指導生活的演算法

❶ 計算機演算法在實際生活中的應用

在這一周的《吳軍的谷歌方法論》中，老師講了地址（addressing）的重要性，並在此基礎上介紹了地址的查找，數據的訪問。對於地址的查找，在數據量較小時，可以採用順序查找法和字典查找法；當數據量達到一定程度後，則需要為數據建立索引。而對於已經建立的索引進行查找，老師又詳細介紹了具體方法的演進過程，引出隨機性在索引查找中的應用。

通過上一周的學習，有如下幾點收獲：

1.理清問題，確定演算法，選擇語言

在這周的文章中讀到，以前的人把計算當作目的，圖靈是把計算當作手段，實現一些功能才是他的目的，回想起自己做研究生課題時遇到的一個問題。當時自己做的是機油濾芯過濾阻力和過濾精度的模擬計算，開始階段採用二維模型來模擬圓筒狀的濾芯。實際生產的濾芯是用木屑做的，填充率為31.8%，自己模擬計算也希望達到這個數值，但是初步的計算達不到這個數值，就向博士畢業的堂姐請教了這個問題：

堂姐的回復如下：

當時並沒有非常理解她說的話，現在回過頭來看，能更加明白她的意思了。對於一個具體的問題，可以採用的演算法其實是非常多的，對於每一種演算法又可以選擇很多種實現的語言。但是我們解決問題的時候，一定要從問題這個根本出發，對於問題本身有足夠深入的思考。在此基礎上，明白解決這個問題採用怎樣的演算法最簡潔高效，這是關鍵。至於選擇那種語言或者工具，會對演算法的實現效率產生一定影響，但不是最核心的。

2.從多個維度建立索引

對於演算法的介紹中，老師強調了索引的重要性。關於建立索引，想到的兩個應用的例子，一個是微信好友的標簽，一個是印象筆記的標簽。

對於我們在工作場合或者意外狀況下認識的朋友，也許後期的聯系會很少，那麼建立細致的備注信息就很有必要。通過對聊天記錄的梳理，在標簽中註明行業，公司，家鄉，甚至愛好，並且備注一些印象深的細節。這樣不僅可以通過標簽很快找到對應的人，而且在以後再次約見的時候，能通過這些標簽信息，談一些對方熟悉的話題，迅速拉近彼此的距離，對於我們的社交會有很大的幫助。

另外一個就是在印象筆記中建立新筆記時，可以建立盡量詳細的標簽。這在當時可能費事一點，但是後面隨著筆記數量的增多，在海量筆記中通過標簽來進行篩選，將是一件非常提升效率的事情。說到印象筆記，就像多說兩句，因為真的很好用。建立標簽就點擊F3就可以開始建立新標簽。

3.問題規模的增大會導致性質的變化

讀到這句話時，想到之前脫不花和羅振宇兩位老師在周二例會時講得到的發展。當時得到總共的人數是157個人，剛剛超過鄧巴數（人類智力允許人類擁有穩定社交網路的人數，為148）。

在鄧巴數以內，公司裡面的人可以彼此認識並且維持穩定的關系，不需要太明確的部門和上下級關系。但是兩位老師講到，隨著公司里的人數超過鄧巴數，那麼部門化和層級化是不可避免的趨勢，因為這樣可以提高效率。但部門和層級的建立，會導致利益變形，之前大家是向市場要收益，更關注如何把自己的工作做好；之後是向上級要收益，更容易出現溜須拍馬的現象。

不過正如老師所說，本著遇到問題解決問題的態度，即便問題轉化了，只要大家發揮主動性，認真去面對問題，總會有解決方法。而且Google，蘋果這樣的公司樹立了很好的榜樣，現在已經非常大了，依然保持很好的運作和增長。

而作為個人，我們應該更多關注自己如何在企業不斷擴大的過程中，保持自己本身的不斷成長，為公司解決新的更復雜的問題，讓自己一直擁有競爭力。這也是《領導梯隊》中想要告訴我們的，在領導梯隊的上升過程中，面對的不是更多同類的問題，而是全新的問題。我們要讓自己學會轉化思維模式，這樣在舊問題已經轉變成新問題時，可以更好去應對。

❷ 結合生活中的實例,描述求解隨機數的演算法流程圖

生活中的實例：一個老太太買白菜，她給挑出的10棵白菜排一下序，然後她拿出了隨身攜帶的筆記本電腦，輸入 。

#include "stdio.h"

#define N 10

main()

{

int a[N];

int i,j,p,temp;

for(i=0;iscanf("%d",&a[i]);

for(i=0;i{

p=i; for(j=i+1;jif(a[j]temp=a[i];a[i]=a[p];a[p]=temp;

}

printf(" ");

for(i=0;iprintf("%d ",a[i]);

}

然後得到了白菜的重量排序。

傳統的流程圖用流程線指出各框的執行順序，對流程線的使用沒有嚴格限制。因此，使用者可以毫不受限制地使流程隨意地轉來轉去，使流程圖變得毫無規律，閱讀者要花很大精力去追蹤流程，使人難以理解演算法的邏輯。

如果我們寫出的演算法能限制流程的無規律任意轉向，而像一本書那樣，由各章各節順序組成，那樣，閱讀起來就很方便，不會有任何困難，只需從頭到尾順序地看下去即可。

為了提高演算法的質量，使演算法的設計和閱讀方便，必須限制箭頭的濫用，即不允許無規律地使流程亂轉向，只能按順序地進行下去。但是，演算法上難免會包含一些分支和循環，而不可能全部由一個一個框順序組成。

如上例不是由各框順序進行的，包含一些流程的向前或向後的非順序轉移。為了解決這個問題，人們設想，如果規定出幾種基本結構，然後由這些基本結構按一定規律組成一個演算法結構，整個演算法的結構是由上而下地將各個基本結構順序排列起來的。

1966年，Bohra和Jacoplni提出了以下三種基本結構，用這三種基本結構作為表示一個良好演算法的基本單元。

❸ 關於線性回歸演算法還可以解決日常生活中哪些問題

趨勢線
一條趨勢線代表著時間序列數據的長期走勢。它告訴我們一組特定數據（如GDP、石油價格和股票價格）是否在一段時期內增長或下降。雖然我們可以用肉眼觀察數據點在坐標系的位置大體畫出趨勢線，更恰當的方法是利用線性回歸計算出趨勢線的位置和斜率。

流行病學
有關吸煙對死亡率和發病率影響的早期證據來自採用了回歸分析的觀察性研究。為了在分析觀測數據時減少偽相關，除最感興趣的變數之外,通常研究人員還會在他們的回歸模型里包括一些額外變數。例如，假設我們有一個回歸模型，在這個回歸模型中吸煙行為是我們最感興趣的獨立變數，其相關變數是經數年觀察得到的吸煙者壽命。研究人員可能將社會經濟地位當成一個額外的獨立變數，已確保任何經觀察所得的吸煙對壽命的影響不是由於教育或收入差異引起的。然而，我們不可能把所有可能混淆結果的變數都加入到實證分析中。例如，某種不存在的基因可能會增加人死亡的幾率，還會讓人的吸煙量增加。因此，比起採用觀察數據的回歸分析得出的結論，隨機對照試驗常能產生更令人信服的因果關系證據。當可控實驗不可行時，回歸分析的衍生，如工具變數回歸，可嘗試用來估計觀測數據的因果關系。

金融
資本資產定價模型利用線性回歸以及Beta系數的概念分析和計算投資的系統風險。這是從聯系投資回報和所有風險性資產回報的模型Beta系數直接得出的。

經濟學
線性回歸是經濟學的主要實證工具。例如，它是用來預測消費支出，固定投資支出，存貨投資，一國出口產品的購買，進口支出，要求持有流動性資產，勞動力需求、勞動力供給。