算法的演进过程

Ⅰ 进化算法的起源发展

进化计算包括遗传算法(Genetic Algorithms)、遗传规划（Genetic Programming）、进化策略(Evolution Strategies)和进化规划(Evolution Programming)4种典型方法。第一类方法比较成熟，现已广泛应用，进化策略和进化规划在科研和实际问题中的应用也越来越广泛。
遗传算法的主要基因操作是选种、交配和突变，而在进化规则、进化策略中，进化机制源于选种和突变。就适应度的角度来说遗传算法用于选择优秀的父代(优秀的父代产生优秀的子代)，而进化规则和进化策略则用于选择子代(优秀的子代才能存在)。
遗传算法与遗传规划强调的是父代对子代的遗传链，而进化规则和进化策略则着重于子代本身的行为特性，即行为链。
进化规则和进化策略一般都不采用编码，省去了运作过程中的编码—解码手续更适用于连续优化问题，但因此也不能进行非数值优化。进化策略可以确定机制产生出用于繁殖的父代，而遗传算法和进化规则强调对个体适应度和概率的依赖。
此外，进化规则把编码结构抽象为种群之间的相似，而进化策略抽象为个体之间的相似。进化策略和进化规则已应用于连续函数优化、模式识别、机器学习、神经网络训练、系统辨识和智能控制的众多领域

Ⅱ RSA算法的原理及演算过程

RSA算法非常简单，概述如下：
找两素数p和q
取n=p*q
取t=(p-1)*(q-1)
取任何一个数e,要求满足e<t并且e与t互素（就是最大公因数为1）
取d*e%t==1

这样最终得到三个数： n d e

设消息为数M (M <n)
设c=(M**d)%n就得到了加密后的消息c
设m=(c**e)%n则 m == M，从而完成对c的解密。
注：**表示次方,上面两式中的d和e可以互换。

在对称加密中：
n d两个数构成公钥，可以告诉别人；
n e两个数构成私钥，e自己保留，不让任何人知道。
给别人发送的信息使用e加密，只要别人能用d解开就证明信息是由你发送的，构成了签名机制。
别人给你发送信息时使用d加密，这样只有拥有e的你能够对其解密。

rsa的安全性在于对于一个大数n，没有有效的方法能够将其分解
从而在已知n d的情况下无法获得e；同样在已知n e的情况下无法
求得d。

RSA简洁幽雅，但计算速度比较慢，通常加密中并不是直接使用RSA 来对所有的信息进行加密，
最常见的情况是随机产生一个对称加密的密钥，然后使用对称加密算法对信息加密，之后用
RSA对刚才的加密密钥进行加密。

最后需要说明的是，当前小于1024位的N已经被证明是不安全的
自己使用中不要使用小于1024位的RSA，最好使用2048位的。

Ⅲ 算法设计的过程一般是什么样子

您好，楼主
算法设计就是把问题的解决步骤通过计算机编程语言来实现。
大概步骤如下：
1.分析问题：输入什么/输出什么/条件什么/能用什么方法
2.用流程图画出解决方案：决定程序的结构（有三大结构：顺序结构、判断结构、循环结构）
3.算法设计：常见的算法设计方法有：穷举法/迭代法/递推法/递归法/回溯法/贪婪法/分治法。
4.程序设计：这个就需要变成语言来实现的。

Ⅳ SVG 填色算法演进实现

SVG 有一个 <path> 标签，里面有很多个图形指令，而如果由多个M（Moveto）构成的，那么这个<path> 描述的图形可能会很复杂，比如构成一个圈包围一个圈，那么这个时候来了，填色的时候如何填？

比如：下方这两个图形，描述他们的形状是一样的，局别只在于填色规则是 nonzero 还是 evenodd

恩，看起来好像比较容易理解，但是怎么实现呢？？？

针对 nonzero 填色规则，目前我采用的是下方这个动图所示的填色方案，嗯，在到达这个动图的填色方案之前，自己瞎搞了好几个算法方案，此文主要记录这些算法的演进过程：

将待判断点与每一个填色点（区域，再小的点，加上宽高也是一个区域）进行坐标对比

恩，实际测试是不太行，问题在哪也不太确定，而且会很耗计算量，因此此方案可行

也尝试过 图像混合 ，但是这明显要多个 Graphics 进行处理，DC 会升高，而且好像还比较难实现，因此不可取

总体思路：将Path中所有图形一个一个处理，每次处理两个多边形图形，然后得到一个新的多边形图形和它的绘制方向，然后将这个新的多边形作衡罩仿为新的输入与下一个图形进行处理，依次循环，最后得到一个多边形，对这个多边形进行填色即可

经过上面的分析，我们的基本只需要考虑多边形包含填色处理

在上面的算法1会出现一种问题

新生成的多边形会不断闭合空间，因此当多边形数量很多的时候，极有可能会出现空间已经很闭合，从而出现找不到一条连线去连接后续的多边形

因此我们需要改进算法1：当遇到不能找到连线的时候，往前回滚异步，生成另外一个新的多边形，然后重新寻找，知道找到，或者深度遍历完所有情况都找不到。差不多为下面的步骤

即便在算法2的补充下，也有情况连不上，像下图，基本完全闭合的两个多边形，基本只有这两个多边形相连才能完成所有多边形相连的目标

很明显，上面算法1、2我们好好像走了一条错路，按照算法1、2，基本hold不足这种情况的。因此，我们要修正一下我们的思路：

从算法2中，我们了解到特殊情况下，基本只有相邻的多边形才能连接，其他咐纤多边形基本无法连接过去。

基于 相邻 这个特征，我们提出下面算法：

按照广度遍历求出所有相邻（直线可达且不会和其他多边形相交的）多边形，按照深度遍历连接多边形

具体差不多是下图：

按照广度遍历求出所有相邻多边形 具体操作：

按照深度遍历连接多边形 具体操作：

实际一顿操作下来，结果是准确的，但是计算量也是十分庞大，时间复杂度巨大

将填色区域转换成三角形，三角剖分（闷裤基于耳朵，嘴巴，单调多边形）

Ⅳ 算法过程是什么

Ⅵ YOLO(一) 算法的原理及演变

第一次接触到yolo这个算法是通过吴恩达的教学视频了解到的，当时其实也算是第一次接触到目标检测算法。这里我们主要介绍下YOLO(You Only Look Once)。现在已经进化到了V3版本了。它不同于Faster RCNN这个分支走的两部策略先进行前景识别在进行目标检测，它是直接一步到位进行目标检测。因此在识别的速度物掘上优于Faster RCNN(5 FPS), 而 YOLO_v1基础版在Titan X GPU上可以达到45帧/s； 快速版可以达到150帧/s。但是在准确率上YOLO是稍差与Faster RCNN这个在之后会详细介绍。顺便提下如果想了解Faster RCNN原理可以参考 Faster-RCNN的原理及演变 。

我们知道YOLO其实就是 You Only Look Once, 意思是只需要看一眼就知道位置及对象，个人觉得蛮形象的。他不需要Faster RCNN的RPN结构，他其实选取anchor是预订了候选框，将图片划分为7x7的网格，每个网格允许有2个不同的bounding box. 这样一开始我们就有7x7x2个候选框(bounding box), 大致粗略覆盖了图像的整个区域。他的思想就是Faster RCNN在第一阶段就算有了回归框，在第二阶段还是需要进行精调，那还不如就先生成大致回归框就ok了。

下面我们就来好好介绍一下这个模型。

一、模型结构

其实将这个模型简单话为:

那30又是如何形成的通道大小的呢？

a. 2个bounding box的位置（8个通道）
每个bounding box需要4个数值来表示其位置，(Center_x,Center_y,width,height)，即(bounding box的中心点的x坐标，y坐标，bounding box的宽度，高度)，2个bounding box共需要弯蚂亮8个数值来表示其位置。

b. 2个bounding box 置信度（2个通道）

c. 20分类概率（20个通道）
下面我们来说一下剩下20维度的分类通道。每一个通道代表一个类别的分类概率。因为YOLO支持识别20种不同的对象（人、鸟、猫、汽车、椅子等），所以这里有20个值表示该网格位置存在任一种对象的概率。 但是我们一组图片只能预测49个对象，可以理解为一个grid2个achor只能有一个预测准的对象（即计算IOU比例最大的那个anchor），所以7x7个对象 。

图中将自行车的位置放在bounding box1，但实际上是在训练过程中等网络输出以后，比较两个bounding box与自行车实际位置的IOU，自行车的位置（实际bounding box）放置在IOU比较大的那个bounding box（图中假设是bounding box1），且该bounding box的置信度设为1

二、 损失函数

总的来说，就是用网络输出与样本标签的各项内容的误差平埋宽方和作为一个样本的整体误差。
损失函数中的几个项是与输出的30维向量中的内容相对应的。

三、 YOLO v1 缺陷

注意：

细节：
YOLO的最后一层采用线性激活函数，其它层都是Leaky ReLU。训练中采用了drop out和数据增强（data augmentation）来防止过拟合。更多细节请参考原论文

在67 FPS，YOLOv2在PASCAL VOC 2007上获得76.8％的mAP。在40 FPS时，YOLOv2获得78.6％mAP，这比使用ResNet和SSD 更快的R-CNN更好。凭借如此优异的成绩，YOLOv2于2017年CVPR发布并获得超过1000次引用。YOLO有两个缺点：一个缺点在于定位不准确，另一个缺点在于和基于region proposal的方法相比召回率较低。因此YOLOv2主要是要在这两方面做提升。另外YOLOv2并不是通过加深或加宽网络达到效果提升，反而是简化了网络。

下面主要从两点来介绍下YOLO v2的提升之处。分别是Better以及Faster.

1、Darknet-19
在YOLO v1中，作者采用的训练网络是基于GooleNet，这里作者将GooleNet和VGG16做了简单的对比，GooleNet在计算复杂度上要优于VGG16（8.25 billion operation VS 30.69 billion operation），但是前者在ImageNet上的top-5准确率要稍低于后者（88% VS 90%）。而在YOLO v2中，作者采用了新的分类模型作为基础网络，那就是Darknet-19。Table6是最后的网络结构：Darknet-19只需要5.58 billion operation。这个网络包含19个卷积层和5个max pooling层，而在YOLO v1中采用的GooleNet，包含24个卷积层和2个全连接层，因此Darknet-19整体上卷积卷积操作比YOLO v1中用的GoogleNet要少，这是计算量减少的关键。最后用average pooling层代替全连接层进行预测。这个网络在ImageNet上取得了top-5的91.2%的准确率。

2、Training for Classification
这里的2和3部分在前面有提到，就是训练处理的小trick。这里的training for classification都是在ImageNet上进行预训练，主要分两步：1、从头开始训练Darknet-19，数据集是ImageNet，训练160个epoch，输入图像的大小是224 224，初始学习率为0.1。另外在训练的时候采用了标准的数据增加方式比如随机裁剪，旋转以及色度，亮度的调整等。2、再fine-tuning 网络，这时候采用448 448的输入，参数的除了epoch和learning rate改变外，其他都没变，这里learning rate改为0.001，并训练10个epoch。结果表明fine-tuning后的top-1准确率为76.5%，top-5准确率为93.3%，而如果按照原来的训练方式，Darknet-19的top-1准确率是72.9%，top-5准确率为91.2%。因此可以看出第1,2两步分别从网络结构和训练方式两方面入手提高了主网络的分类准确率。

3、Training for Detection
在前面第2步之后，就开始把网络移植到detection，并开始基于检测的数据再进行fine-tuning。首先把最后一个卷积层去掉，然后添加3个3 3的卷积层，每个卷积层有1024个filter，而且每个后面都连接一个1 1的卷积层，1 1卷积的filter个数根据需要检测的类来定。比如对于VOC数据，由于每个grid cell我们需要预测5个box，每个box有5个坐标值和20个类别值，所以每个grid cell有125个filter（与YOLOv1不同，在YOLOv1中每个grid cell有30个filter，还记得那个7 7 30的矩阵吗，而且在YOLOv1中，类别概率是由grid cell来预测的，也就是说一个grid cell对应的两个box的类别概率是一样的，但是在YOLOv2中，类别概率是属于box的，每个box对应一个类别概率，而不是由grid cell决定，因此这边每个box对应25个预测值（5个坐标加20个类别值），而在YOLOv1中一个grid cell的两个box的20个类别值是一样的）。另外作者还提到将最后一个3 3*512的卷积层和倒数第二个卷积层相连。最后作者在检测数据集上fine tune这个预训练模型160个epoch，学习率采用0.001，并且在第60和90epoch的时候将学习率除以10，weight decay采用0.0005。

这里yolo v3相对于yolo v2有三点：1. 利用多尺度特征进行对象检测 2. 调整基础网络结构

Ⅶ 从算法到程序这个过程是怎样的

算法是理论.
程序是实践.
先定义好目标,然后设计出算法. 算法会指导出程序的控制流和数据流.
然后再根据算法, 一步步实现出代码.
如果算法比较复杂,可以先实现伪代码,再真正实现编程语言代码.

Ⅷ 中国算盘的珠算算法发展历程

古珠算法是以手拨算珠搭悔耐进行运算。古珠算只用这十个码衍化各种算法，为了便于掌握而编成口诀。到了明代 ( 公元 1368 — 1644 年 ) ，吴敬、王文素、朱载堉、程大位等对古珠算法进行了总结、规范，应用领域由商贸到科研有了开拓和发展。例如前旁，程大位 (1533 — 1606 年 ) 在《算法统宗》里，主张上法诀加法、退法诀减法、留头乘法、归除法、盘上定位法等。明代规范珠算法的中心思想是提高机械化程度，尽可能达到不假思索地拨珠得数的自动化目的。
明代完善珠算机械化算法的直接结果，就是使数学在大众中空前普及。运用珠算机械化算法，口诵歌诀，拨珠练习，即便不懂原理，也能掌握珠算法。不管公学、私塾和家教，以及商工店主授徒，都能够教学珠算法，即便小孩子也都能学会和掌握。这种珠算法一直延续到 20 世纪 50 年代，有些地方甚至直到如今。也正是这个缘故，珠算得以很快传播，以致传到海外。
朱载堉(1536 — 1611 年 ) 把珠算用于科学研究，创串联 ( 或并联 ) 使用算盘的方法，设计了极其简捷的算法程序。在他的科学发现、发明和创造中，靠珠算完成了极其浩繁的计算，导致他发现了“十二平均律”，这是世界顶尖的发现。
过去，对珠算一般只停留在实用方法上，停留在手拨算珠上，未能从基础处或者说从“基因”上去认识、阐述它的深远意义和不可替代的价值。因而，在引入西方数学教学体系时，未用它来更换西方数学课程中相应的落后部分，竟然将它从数学课程中排斥出去。结果，学校中学的数学，不能满足实际需要，才不得不在数学课之外，另开一门珠算课。
中国第一个人造卫星就是靠算盘计算发知春射成功的！

Ⅸ 进化算法的基本步骤

进化计算是基于自然选择和自然遗传等生物进化机制的一种搜索算法。与普通的搜索方法一样，进化计算也是一种迭代算法，不同的是进化计算在最优解的搜索过程中，一般是从原问题的一组解出发改进到另一组较好的解，再从这组改进的解出发进一步改进。而且在进化问题中，要求当原问题的优化模型建立后，还必须对原问题的解进行编码。进化计算在搜索过程中利用结构化和随机性的信息，使最满足目标的决策获得最大的生存可能，是一种概率型的算法。
一般来说，进化计算的求解包括以下几个步骤：给定一组初始解；评价当前这组解的性能；从当前这组解中选择一定数量的解作为迭代后的解的基础；再对其进行操作，得到迭代后的解；若这些解满足要求则停止，否则将这些迭代得到的解作为当前解重新操作。
以遗传算法为例，其工作步骤可概括为：
（1） 对工作对象——字符串用二进制的0/1或其它进制字符编码 。
（2） 根据字符串的长度L，随即产生L个字符组成初始个体。
（3） 计算适应度。适应度是衡量个体优劣的标志，通常是所研究问题的目标函数。
（4） 通过复制，将优良个体插入下一代新群体中，体现“优胜劣汰”的原则。
（5） 交换字符，产生新个体。交换点的位置是随机决定的
（6） 对某个字符进行补运算，将字符1变为0，或将0变为1，这是产生新个体的另一种方法，突变字符的位置也是随机决定的。
（7） 遗传算法是一个反复迭代的过程，每次迭代期间，要执行适应度计算、复制、交换、突变等操作，直至满足终止条件。
将其用形式化语言表达，则为：假设α∈I记为个体，I记为个体空间。适应度函数记为Φ：I→R。在第t代，群体P(t)={a1(t),a2(t)，…，an(t)}经过复制r(reproction)、交换c(crossover)及突变m(mutation)转换成下一代群体。这里r、c、m均指宏算子，把旧群体变换为新群体。L：I→{True, Flase}记为终止准则。利用上述符号，遗传算法可描述为：
t=0
initialize P(0):={ a1(0),a2(0)，…，an(0)};
while(l(P(t))≠True) do
evaluate P(t):{ Φ(a1(t)), Φ(a2(t))，…，Φ(an(t))};
reproction: P′(t):=r(P(t));
crossover: P″(t):=c(P′(t));
mutation: P(t+1):= m(P″(t));
t=t+1;
end