算法边缘化

⑴ 常见的边缘算法有哪几种，试论述各种方法的优缺点

一、冒泡排序
已知一组无序数据a[1]、a[2]、……a[n]，需将其按升序排列。首先比较a[1]与 a[2]的值，若a[1]大于a[2]则交换 两者的值，否则不变。再比较a[2]与a[3]的值，若a[2]大于a[3]则交换两者的值，否则不变。再比 较a[3]与a[4]，以此 类推，最后比较a[n-1]与a[n]的值。这样处理一轮后，a[n]的值一定是这组数据中最大的。再对a[1]~a[n- 1]以相同方法 处理一轮，则a[n-1]的值一定是a[1]~a[n-1]中最大的。再对a[1]~a[n-2]以相同方法处理一轮，以此类推。共处理 n-1 轮 后a[1]、a[2]、……a[n]就以升序排列了。
优点：稳定；
缺点：慢，每次只能移动相邻两个数据。

二、选择排序
每一趟从待排序的数据元素中选出最小（或最大）的一个元素，顺序放在已排好序的数列的最后，直到全部待排序的数 据元素排完。
选择排序是不稳定的排序方法。
n 个记录的文件的直接选择排序可经过n-1 趟直接选择排序得到有序结果：
①初始状态：无序区为R[1..n]，有序区为空。
②第1 趟排序 在无序区R[1..n]中选出关键字最小的记录R[k]，将它与无序区的第1 个记录R[1]交换，使R[1..1]和R[2..n]分别变 为记录个数增加1 个的新有序区和记录个数减少1 个的新无序区。
③第i 趟排序
第i 趟排序开始时，当前有序区和无序区分别为R[1..i-1]和R(1≤i≤n-1)。该趟 排序从当前无序区中选出关键字最 小的记录 R[k]，将它与无序区的第1 个记录R 交换，使R[1..i]和R 分别变为记录个数增加1 个的新有序区和记录个数减少 1 个的新无序区。
这样，n 个记录的文件的直接选择排序可经过n-1 趟直接选择排序得到有序结果。
优点：移动数据的次数已知（n-1 次）；
缺点：比较次数多。

三、插入排序
已知一组升序排列数据a[1]、a[2]、……a[n]，一组无序数据b[1]、 b[2]、……b[m]，需将二者合并成一个升序数列。 首先比较b[1]与a[1]的值，若b[1]大于a[1]，则跳过，比较b[1]与a[2]的值， 若b[1]仍然大于a[2]，则继续跳过，直 到b[1]小于a 数组中某一数据a[x]，则将a[x]~a[n]分别向后移动一位，将b[1]插入到原来 a[x]的位置这就完成了b[1] 的插入。b[2]~b[m]用相同方法插入。（若无数组a，可将b[1]当作n=1 的数组a）
优点：稳定，快；
缺点：比较次数不一定，比较次数越少，插入点后的数据移动越多，特别是当数据总量庞大的时候，但用链表可以解决 这个问题。

四、缩小增量排序
由希尔在1959 年提出，又称希尔排序(shell 排序)。
已知一组无序数据a[1]、a[2]、……a[n]，需将其按升序排列。发现当n 不大时，插入 排序的效果很好。首先取一增 量d(d<n)，将a[1]、a[1+d]、a[1+2d]……列为第一组，a[2]、a[2+d]、 a[2+2d]……列为第二组……，a[d]、a[2d]、a[3d]……="" 列为最后一组以次类推，在各组内用插入排序，然后取d'<d，重复上述操="" 作，直到d="1。"
优点：快，数据移动少；=""
缺点：不稳定，d="" 的取值是多少，应取多少个不同的值，都无法确切知道，只能凭经验来取。=""

五、快速排序=""
快速排序是冒泡排序的改进版，是目前已知的最快的排序方法。
="" 已知一组无序数据a[1]、a[2]、……a[n]，需将其按升序排列。首先任取数据a[x]="" 作为基准。比较a[x]与其它数据并="" 排序，使a[x]排在数据的第k="" 位，并且使a[1]~a[k-1]中的每一个数="" 据a[x]，然后采 用分治的策略分别对a[1]~a[k-1]和a[k+1]~a[n] 两组数据进行快速排序。
优点：极快，数据移动少；
缺点：不稳定。

⑵ 边缘计算是指什么意思

边缘计算指以网络的“边缘”为界的算法，比如在智能网关和摄像机内部进行计算。不过将这些设备收集的全部数据进行存储或是用于计算并不现实，其中的干扰信息或者冗余信息太多，倘若处理不当还会使处理效果适得其反。以海普森林防火监控系统为例。通过内置的烟火识别处理器传输tb级的视频数据，但其中真正有价值的数据只是那些引起怀疑或非法活动的几兆字节，而边缘计算就能很好的处理感兴趣的目标数据。另外，与云计算相比，边缘计算还可以减少对网络流量的阻塞，为更多关键任务的执行“留有余地”。

⑶ 边缘计算有什么特点

【边缘计算六大特点】

1、去中心化：

边缘计算从行业的本质和定义上来看，就是让网络、计算、存储、应用从“中心”向边缘分发，以就近提供智能边缘服务。

2、非寡头化：

边缘计算是互联网、移动互联网、物联网、工业互联网、电子、AI、IT、云计算、硬件设备、运营商等诸多领域的“十字入口”，一方面参与的各类厂商众多，另一方面“去中心化”在产品逻辑底层，就一定程度上通向了“非寡头化”。

3、万物边缘化：

边缘计算和早年的IT、互联网，如今的云计算、移动互联网，以及未来的人工智能一样，具备普遍性和普适性。

4、安全化：

在边缘计算出现之前，用户的大部分数据都要上传至数据中心，在这一上传的过程中，用户的数据尤其是隐私数据，比如个体标签数据、银行账户密码、电商平台消费数据、搜索记录、甚至智能摄像头等等，就存在着泄露的风险。

而边缘计算因为很多情况下，不要再把数据上传到数据中心，而是在边缘近端就可以处理，因此也从源头有效解除了类似的风险。

5、实时化：

随着工业互联网、自动驾驶、智能家居、智能交通、智慧城市等各种场景的日益普及，这些场景下的应用对计算、网络传输、用户交互等的速度和效率要求也越来越高。

6、绿色化：

数据是在近端处理，因此在网络传输、中心运算、中心存储、回传等各个环节，都能节省大量的服务器、带宽、电量乃至物理空间等诸多成本，从而实现低成本化、绿色化。

꧁꧂

边缘计算：

“边缘计算”是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。其应用程序在边缘侧发起，产生更快的网络服务响应，满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。

边缘计算处于物理实体和工业连接之间，或处于物理实体的顶端。而云端计算，仍然可以访问边缘计算的历史数据。

简单来说，边缘计算，就是用网络边缘对数据进行分类，将部分数据放在边缘处理，减少延迟，从而实现实时和更高效的数据处理，以达到对云计算的有力补充。

⑷ canny算法的最优边缘准则

Canny 的目标是找到一个最优的边缘检测算法，最优边缘检测的含义是：
(1)最优检测：算法能够尽可能多地标识出图像中的实际边缘，漏检真实边缘的概率和误检非边缘的概率都尽可能小；
(2)最优定位准则：检测到的边缘点的位置距离实际边缘点的位置最近，或者是由于噪声影响引起检测出的边缘偏离物体的真实边缘的程度最小；
(3)检测点与边缘点一一对应：算子检测的边缘点与实际边缘点应该是一一对应。
为了满足这些要求 Canny 使用了变分法（calculus of variations），这是一种寻找优化特定功能的函数的方法。最优检测使用四个指数函数项表示，但是它非常近似于高斯函数的一阶导数。

⑸ 算法黑箱为何难治理

算法黑箱半月谈。随着大数据、人工智能等信息技术的快速发展,我们正在进入算法经济时代，以深度学习为代表的人工智能算法在互联网信息传播，数字经济发展。

信息产业服务等诸多方面发挥了重要作用，产生了溢出性极强的经济效益监管信任危机的根源在于企业在数据和算法上的非对称优势，当前，基础数据的所有权和控制权主要集中在互联网平台企业。

简介：

这些企业全程操纵算法设计，运行，测试和分析，由此占据着优势地位，监管部门在算法社会中已经呈现出被边缘化的趋势，极易失去对关键数据和关键算法的监督权和控制权，这意味着，算法黑箱的存在势必导致私人利益主观上俘获公共利益。

以及资本主观上规避公权力约束等风险的产生，同时，算法黑箱客观上隐藏了算法自身存在的缺陷，并可能触发安全风险，让监管机构难以审查算法信息，监管机构规制算法的内容与手段均受到限制，难以及时针对算法问题进行问责和纠偏。

⑹ 边缘计算的价值是什么

缓解网络宽带压力及后台结构化对服务器的要求。提高智能场景的落地效率和复制速度；对存量终端设备快速AI赋能,提高了海量数据处理能力；有效管理设备到云端的数据流，降低用户隐私泄露风险。可以广泛应用于智能安防、智慧医疗、智慧交通、智慧社区、智能制造、工业物联等领域。
最高24T算力，低投入完成设备AI升级，随着智能时代智慧城市建设，5G、互联网、物联网、物物联网，智慧建设的大环境下，不用依赖云计算的边缘计算将迎来新的市场蓝海。
宏桥科技利用IoT技术，打造一个万物互联、信息共享、智能控制与管理的城市物联网运营管理综合服务系统。系统可与宏桥智慧云盒协作，对接各类智能硬件，形成统一的管理规范，管理运维城市范围内的物联感知设备。