指导生活的算法

❶ 计算机算法在实际生活中的应用

在这一周的《吴军的谷歌方法论》中，老师讲了地址（addressing）的重要性，并在此基础上介绍了地址的查找，数据的访问。对于地址的查找，在数据量较小时，可以采用顺序查找法和字典查找法；当数据量达到一定程度后，则需要为数据建立索引。而对于已经建立的索引进行查找，老师又详细介绍了具体方法的演进过程，引出随机性在索引查找中的应用。

通过上一周的学习，有如下几点收获：

1.理清问题，确定算法，选择语言

在这周的文章中读到，以前的人把计算当作目的，图灵是把计算当作手段，实现一些功能才是他的目的，回想起自己做研究生课题时遇到的一个问题。当时自己做的是机油滤芯过滤阻力和过滤精度的模拟计算，开始阶段采用二维模型来模拟圆筒状的滤芯。实际生产的滤芯是用木屑做的，填充率为31.8%，自己模拟计算也希望达到这个数值，但是初步的计算达不到这个数值，就向博士毕业的堂姐请教了这个问题：

堂姐的回复如下：

当时并没有非常理解她说的话，现在回过头来看，能更加明白她的意思了。对于一个具体的问题，可以采用的算法其实是非常多的，对于每一种算法又可以选择很多种实现的语言。但是我们解决问题的时候，一定要从问题这个根本出发，对于问题本身有足够深入的思考。在此基础上，明白解决这个问题采用怎样的算法最简洁高效，这是关键。至于选择那种语言或者工具，会对算法的实现效率产生一定影响，但不是最核心的。

2.从多个维度建立索引

对于算法的介绍中，老师强调了索引的重要性。关于建立索引，想到的两个应用的例子，一个是微信好友的标签，一个是印象笔记的标签。

对于我们在工作场合或者意外状况下认识的朋友，也许后期的联系会很少，那么建立细致的备注信息就很有必要。通过对聊天记录的梳理，在标签中注明行业，公司，家乡，甚至爱好，并且备注一些印象深的细节。这样不仅可以通过标签很快找到对应的人，而且在以后再次约见的时候，能通过这些标签信息，谈一些对方熟悉的话题，迅速拉近彼此的距离，对于我们的社交会有很大的帮助。

另外一个就是在印象笔记中建立新笔记时，可以建立尽量详细的标签。这在当时可能费事一点，但是后面随着笔记数量的增多，在海量笔记中通过标签来进行筛选，将是一件非常提升效率的事情。说到印象笔记，就像多说两句，因为真的很好用。建立标签就点击F3就可以开始建立新标签。

3.问题规模的增大会导致性质的变化

读到这句话时，想到之前脱不花和罗振宇两位老师在周二例会时讲得到的发展。当时得到总共的人数是157个人，刚刚超过邓巴数（人类智力允许人类拥有稳定社交网络的人数，为148）。

在邓巴数以内，公司里面的人可以彼此认识并且维持稳定的关系，不需要太明确的部门和上下级关系。但是两位老师讲到，随着公司里的人数超过邓巴数，那么部门化和层级化是不可避免的趋势，因为这样可以提高效率。但部门和层级的建立，会导致利益变形，之前大家是向市场要收益，更关注如何把自己的工作做好；之后是向上级要收益，更容易出现溜须拍马的现象。

不过正如老师所说，本着遇到问题解决问题的态度，即便问题转化了，只要大家发挥主动性，认真去面对问题，总会有解决方法。而且Google，苹果这样的公司树立了很好的榜样，现在已经非常大了，依然保持很好的运作和增长。

而作为个人，我们应该更多关注自己如何在企业不断扩大的过程中，保持自己本身的不断成长，为公司解决新的更复杂的问题，让自己一直拥有竞争力。这也是《领导梯队》中想要告诉我们的，在领导梯队的上升过程中，面对的不是更多同类的问题，而是全新的问题。我们要让自己学会转化思维模式，这样在旧问题已经转变成新问题时，可以更好去应对。

❷ 结合生活中的实例,描述求解随机数的算法流程图

生活中的实例：一个老太太买白菜，她给挑出的10棵白菜排一下序，然后她拿出了随身携带的笔记本电脑，输入 。

#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]);

}

然后得到了白菜的重量排序。

传统的流程图用流程线指出各框的执行顺序，对流程线的使用没有严格限制。因此，使用者可以毫不受限制地使流程随意地转来转去，使流程图变得毫无规律，阅读者要花很大精力去追踪流程，使人难以理解算法的逻辑。

如果我们写出的算法能限制流程的无规律任意转向，而像一本书那样，由各章各节顺序组成，那样，阅读起来就很方便，不会有任何困难，只需从头到尾顺序地看下去即可。

为了提高算法的质量，使算法的设计和阅读方便，必须限制箭头的滥用，即不允许无规律地使流程乱转向，只能按顺序地进行下去。但是，算法上难免会包含一些分支和循环，而不可能全部由一个一个框顺序组成。

如上例不是由各框顺序进行的，包含一些流程的向前或向后的非顺序转移。为了解决这个问题，人们设想，如果规定出几种基本结构，然后由这些基本结构按一定规律组成一个算法结构，整个算法的结构是由上而下地将各个基本结构顺序排列起来的。

1966年，Bohra和Jacoplni提出了以下三种基本结构，用这三种基本结构作为表示一个良好算法的基本单元。

❸ 关于线性回归算法还可以解决日常生活中哪些问题

趋势线
一条趋势线代表着时间序列数据的长期走势。它告诉我们一组特定数据（如GDP、石油价格和股票价格）是否在一段时期内增长或下降。虽然我们可以用肉眼观察数据点在坐标系的位置大体画出趋势线，更恰当的方法是利用线性回归计算出趋势线的位置和斜率。

流行病学
有关吸烟对死亡率和发病率影响的早期证据来自采用了回归分析的观察性研究。为了在分析观测数据时减少伪相关，除最感兴趣的变量之外,通常研究人员还会在他们的回归模型里包括一些额外变量。例如，假设我们有一个回归模型，在这个回归模型中吸烟行为是我们最感兴趣的独立变量，其相关变量是经数年观察得到的吸烟者寿命。研究人员可能将社会经济地位当成一个额外的独立变量，已确保任何经观察所得的吸烟对寿命的影响不是由于教育或收入差异引起的。然而，我们不可能把所有可能混淆结果的变量都加入到实证分析中。例如，某种不存在的基因可能会增加人死亡的几率，还会让人的吸烟量增加。因此，比起采用观察数据的回归分析得出的结论，随机对照试验常能产生更令人信服的因果关系证据。当可控实验不可行时，回归分析的衍生，如工具变量回归，可尝试用来估计观测数据的因果关系。

金融
资本资产定价模型利用线性回归以及Beta系数的概念分析和计算投资的系统风险。这是从联系投资回报和所有风险性资产回报的模型Beta系数直接得出的。

经济学
线性回归是经济学的主要实证工具。例如，它是用来预测消费支出，固定投资支出，存货投资，一国出口产品的购买，进口支出，要求持有流动性资产，劳动力需求、劳动力供给。