计算机科学

为学生，研究人员和计算机科学从业者提供的问答

1
为什么展开树旋转算法会同时考虑父节点和祖父母节点？
我不太了解为什么splay树数据结构中的轮换不仅要考虑评级节点的父级，还要考虑祖父母（zig-zag和zig-zig操作）。为什么以下方法不起作用： 例如，当我们插入树的新节点时，我们检查是否插入到左或右子树中。如果插入到左侧，则将结果向右旋转，反之亦然，将右子树旋转。递归就是这样 Tree insert(Tree root, Key k){ if(k < root.key){ root.setLeft(insert(root.getLeft(), key); return rotateRight(root); } //vice versa for right subtree } 那应该避免整个“花花公子”程序，你不觉得吗？
7
“平均”分配项目的算法
我正在寻找一种算法来分配列表中的值，以使结果列表尽可能“平衡”或“均匀分布”（用引号引起来，因为我不确定这些是描述它的最佳方法...稍后，我将提供一种方法来衡量结果是否优于其他结果。 因此，对于列表： [1, 1, 2, 2, 3, 3] 重新分配值之后，最好的结果之一是： [1, 2, 3, 1, 2, 3] 可能还会有其他结果，但当然，使用一组不太统一的值会变得更加复杂。 这是衡量结果是否优于其他方法的方法： 计算每个项目和具有相同值的下一个项目之间的距离。 计算该组距离的标准偏差。较低的分散度意味着更好的结果。 观察结果： 当计算距离并到达列表的末尾而没有找到具有相同值的项目时，我们返回到列表的开始。因此，最多将找到相同的项目，并且该项目的距离将是列表的长度。这意味着列表是循环的； 一个典型的列表有〜50个项目，其中〜15个不同值的数量不同。 所以： 结果[1, 2, 3, 1, 2, 3]是距离为[3, 3, 3, 3, 3, 3]，标准差为0; 结果[1, 1, 2, 2, 3, 3]是距离为[1, 5, 1, 5, 1, 5]，标准差为2; 这使第一个结果优于第二个结果（偏差越小越好）。 给定这些定义，我想知道应该搜索哪些算法或策略的线索。
4
如何证明语法是明确的？
我的问题是如何证明语法是明确的？我有以下语法： 小号→ 小号吨一吨ë 米Ë Ñ 吨| 如果 Ë X p - [R ë 小号小号我ø Ñ 然后 小号∣if expression then S else SS→statement∣if expression then S∣if expression then S else SS → statement ∣ \mbox{if } expression \mbox{ then } S ∣ \mbox{if } expression \mbox{ then } S \mbox{ else …
6
编程语言，正则表达式和形式语言之间的关系是什么
我在网上四处寻找这个问题的答案，似乎每个人都隐含地知道答案，除了我。据推测，这是因为唯一关心的人是受过该学科高等教育的人。另一方面，我却被高中作业深深吸引。 我的问题是，编程语言与形式语言到底有什么关系？在我读过的任何地方，都说着类似“形式语言用于定义编程语言语法”的内容。 现在，根据我的能力，正式语言是一系列适用于一组特定符号（该语言的字母）的生产规则。这些生产规则定义了一组转换，例如： b -> a aaa->c 可以这样应用： abab->aaaa aaaa-> ca 顺便提一句，如果我们将形式语言的字母定义为{a，b，c}，则a和b是非终结符，而c是终结符，因为它不能转换（如果我错了，请纠正我那）。 那么，考虑到所有这些，这到底在编程语言中有什么用呢？通常还会指出，正则表达式用于解析其文本形式的语言，以确保语法正确。这很有道理。然后说明正则表达式是由正式语言定义的。正则表达式返回true或false（至少以我的经验），这取决于代表正则表达式的有限状态自动机是否达到目标点。据我所知，这与转换无关。 对于程序本身的编译，我认为一种形式语言可以将代码转换为连续的较低级别的代码，并最终通过一组复杂的规则到达汇编，然后硬件可以理解这些规则。 从我的困惑来看，这就是事实。我所说的内容可能有很多根本上的错误，这就是为什么我要寻求帮助。 *除非您认为某条(a|b)*b*c->true规则类似于生产规则，否则在这种情况下该规则需要一个有限状态自动机（即regex）。就像我们刚才说的那样，这没有任何意义
2
高效的地图数据结构，支持近似查找
我正在寻找一种数据结构，该结构支持有效的键近似查找（例如，字符串的Levenshtein距离），并为输入键返回最接近的匹配项。到目前为止，我找到的最合适的数据结构是Burkhard-Keller树，但是我想知道是否还有其他/更好的数据结构用于此目的。 编辑：我的具体情况的更多详细信息： 字符串之间的Levenshtein差异通常很大。 字符串的最大长度约为20到30个字符，平均长度接近10到12个字符。 我对有效查找比对插入更感兴趣，因为我将构建一组要有效查询的大部分静态数据。
1
“密集”正则表达式生成
这是一个正则表达式的猜想： 对于正则表达式，令长度是其中的符号数，忽略括号和运算符。例如RRR|R||R||R||0∪1|=|(0∪1)∗|=2|0∪1|=|(0∪1)∗|=2|0 \cup 1| = |(0 \cup 1)^*| = 2 猜想：如果并且包含长度为每个字符串 或更小，则。|R|>1|R|>1|R| > 1L(R)L(R)L(R)|R||R||R|L(R)=Σ∗L(R)=Σ∗L(R) = \Sigma^* 也就是说，如果在的长度范围内“密集” ，则实际上会生成所有东西。L(R)L(R)L(R)RRRRRR 一些可能相关的事情： 仅需要一小部分即可生成所有字符串。例如，对于二进制，将对任何。RRRR=(0∪1)∗∪SR=(0∪1)∗∪SR = (0 \cup 1)^* \cup SSSS 在某个时刻，中必须有一颗Kleene星。如果没有，它将丢失一些小于字符串。。RRR|R||R||R| 很高兴看到一个证明或反例。在某些情况下，我错过了很明显的错误吗？有人看过（或类似的）东西吗？
11
冯·诺依曼在罪孽中的随机性不再适用吗？
一些小伙子说： 任何试图通过确定性方法生成随机数的人当然都处于犯罪状态。 这总是意味着您不能仅凭计算机生成真正的随机数。他说，当计算机的大小与单个Intel 8080微处理器（约6000个阀）的大小相同时。计算机变得越来越复杂，我相信冯·冯·诺依曼的说法可能不再正确。考虑到仅软件实现的算法是不可能的。它们在物理硬件上运行。真正的随机数生成器及其熵源也由硬件组成。 这个Java片段陷入了循环： file.writeByte((byte) (System.nanoTime() & 0xff)); 可以创建一个我以图像表示的数据文件： 您可以看到结构，但也有很多随机性。有趣的是，此PNG文件的大小为232KB，但包含250,000灰度像素。PNG压缩级别最高。那只是7％的压缩率。相当不可压缩。有趣的是该文件是唯一的。此文件的每一代都是略有不同的模式，并且具有相似的〜7％压缩率。 我强调这一点，因为这对我的论点至关重要。熵约为7位/字节。当然，使用更强大的压缩算法将减少这种情况。但不要减少到0位/字节附近。通过拍摄上面的图像并将其颜色映射表替换为随机的图像，可以产生更好的印象： 大多数结构（在上半部分）消失了，因为它只是具有相似但略有不同值的序列。这是仅通过在多任务操作系统上执行Java程序而创建的真正的熵源吗？不是统一分布的随机数生成器，而是一个的熵源？由在物理硬件上运行的软件构建的熵源，恰好是PC。 补充性 为了确认每个图像都产生新的熵，而没有所有人共有的固定模式，生成了10个连续图像。然后将它们连接起来，并使用我可以编译的最强大的存档器（paq8px）进行压缩。此过程将消除所有通用数据，包括自动关联，仅保留更改/熵。 串联文件被压缩到〜66％，这导致〜5.3位/字节或10.5Mbits /图像的熵率。令人惊讶的熵⌣⌣ \smile 补充2 有负面评论认为我的压缩测试方法的熵是有缺陷的，仅给出了一个松散的上限估计。因此，现在我通过NIST的官方加密熵评估测试SP800-90B_EntropyAssessment运行了级联文件。这与非IID熵测量一样好。这是报告（很抱歉，这个问题越来越长，但是问题很复杂）：- Running non-IID tests... Entropic statistic estimates: Most Common Value Estimate = 7.88411 Collision Test Estimate = 6.44961 Markov Test Estimate = 5.61735 Compression Test Estimate = 6.65691 t-Tuple Test Estimate …
5
为什么NP中没有这个无法确定的问题？
显然，NP中没有任何无法确定的问题。但是，根据维基百科： NP是所有决策问题的集合，对于这些问题，答案为“是”的实例具有[..证明]可通过确定性图灵机在多项式时间内验证。 [...] 当且仅当存在在多项式时间内执行的问题的验证者时，才认为问题出在NP中。 现在考虑以下问题： 给定Diophantine方程，它有没有整数解？ 给定一个解决方案，很容易在多项式时间内验证它确实是一个解决方案：只需将数字插入方程式即可。因此，问题出在NP。然而，众所周知，解决这个问题还不确定！ （类似地，似乎暂停问题应该在NP中，因为“该程序在第N步停止”的“是”解决方案可以在N步中得到验证。） 显然我的理解有问题，但这是什么？
9
使用硬币生成均匀分布的随机数
你有一枚硬币。您可以根据需要翻转它多次。 要生成的随机数[R[Rr，使得a≤r&lt;ba≤r&lt;ba \leq r < b，其中。r,a,b∈Z+r,a,b∈Z+r,a,b\in \mathbb{Z}^+ 数字的分配应统一。 如果很容易b − a = 2ñb−a=2ñb -a = 2^n： r = a + binary2dec(flip n times write 0 for heads and 1 for tails) 如果b − a ≠ 2ñb−a≠2ñb-a \neq 2^n怎么办？
2
是否存在易于计算但难以验证的问题？
假设P NP，则NP完全问题“很难解决，但答案易于检查”。考虑相反的情况是否有意义，也就是说，对于这些问题而言，很容易计算出正确的答案，而很难验证任意一个所谓的解决方案？≠≠\neq 我认为这样的问题暗示： 对于任何给定的输入，指数地有许多“正确”答案，因为否则可以通过简单地计算所有正确答案来执行验证。 一些“正确”的答案很容易计算，而另一些则很难找到。
3
哪些算法不能并行化？
是否有任何算法很难并行化或研究仍在进行中？ 我想了解并行计算中的任何算法或任何研究领域。 我搜索的所有内容都完成了“并行”实现。只是想对任何未开发的并行计算领域进行研究。
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.