种子算法

A. 随机种子的方法

一般种子可以以当前的系统时间，这是完全随机的
算法1：平方取中法。
1）将种子设为X0，并mod 10000得到4位数
2）将它平方得到一个8位数（不足8位时前面补0）
3）取中间的4位数可得到下一个4位随机数X1
4）重复1-3步，即可产生多个随机数
这个算法的一个主要缺点是最终它会退化成0，不能继续产生随机数。
算法2：线性同余法
1）将种子设为X0，
2）用一个算法X(n+1）=(a*X(n)+b) mod c产生X(n+1）
一般将c取得很大，可产生0到c-1之间的伪随机数
该算法的一个缺点是会出现循环。
在windows平台下，可以考虑将如下参数作为影响种子的因素。
⒈GetTickCount()
系统启动以来的嘀嗒时间
说明：该时间与系统运行时长相关，
⒉GetCurrentProcessId()
当前进程Id号
说明：该Id与系统启动进程数量及次序有关，一般波动范围较小。
⒊GetCurrentProcess()
当前进程句柄
说明：该句柄实质就是内存地址，但每次进程启动时地址值是不确定的。
⒋GetProcessTimes()
进程时间参数
说明：-
⒌GetCurrentThreadId()
当前线程Id号
⒍GetCurrentThread()
当前线程句柄
⒎GetThreadTimes()
线程时间参数
⒏GetCurrentHwProfile()
Profile配置文件
⒐GetSysColor()
系统Color
⒑GetSystemInfo()
系统信息
⒒GetSystemPowerStatus()
电源状态
⒓GetKeyboardState()
键盘状态
⒔GlobalMemoryStatus()
内存状态
⒕time()
当前时间 秒
⒖GUID
各硬件设备GUID
⒗MAC
网卡mac
⒘CPUID
CPU Id号
⒙声卡录音噪音
该参量与环境相关
⒚用户键盘间隔时间
该参量与用户习惯相关
其次，尽最大可能增加这些因素的维度。这里说的维度是指
种子结果与因素之间的关联程度。一般使用hash函数对多个
因素进行哈希运算。这样得到的种子具有较强的散列特性。
通过以上技术手段得到的种子产生的伪随机数是具有较好
统计特性的，它不依赖于某一台机器，某一时刻，某一方法，
而是复杂多变、让人捉摸不透难于重现的。

B. 种子填充算法的时间复杂度和空间复杂度分析

从涂色的角度讲，区域内的n个点，每一个点只被涂了一次色，没有重复涂，所以可以认为时间复杂度是O(n);空间复杂度也为O(n),虽然有些点重复栈

C. 随机种子

伪随机数是以一个称为“种子”的数作为初始条件，通过固定的算法产生一个看上去像是随机产生的数字序列的。

举例来说，这个算法可以设计成类似于“将给定的种子开平方，取有效数字的第2至9位作为下一次迭代的种子，重复此过程3次后，以结果的第1-4位作为返回值、并将该结果作为下次调用本过程的种子”等等。

然而，无论这个算法如何复杂，只要它固定不变，则对于相同的种子来说，每一次从这个种子开始、第n次通过该算法取得的伪随机数却总是一样的，因此必须再通过各种真正客观的途径使得该初始的种子不同。一般来说常用的方式是以运行时候的时钟时间，经一定变化后作为初始的种子的。

D. 用队列实现种子填充算法的非递归

一、种子填充算法（Seed Filling）
如果要填充的区域是以图像元数据方式给出的，通常使用种子填充算法（Seed Filling）进行区域填充。种子填充算法需要给出图像数据的区域，以及区域内的一个点，这种算法比较适合人机交互方式进行的图像填充操作，不适合计算机自动处理和判断填色。根据对图像区域边界定义方式以及对点的颜色修改方式，种子填充又可细分为几类，比如注入填充算法（Flood Fill Algorithm）、边界填充算法（Boundary Fill Algorithm）以及为减少递归和压栈次数而改进的扫描线种子填充算法等等。
所有种子填充算法的核心其实就是一个递归算法，都是从指定的种子点开始，向各个方向上搜索，逐个像素进行处理，直到遇到边界，各种种子填充算法只是在处理颜色和边界的方式上有所不同。在开始介绍种子填充算法之前，首先也介绍两个概念，就是“4-联通算法”和“8-联通算法”。既然是搜索就涉及到搜索的方向问题，从区域内任意一点出发，如果只是通过上、下、左、右四个方向搜索到达区域内的任意像素，则用这种方法填充的区域就称为四连通域，这种填充方法就称为“4-联通算法”。如果从区域内任意一点出发，通过上、下、左、右、左上、左下、右上和右下全部八个方向到达区域内的任意像素，则这种方法填充的区域就称为八连通域，这种填充方法就称为“8-联通算法”。如图1（a）所示，假设中心的蓝色点是当前处理的点，如果是“4-联通算法”，则只搜索处理周围蓝色标识的四个点，如果是“8-联通算法”则除了处理上、下、左、右四个蓝色标识的点，还搜索处理四个红色标识的点。两种搜索算法的填充效果分别如如图1（b）和图1（c）所示，假如都是从黄色点开始填充，则“4-联通算法”如图1（b）所示只搜索填充左下角的区域，而“8-联通算法”则如图1（c）所示，将左下角和右上角的区域都填充了。

图（1） “4-联通”和“8-联通”填充效果

并不能仅仅因为图1的填充效果就认为“8-联通算法”一定比“4-联通算法”好，应该根据应用环境和实际的需求选择联通搜索方式，在很多情况下，只有“4-联通算法”才能得到正确的结果。
1.1 注入填充算法（Flood Fill Algorithm）
注入填充算法不特别强调区域的边界，它只是从指定位置开始，将所有联通区域内某种指定颜色的点都替换成另一种颜色，从而实现填充效果。注入填充算法能够实现颜色替换之类的功能，这在图像处理软件中都得到了广泛的应用。注入填充算法的实现非常简单，核心就是递归和搜索，以下就是注入填充算法的一个实现：

164 void FloodSeedFill(int x, int y, int old_color, int new_color)
165 {
166 if(GetPixelColor(x, y) == old_color)
167 {
168 SetPixelColor(x, y, new_color);
169 for(int i = 0; i < COUNT_OF(direction_8); i++)
170 {
171 FloodSeedFill(x + direction_8[i].x_offset,
172 y + direction_8[i].y_offset, old_color, new_color);
173 }
174 }
175 }

for循环实现了向8个联通方向的递归搜索，秘密就在direction_8的定义：

15 typedef struct tagDIRECTION
16 {
17 int x_offset;
18 int y_offset;
19 }DIRECTION;

79 DIRECTION direction_8[] = { {-1, 0}, {-1, 1}, {0, 1}, {1, 1}, {1, 0}, {1, -1},{0, -1}, {-1, -1} };

这个是搜索类算法中常用的技巧，无需做太多说明，其实只要将其替换成如下direction_4的定义，就可以将算法改成4个联通方向填充算法：

80 DIRECTION direction_4[] = { {-1, 0}, {0, 1}, {1, 0}, {0, -1} };

图2就是应用本算法实现的“4-联通”和“8-联通”填充效果：

E. 社交网络种子节点搜索算法有几种基本的

针对经典影响力最大化算法存在的计算时间过长等问题,提出一种新的启发式贪婪算法-高节点度贪婪算法(HD_Greedy)。基于社交网络节点的度呈幂律分布以及节点的度与影响力强关联性,在极小部分高度数节点中搜索最大影响力种子节点,使搜索空间大幅度地减少,节约了大量的盲目搜索时间,并且不损失种子节点影响力。实验结果表明,在不同信息传播模型中,HD_Greedy算法得到的种子节点影响力与其它贪婪算法接近,但计算效率有了较大提高,尤其适合于在大规模社交网络中搜索最大影响力种子节点。

F. 利用种子法，图像处理如何确定基准点矩阵

matlab 图像定位方法如下：
1由RGB空间转化到HSV空间，统计红色点；
2若红色点置1，背景色置0，闭运算连通可能区域；
3种子法获取区域个数及坐标，此时可能截取到多个拥有红色像素的区域，比如邮政编码及下面的信函位置；
4截取两个可能的区域，分别进行阈值分割二值化，根据水平方向上的跳变数或者宽高比就可以筛选出编码区域，同时可以垂直投影二值化图像，根据6个方块位置得到其中字符位置；
5使用BP神经网络训练/模板匹配等方法识别字符。
MATLAB和Mathematica、Maple并称为三大数学软件。它在数学类科技应用软件中在数值计算方面首屈一指。MATLAB可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等，主要应用于工程计算、控制设计、信号处理与通讯、图像处理、信号检测、金融建模设计与分析等领域。

G. 扫描线填充算法与种子填充算法的区别是什么

种子优点是非常简单，缺点是需要大量栈空间来存储相邻的点。

改进的方法就是：通过沿扫描线填充水平像素段，来处理四连通或八连通相邻点，这样就仅仅只需要将每个水平像素段的起始位置压入栈，而不需要将当前位置周围尚未处理的相邻像素都压入栈，从而可以节省大量的栈空间。

H. 什么是随机数及随机数种子，能不能详细通俗介绍一下

随机数就是就随机数种子中取出的数。种子就是个序号，这个序号交给一个数列管理器，通过这个序号，你从管理器中取出一个数列，这个数列就是你通过那个序号得到的随机数。

但这个随技术并不真正随机。因为它是通过某个算法的得到。也就是说你给数列管理器同一个序号将得到同样一个“随机”数列。

也就是说种子和随机数列是一一对应的。{An}=f(x), x 就是种子，F()是算法，{An}是数列，这个数列看上去是随机的，这是因为An的通项很复杂。

例如：

从1、2、3、4、5、6、7、8、9、0这十个数中随机取出一个数，取出的数是6的话，那么6就叫随机数。十个数字就叫随机数种子。

如果是从1到50之间取数字，取出的数字叫随机数，这1到50那50个数字就叫随机数种子。

(8)种子算法扩展阅读：

根据密码学原理，随机数的随机性检验可以分为三个标准：

统计学伪随机性。统计学伪随机性指的是在给定的随机比特流样本中，1的数量大致等于0的数量，同理，“10”“01”“00”“11”四者数量大致相等。类似的标准被称为统计学随机性。满足这类要求的数字在人类“一眼看上去”是随机的。

密码学安全伪随机性。其定义为，给定随机样本的一部分和随机算法，不能有效的演算出随机样本的剩余部分。

真随机性。其定义为随机样本不可重现。实际上只要给定边界条件，真随机数并不存在，可是如果产生一个真随机数样本的边界条件十分复杂且难以捕捉（比如计算机当地的本底辐射波动值），可以认为用这个方法演算出来了真随机数。

相应的，随机数也分为三类：

伪随机数：满足第一个条件的随机数。

密码学安全的伪随机数：同时满足前两个条件的随机数。可以通过密码学安全伪随机数生成器计算得出。

真随机数：同时满足三个条件的随机数。