並，得到完全有序的序列；即先使每個子序列有序，再使子序列段間有序。若將兩個有序表合並成一個有序表，稱為二路歸並。
歸並過程為：比較a[i]和a[j]的大小，若a[i]≤a[j]，則將第一個有序表中的元素a[i]復制到r[k]中，並令i和k分別加上1；否則將第二個有序表中的元素a[j]復制到r[k]中，並令j和k分別加上1，如此循環下去，直到其中一個有序表取完，然後再將另一個有序表中剩餘的元素復制到r中從下標k到下標t的單元。歸並排序的演算法我們通常用遞歸實現，先把待排序區間[s,t]以中點二分，接著把左邊子區間排序，再把右邊子區間排序，最後把左區間和右區間用一次歸並操作合並成有序的區間[s,t]。
8、基數排序
基數排序(radix sort)屬於「分配式排序」(distribution sort)，又稱「桶子法」(bucket sort)或bin sort，顧名思義，它是透過鍵值的部分資訊，將要排序的元素分配至某些「桶」中，藉以達到排序的作用，基數排序法是屬於穩定性的排序，其時間復雜度為O (nlog(r)m)，其中r為所採取的基數，而m為堆數，在某些時候，基數排序法的效率高於其它的穩定性排序法。

『捌』 各種RL演算法

在現代RL空間中繪制精確的，無所不包的演算法分類法真的很難，因為演算法的模塊性沒有用樹結構很好地表示。此外，為了使某些東西適合頁面並且在介紹文章中可以合理地消化，我們必須省略相當多的更高級的材料（探索，轉移學習，元學習等）。也就是說，我們的目標是：

1. 強調深度RL演算法中最基本的設計選擇，包括學習內容和學習方法，

2. 揭示這些選擇中的權衡，

3. 並針對這些選擇將一些突出的現代演算法放入上下文中。

RL演算法中最重要的分支點之一是 agent是否可以獲得（或學習）環境模型的問題 。我們提到的環境模型，我們指的是一種預測狀態轉換和獎勵的函數。

擁有模型的主要好處是， 它允許agent 通過提前思考，查看一系列可能的選擇會發生什麼，以及明確決定其選項 來進行規劃 。然後， agent 可以將結果從提前計劃中提取到學習策略中。這種方法的一個特別著名的例子是 AlphaZero 。當這種方法有效時，與沒有模型的方法相比，它可以顯著提高樣本效率。

主要缺點是 agent通常無法獲得環境的真實模型。 如果 agent 想要在這種情況下使用模型，它必須純粹從經驗中學習模型，這會產生一些挑戰。最大的挑戰是模型中的偏差可以被 agent 利用，從而導致 agent 在學習模型方面表現良好，但在真實環境中表現得次優（或非常可怕）。模型學習從根本上來說很難，所以即使是非常努力——願意花費大量時間並對其進行計算——也無法獲得回報。

使用模型的演算法稱為 基於模型 的方法，而不使用模型的演算法稱為 無模型 。雖然無模型方法放棄了使用模型的樣本效率帶來的潛在增益，但它們往往更容易實現和調整。截至撰寫本簡介（2018年9月）時，無模型方法比基於模型的方法更受歡迎，並且得到了更廣泛的開發和測試。

RL演算法中的另一個關鍵分支點是 要學習什麼 的問題 。 通常可能的名單包括

1. 策略，無論是隨機的還是確定的，

2. 動作值函數（Q函數），

3. 值函數，

4. 和/或環境模型。

使用無模型RL表示和訓練agent有兩種主要方法：

Policy Optimization - 策略優化.  此系列中的方法將策略明確表示為 。它們直接通過性能指標 上的梯度上升來優化參數 ，或者通過最大化 的局部近似來間接地優化參數 。此優化幾乎總是以 on-policy 的方式運行，這意味著每個更新僅使用根據最新版本的策略執行時收集的數據。

策略優化通常還涉及學習on-policy值函數 的近似值 ，用於確定如何更新策略。策略優化方法的幾個例子是：

1.  A2C / A3C ，執行梯度上升以直接最大化性能，

2. 和 PPO ，其更新間接地最大化性能，通過最大化替代 目標函數 ，該函數給出保守估計 將由於更新而改變多少。

Q-Learning.  該系列中的方法學習最優動作值函數 的近似值 。通常，它們使用基於Bellman方程的目標函數。此優化幾乎總是以 off-policy 的方式運行，這意味著每次更新都可以使用在訓練期間的任何時間點收集的數據，無論agent在獲取數據時如何選擇探索環境。通過 和 之間的連接獲得相應的策略：Q-learning agent所採取的動作由下式給出：

                                                 

Q-learning方法的例子包括

1.  DQN ，一個大規模推出DRL領域的經典之作，

2. 和 C51 ，一種學習回報分布的變體，其期望值為 。

Trade-offs Between Policy Optimization and Q-Learning.

策略優化方法的主要優勢在於它們是原則性的，在這種意義上，你可以直接針對你想要的東西進行優化。這往往使它們穩定可靠。

相比之下，Q-learning方法僅通過訓練 來滿足自洽方程，間接優化agent性能。這種學習有很多失敗模式，因此往往不太穩定  [1] 。但是，Q-learning方法的優勢在於它們在工作時具有更高的樣本效率，因為它們可以比策略優化技術更有效地重用數據。

Interpolating Between Policy Optimization and Q-Learning.

政策優化和Q學習並不矛盾（在某些情況下，事實證明，他們是 等價的 ），並且存在一系列存在於兩個極端之間的演算法。處在這一范圍內的演算法能夠在任何一方的優勢和劣勢之間進行謹慎的權衡。 例子包括

1.  DDPG 一種同時學習確定性策略和Q函數的演算法，通過使用它們當中每一個來改進另一個，

2. 和 SAC ，一種使用隨機策略，熵正則化和一些其他技巧來穩定學習並在標准基準上得分高於DDPG的變體。

[1]  For more information about how and why Q-learning methods can fail, see 1) this classic paper by  Tsitsiklis and van Roy , 2) the (much more recent)  review by Szepesvari  (in section 4.3.2), and 3) chapter 11 of  Sutton and Barto , especially section 11.3 (on 「the deadly triad」 of function approximation, bootstrapping, and off-policy data, together causing instability in value-learning algorithms).

與無模型RL不同，基於模型的RL不存在少量易於定義的方法集群：使用模型有許多正交方法。我們舉幾個例子，但這個清單遠非詳盡無遺。 在每種情況下，可以給出或學習模型。

背景：純粹的規劃.  最基本的方法從未明確地表示策略，而是使用純 模型 技術（如 模型預測控制 （MPC））來選擇操作。在MPC中，每次agent觀察環境時，它都會計算一個相對於模型最優的 規劃 ，其中 規劃 描述了在當前之後的某個固定時間窗口內採取的所有動作。 （ 規劃 演算法可以通過使用學習值函數來考慮超出視野的未來獎勵。）然後，代理執行 規劃 的第一個動作，並立即丟棄其餘部分。它每次准備與環境交互時計算新 規劃 ，以避免使用 規劃 范圍短於預期的 規劃 中的動作。

    MBMF 的工作探討了MPC與深度RL的一些標准基準任務的學習環境模型。

專家迭代.  純粹 規劃 的直接後續涉及使用和學習策略 的明確表示。agent在模型中使用規劃演算法（如蒙特卡羅樹搜索），通過從當前策略中抽樣為該規劃生成候選動作。規劃演算法產生的動作優於單獨的策略產生的動作，因此它是相對於策略的「專家」。之後更新策略以生成更類似於規劃演算法輸出的動作。

 該  ExIt 演算法使用這種方法來訓練深層神經網路玩Hex。

  AlphaZero  是這種方法的另一個例子。

無模型方法的數據增強.  使用無模型RL演算法來訓練策略或Q函數，但是要麼1）在更新agent時增加虛構的實際經驗，要麼2） 僅 使用虛擬經驗來更新agent。

 請參閱 MBVE ，了解增加虛構實際體驗的示例。

 請參閱 世界模型 ，了解使用純粹的虛擬經驗訓練agent的例子，他們稱之為「在夢中訓練」。

將規劃循環嵌入到策略中。 另一種方法是將規劃程序直接嵌入到作為子程序的策略中——以便完整規劃成為策略的輔助信息 ——同時使用任何標準的無模型演算法訓練策略的輸出。關鍵概念是，在此框架中，策略可以學習如何以及何時使用規劃。這使得模型偏差不再成為問題，因為如果模型在某些狀態下不適合規劃，則策略可以簡單地學會忽略它。

 有關具有這種想像力的agent的例子，請參閱 I2A 。

[2].  A2C / A3C  (Asynchronous Advantage Actor-Critic): Mnih et al, 2016

[3].  PPO  (Proximal Policy Optimization): Schulman et al, 2017

[4].  TRPO  (Trust Region Policy Optimization): Schulman et al, 2015

[5].  DDPG  (Deep Deterministic Policy Gradient): Lillicrap et al, 2015

[6].  TD3  (Twin Delayed DDPG): Fujimoto et al, 2018

[7].  SAC  (Soft Actor-Critic): Haarnoja et al, 2018

[8].  DQN  (Deep Q-Networks): Mnih et al, 2013

[9].  C51  (Categorical 51-Atom DQN): Bellemare et al, 2017

[10].  QR-DQN  (Quantile Regression DQN): Dabney et al, 2017

[11].  HER  (Hindsight Experience Replay): Andrychowicz et al, 2017

[12].  World Models : Ha and Schmidhuber, 2018

[13].  I2A  (Imagination-Augmented Agents): Weber et al, 2017

[14].  MBMF  (Model-Based RL with Model-Free Fine-Tuning): Nagabandi et al, 2017

[15].  MBVE  (Model-Based Value Expansion): Feinberg et al, 2018

[16].  AlphaZero : Silver et al, 2017

『玖』 各個版本office文檔的加密演算法是什麼從03到13給敘述一下。

這個我不清楚。

給文檔加密，我推薦您可以下載超級加密3000軟體試試。

超級加密 3000採用先進的加密演算法，使你的文件和文件夾加密後，真正的達到超高的加密強度，讓你的加密數據無懈可擊。

『拾』 機器學習有哪些演算法

1. 線性回歸
在統計學和機器學習領域，線性回歸可能是最廣為人知也最易理解的演算法之一。
2. Logistic 回歸
Logistic 回歸是機器學習從統計學領域借鑒過來的另一種技術。它是二分類問題的首選方法。
3. 線性判別分析
Logistic 回歸是一種傳統的分類演算法，它的使用場景僅限於二分類問題。如果你有兩個以上的類，那麼線性判別分析演算法（LDA）是首選的線性分類技術。
4.分類和回歸樹
決策樹是一類重要的機器學習預測建模演算法。
5. 樸素貝葉斯
樸素貝葉斯是一種簡單而強大的預測建模演算法。
6. K 最近鄰演算法
K 最近鄰（KNN）演算法是非常簡單而有效的。KNN 的模型表示就是整個訓練數據集。
7. 學習向量量化
KNN 演算法的一個缺點是，你需要處理整個訓練數據集。
8. 支持向量機
支持向量機（SVM）可能是目前最流行、被討論地最多的機器學習演算法之一。
9. 袋裝法和隨機森林
隨機森林是最流行也最強大的機器學習演算法之一，它是一種集成機器學習演算法。

想要學習了解更多機器學習的知識，推薦CDA數據分析師課程。CDA（Certified Data Analyst），即「CDA 數據分析師」，是在數字經濟大背景和人工智慧時代趨勢下，面向全行業的專業權威國際資格認證，旨在提升全民數字技能，助力企業數字化轉型，推動行業數字化發展。點擊預約免費試聽課。