计算机前沿技术-人工智能算法-大语言模型-最新研究进展-2024-11-04
计算机前沿技术-人工智能算法-大语言模型-最新研究进展-2024-11-04
目录
文章目录
- 计算机前沿技术-人工智能算法-大语言模型-最新研究进展-2024-11-04
- 目录
- 1. Alopex: A Computational Framework for Enabling On-Device Function Calls with LLMs
- 摘要:
- 研究背景:
- 算法模型:
- 核心创新点:
- 实验效果:
- 后续潜在的研究方向:
- 推荐阅读指数:★★★★☆
- 2. LLM-PySC2: Starcraft II learning environment for Large Language Models
- 摘要:
- 研究背景:
- 算法模型:
- 核心创新点:
- 实验效果:
- 后续潜在的研究方向:
- 推荐阅读指数:★★★★☆
- 3. Enhancing Cluster Resilience: LLM-agent Based Autonomous Intelligent
- 摘要:
- 研究背景:
- 算法模型:
- 核心创新点:
- 实验效果:
- 后续潜在的研究方向:
- 推荐阅读指数:★★★★☆
- 4. From Word Vectors to Multimodal Embeddings: Techniques, Applications, and Future Directions For Large Language Models
- 摘要:
- 研究背景:
- 算法模型:
- 核心创新点:
- 实验效果:
- 后续潜在的研究方向:
- 推荐阅读指数:★★★★☆
- 5. Bottom-Up and Top-Down Analysis of Values, Agendas, and Observations in Corpora and LLMs
- 摘要:
- 研究背景:
- 算法模型:
- 核心创新点:
- 实验效果:
- 后续潜在的研究方向:
- 推荐阅读指数:★★★★☆
- 后记
1. Alopex: A Computational Framework for Enabling On-Device Function Calls with LLMs
Authors: Yide Ran, Zhaozhuo Xu, Yuhang Yao, Zijian Hu, Shanshan Han, Han Jin,
Alay Dilipbhai Shah, Jipeng Zhang, Dimitris Stripelis, Tong Zhang, Salman Avestimehr, Chaoyang He
https://arxiv.org/abs/2411.05209
Alopex:一个用于在大型语言模型上启用设备内函数调用的计算框架
摘要:
随着大型语言模型(LLMs)的快速发展,它们越来越多地被集成到移动设备中,以提供个性化辅助。这使得LLMs能够调用外部API函数来增强其性能。然而,数据稀缺、无效的问题格式化和灾难性遗忘等挑战阻碍了设备内LLM代理的发展。为了解决这些问题,我们提出了Alopex,一个框架,它使用Fox LLM启用精确的设备内函数调用。Alopex引入了一种基于逻辑的方法来生成高质量的训练数据,并采用了一种新颖的“描述-问题-输出”格式进行微调,减少了函数信息泄露的风险。此外,使用数据混合策略来减轻灾难性遗忘,将函数调用数据与教科书数据集结合,以增强在各种任务中的性能。实验结果表明,Alopex提高了函数调用的准确性,并显著减少了灾难性遗忘,为将函数调用功能集成到LLMs中提供了一种健壮的解决方案,无需人工干预。
研究背景:
大型语言模型(LLMs)在软件应用中的集成变得越来越普遍,特别是在移动设备上提供个性化辅助方面。LLMs通过调用外部API函数来增强性能,但面临数据稀缺、问题格式化和灾难性遗忘等挑战。这些挑战限制了设备内LLM代理的发展,尤其是在数据生成、问题格式化和微调策略方面。
算法模型:
Alopex框架包含三个主要组件:函数调用示例生成、LLM微调的格式化函数调用示例和克服LLM微调中灾难性遗忘的策略。该框架使用基于规则的逻辑方法生成问题和输出,通过映射表生成输出值。此外,Alopex采用了“描述-问题-输出”数据格式进行LLM微调,并引入了数据混合方法,通过将函数调用数据集与教科书数据集结合来减轻灾难性遗忘。
核心创新点:
- 基于逻辑的高质量训练数据生成方法。
- “描述-问题-输出”数据格式,用于LLM微调,减少了函数信息泄露的风险。
- 数据混合策略,结合函数调用数据和教科书数据集,以减轻灾难性遗忘。
实验效果:
实验结果表明,Alopex在函数调用准确性方面优于现有的微调LLMs,并且显著减少了灾难性遗忘现象。例如,在MMLU数据集上,经过Alopex微调的LLMs在函数调用任务上表现良好,同时在其他LLM评估基准上也表现出更好的性能。
后续潜在的研究方向:
未来的研究可以探索更高效的数据生成方法,以减少训练数据的需求。此外,可以研究更先进的微调策略,以进一步提高LLMs在函数调用任务上的性能。还可以探索如何将Alopex框架应用于其他类型的设备和应用场景。
推荐阅读指数:★★★★☆
2. LLM-PySC2: Starcraft II learning environment for Large Language Models
Authors: Zongyuan Li, Yanan Ni, Runnan Qi, Lumin Jiang, Chang Lu, Xiaojie Xu,
Xiangbei Liu, Pengfei Li, Yunzheng Guo, Zhe Ma, Xian Guo, Kuihua Huang, Xuebo Zhang
https://arxiv.org/abs/2411.05348
LLM-PYSC2: 面向大型语言模型的星际争霸II学习环境
摘要:
本文介绍了一个新的环境LLM-PySC2(大型语言模型星际争霸II学习环境),这是一个基于DeepMind的星际争霸II学习环境的平台,旨在开发基于大型语言模型(LLMs)的决策方法。这个环境是第一个提供完整的星际争霸II动作空间、多模态观察接口和结构化游戏知识数据库的环境,这些环境与各种LLMs无缝连接,促进了基于LLM的决策研究。为了进一步支持多智能体研究,我们开发了一个LLM协作框架,支持多智能体并发查询和多智能体通信。在我们的实验中,LLM-PySC2环境被适配为与星际争霸多智能体挑战(SMAC)任务组兼容,并提供了八个新的侧重于宏观决策能力的场景。我们在实验中评估了九个主流的LLMs,结果表明,足够的参数对于LLMs进行决策是必要的,但提高推理能力并不直接导致更好的决策结果。我们的发现进一步表明,使大型模型能够在部署环境中通过参数训练或无需训练的学习技术自主学习的重要性。最终,我们期望LLM-PySC2环境能够促进LLM学习方法的研究,帮助基于LLM的方法更好地适应任务场景。
研究背景:
星际争霸II学习环境(SC2LE)是由DeepMind和暴雪娱乐开发的,它是第一个允许各种强化学习(RL)代理在星际争霸II游戏中相互竞争的环境,并促进了如QMix、加权QMIX、MAPPO和AlphaStar等决策方法的出现。然而,RL训练的代理通常需要大量的数据和长时间的交互,但由于任务相关的奖励函数,它们在大多数场景中仍然缺乏泛化能力。因此,目前迫切需要开发新的决策方法。
算法模型:
LLM-PySC2环境是基于PySC2模块的代理级别构建的。在该环境中,MainAgent控制摄像头,选择单位,收集观察结果并执行动作,而LLM代理扮演实际的决策者角色,观察游戏情况,分析并给出动作。每个LLM代理连接到一个LLM,在独立线程中查询LLM,最终得到游戏分析和动作。
核心创新点:
- 提供了完整的星际争霸II动作空间。
- 多模态观察接口和结构化游戏知识数据库。
- 支持多智能体并发查询和多智能体通信的LLM协作框架。
实验效果:
实验结果表明,预训练的LLMs具有决策能力,但缺乏做出一致有效决策的能力。预训练的LLMs在没有特定任务训练的情况下,可能无法分析出实现胜利的关键要素。它们经常无法识别游戏中知识的重要部分,有时在分析上犯错误,甚至有时对盟友造成损害。
后续潜在的研究方向:
未来的研究可以探索如何提高LLMs在多智能体决策领域的能力。此外,可以研究如何通过参数训练或无需训练的学习技术,使大型模型能够在部署环境中自主学习。
推荐阅读指数:★★★★☆
3. Enhancing Cluster Resilience: LLM-agent Based Autonomous Intelligent
Cluster Diagnosis System and Evaluation Framework
Authors: Honghao Shi, Longkai Cheng, Wenli Wu, Yuhang Wang, Xuan Liu, Shaokai
Nie, Weixv Wang, Xuebin Min, Chunlei Men, Yonghua Lin
https://arxiv.org/abs/2411.05349
增强集群弹性:基于LLM-agent的自主智能集群诊断系统和评估框架
摘要:
最近在大型语言模型(LLMs)和相关技术如增强型生成(RAG)和思维图(DoT)方面的进步,使得能够创建能够执行集群诊断和故障排除的自主智能系统。通过将这些技术与自玩方法集成,我们开发了一个LLM-agent系统,旨在自主诊断和解决AI集群内的问题。我们的创新包括为集群诊断量身定制的知识库,增强的LLM算法,实际部署策略以及专为评估LLM在该领域能力的基准测试。通过在多个维度上的广泛实验,我们已经证明了我们的系统在解决集群诊断面临的挑战方面的优越性,特别是在检测和纠正性能问题方面比传统方法更有效、更准确。
研究背景:
最近在大型语言模型(LLMs)和相关技术如增强型生成(RAG)和思维图(DoT)方面的进步,为开发能够执行集群诊断和故障排除的自主智能系统铺平了道路。通过将这些技术与自玩方法集成,我们创建了一个LLM-agent系统,旨在自主诊断和解决AI集群内的问题。
算法模型:
LLM-agent系统由代理程序和LLM组成。LLM解释代理提供的输入信息作为外部刺激和任务指令,并相应地做出响应。代理然后根据LLM的反馈直接编写代码或调用特定软件接口,从而操作集群。
核心创新点:
- 为集群诊断量身定制的知识库。
- 增强的LLM算法。
- 实际部署策略。
- 专为评估LLM在集群诊断领域的能力而设计的基准测试。
实验效果:
实验结果表明,LLM-agent在实际应用中展现出了优越的能力,能够比传统方法更有效地识别和解决性能问题。例如,在模拟场景中,当一个GPU被限制到较低频率时,我们的系统能够在几分钟内识别并解决问题,而传统方法则需要资深运维工程师近一个小时来诊断和修复。
后续潜在的研究方向:
未来的研究可以探索如何进一步提高LLM-agent在集群诊断和故障排除方面的性能。此外,可以研究如何将LLM-agent系统应用于更广泛的领域和场景。
推荐阅读指数:★★★★☆
4. From Word Vectors to Multimodal Embeddings: Techniques, Applications, and Future Directions For Large Language Models
Authors: Charles Zhang, Benji Peng, Xintian Sun, Qian Niu, Junyu Liu, Keyu
Chen, Ming Li, Pohsun Feng, Ziqian Bi, Ming Liu, Yichao Zhang, Cheng Fei,
Caitlyn Heqi Yin, Lawrence KQ Yan, Tianyang Wang
https://arxiv.org/abs/2411.05036
从词向量到多模态嵌入:大型语言模型的技术和应用以及未来的发展方向
摘要:
词嵌入和语言模型通过促进在连续向量空间中表示语言元素,已经改变了自然语言处理(NLP)。本综述访问了像分布假设和上下文相似性这样的基础概念,并追溯了从像one-hot编码这样的稀疏表示到包括Word2Vec、GloVe和fastText这样的密集嵌入的演变。我们检查了静态和上下文化嵌入,强调了像ELMo、BERT
和GPT这样的模型的进步,以及它们在跨语言和个性化应用中的适应。讨论扩展到句子和文档嵌入,涵盖了聚合方法和生成性主题模型,以及嵌入在多模态领域中的应用,包括视觉、机器人技术和认知科学。高级主题如模型压缩、可解释性、数值编码和偏见减轻被分析,解决了技术和伦理挑战。此外,我们确定了未来的研究方向,强调了对可扩展训练技术、增强可解释性和在非文本模态中稳固基础的需求。通过综合当前方法和新兴趋势,本调查为研究人员和实践者提供了深入的资源,以推动基于嵌入的语言模型的界限。
研究背景:
词嵌入和语言模型通过促进在连续向量空间中表示语言元素,已经改变了自然语言处理(NLP)。从早期的one-hot编码到更复杂的嵌入,如Word2Vec、GloVe和fastText,显著提高了语言模型的准确性和可扩展性,使它们能够处理大量文本数据。
算法模型:
本综述探讨了词嵌入的演变,探索了基础原理、不同方法、跨模态应用和关键挑战。讨论了从稀疏表示到密集表示的转变,包括one-hot编码和词嵌入,以及上下文化词嵌入,如ELMo、BERT和GPT。
核心创新点:
- 分布假设和上下文相似性的基础概念。
- 从稀疏表示到密集表示的转变。
- 静态和上下文化嵌入的检查。
- 句子和文档嵌入的讨论。
- 多模态领域的应用,包括视觉、机器人技术和认知科学。
实验效果:
本文没有提供具体的实验效果,但它分析了当前的技术和趋势,并确定了未来的研究方向。
后续潜在的研究方向:
未来的研究可以探索可扩展训练技术、增强可解释性和在非文本模态中稳固基础的需求。
推荐阅读指数:★★★★☆
5. Bottom-Up and Top-Down Analysis of Values, Agendas, and Observations in Corpora and LLMs
Authors: Scott E. Friedman, Noam Benkler, Drisana Mosaphir, Jeffrey Rye, Sonja
M. Schmer-Galunder, Micah Goldwater, Matthew McLure, Ruta Wheelock, Jeremy
Gottlieb, Robert P. Goldman, Christopher Miller
https://arxiv.org/abs/2411.05040
在语料库和LLMs中自下而上和自上而下的价值观、议程和观察分析
摘要:
大型语言模型(LLMs)根据其提示和训练数据,从多种潜在视角生成多样化、情境化、有说服力的文本。作为LLM采用的一部分,我们寻求表征——理想情况下,管理——它们表达的社会文化价值观,原因包括安全、准确性、包容性和文化保真度。我们提出了一种经过验证的方法,自动(1)从文本中提取异质潜在价值命题,(2)评估价值与文本的共鸣和冲突,以及(3)结合这些操作来表征人类来源和LLM来源文本数据的多元价值对齐。
研究背景:
随着LLM在医疗保健、人文科学和国防科学等领域的应用,测量和管理它们输出中出现的价值观变得越来越重要。测量价值观可以帮助我们表征模型的行为是否与普遍主义(即反映单一或主导价值体系)一致,多元主义(即关注多种可能冲突的价值体系)或介于两者之间。
算法模型:
本文提出了一种自下而上分析LLMs和数据集的方法,以(1)从文本中提取多种价值观,(2)从顶部向下测量新颖和用户提供的价值观,以及(3)总结数据集或LLM输出中的价值观主导地位和多元主义。
核心创新点:
- 自动提取文本中的异质潜在价值命题。
- 评估价值与文本的共鸣和冲突。
- 结合自下而上和自上而下的策略来表征模型或语料库的价值对齐和多元主义。
实验效果:
实验结果表明,自上而下的值分析准确度高(F1=0.97),自下而上的值提取与人工注释者相当。
后续潜在的研究方向:
未来的研究可以探索将这种方法应用于更广泛的领域和更大规模的数据集,并帮助表征LLM训练数据中表达的价值观的多样性(或在提示中)对LLM表达的价值观的影响。
推荐阅读指数:★★★★☆
后记
如果您对我的博客内容感兴趣,欢迎三连击 (***点赞、收藏和关注 ***)和留下您的评论,我将持续为您带来计算机人工智能前沿技术(尤其是AI相关的大语言模型,深度学习和计算机视觉相关方向)最新学术论文及工程实践方面的内容分享,助力您更快更准更系统地了解 AI前沿技术。
相关文章:

计算机前沿技术-人工智能算法-大语言模型-最新研究进展-2024-11-04
计算机前沿技术-人工智能算法-大语言模型-最新研究进展-2024-11-04 目录 文章目录 计算机前沿技术-人工智能算法-大语言模型-最新研究进展-2024-11-04目录1. Alopex: A Computational Framework for Enabling On-Device Function Calls with LLMs摘要:研究背景&…...

Stable diffusion详细讲解
🌺系列文章推荐🌺 扩散模型系列文章正在持续的更新,更新节奏如下,先更新SD模型讲解,再更新相关的微调方法文章,敬请期待!!!(本文及其之前的文章均已更新&…...

软件工程期末复习-用例建模
1、为什么需要用例建模 2、用例建模的表示 3、一个例子,ATM用例图 4、什么是用例? 5、用例包含的软件需求 6、参与者的定义 7、交互<->关联 8、用例建模的步骤 9、确定参与者 10、参与者检查项 11、MINILibrary...

【Golang】——Gin 框架中的表单处理与数据绑定
在 Web 应用开发中,表单是用户与服务器交互的重要手段。Gin 框架对表单处理提供了高效便捷的支持,包括数据绑定、验证等功能。在本篇博客中,我们将详细介绍如何使用 Gin 框架处理表单数据,涵盖基础操作与进阶技巧,帮助…...

hive-内部表外部表-详细介绍
1、表类型介绍 内部表: 表面来看,我们建的所有的表,默认都是内部表,内部表又叫做管理表,它的位置也很固定/user/hive/warehouse下面。 外部表: 创建的时候需要加关键字external 修饰,而且&a…...

Windows系统 ElasticSearch,分词器、Kibana安装
目录 1.wins安装ElasticSearch1.下载es安装包2.下载分词器3.注意事项4.学会看报错日志 2.将 elasticsearch 以服务的方式安装安装ES解压到根盘符下,如C或E盘等,因为 E:\Program Files文件夹下的都是默认的只读权限,所以换到没有只读权限&…...

黑马智数Day10
项目背景说明 后台管理部分使用的技术栈是Vue2,前台可视化部分使用的技术栈是Vue3 前台可视化项目不是独立存在,而是和后台管理项目共享同一个登录页面 微前端的好处 微前端是一种前端架构模式,它将大型单体应用程序分解为小的、松散耦合的…...

网络传输:网卡、IP、网关、子网掩码、MAC、ARP、路由器、NAT、交换机
目录 网卡IP网络地址主机地址子网子网掩码网关默认网关 MACARPARP抓包分析 路由器NATNAPT 交换机 网卡 网卡(Network Interface Card,简称NIC),也称网络适配器。 OSI模型: 1、网卡工作在OSI模型的最后两层,物理层和数据链路层。物…...

MySQL45讲 第二十四讲 MySQL是怎么保证主备一致的?——阅读总结
文章目录 MySQL45讲 第二十四讲 MySQL是怎么保证主备一致的?——阅读总结一、MySQL 主备基本原理(一)主备切换流程(二)主备数据同步流程 二、binlog 格式及相关问题(一)binlog 的三种格式&#…...

Visual Studio 圈复杂度评估
VisualStudio自带的有工具 之后就可以看到分析结果...

Springboot之登录模块探索(含Token,验证码,网络安全等知识)
简介 登录模块很简单,前端发送账号密码的表单,后端接收验证后即可~ 淦!可是我想多了,于是有了以下几个问题(里面还包含网络安全问题): 1.登录时的验证码 2.自动登录的实现 3.怎么维护前后端…...

golang调用模组程序实现交互输入自动化,获取imei及iccid
应用场景:在openwrt下调用移远的测试程序,并实现输入自动话,获取imei rootOpenWrt:~# ql-api-test Test groups:0: ql_dsi1: ql_nw2: ql_sim3: ql_dev4: ql_voice5: ql_sms6: ql_adc7: ql_i2c8: …...

ACE之单例
单例簇 使用双重锁检查优化 #mermaid-svg-RMOXQ0KMo0VnJe7V {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#mermaid-svg-RMOXQ0KMo0VnJe7V .error-icon{fill:#552222;}#mermaid-svg-RMOXQ0KMo0VnJe7V .error-text{fill:#552222…...

泷羽sec学习打卡-云技术基础1-docker
声明 学习视频来自B站UP主 泷羽sec,如涉及侵权马上删除文章 笔记的只是方便各位师傅学习知识,以下网站只涉及学习内容,其他的都与本人无关,切莫逾越法律红线,否则后果自负 关于云技术基础的那些事儿-Base1 一、云技术基础什么是云架构?什么是云服务?什么…...

7天掌握SQL - 第一天:数据库基础与SQL入门
目标 在本章节中,我们将学习数据库的基本概念和SQL语言的基础操作,为后续的深入学习打下坚实的基础。 一级目录 数据库基本概念SQL语言基础SQL操作实践推荐资源总结 1. 数据库基本概念 1.1 表(Table) 表是数据库中存储数据的…...

A037-基于Spring Boot的二手物品交易的设计与实现
🙊作者简介:在校研究生,拥有计算机专业的研究生开发团队,分享技术代码帮助学生学习,独立完成自己的网站项目。 代码可以查看文章末尾⬇️联系方式获取,记得注明来意哦~🌹 赠送计算机毕业设计600…...

【异常记录】Junitmock之InvalidUseOfMatchersException异常
mock之InvalidUseOfMatchersException异常 新手小白对mock一知半解,就开始自测了,被这个InvalidUseOfMatchersException困扰了一晚上。排查了好久,大多数文章都把英文翻译了一遍,但自检无问题。最后发现是,注入的时候…...

Spring Boot3自定义starter
1、加入必要依赖 plugins {id javaid org.springframework.boot version 3.2.6id io.spring.dependency-management version 1.1.5 } group org.example.test.starter version 1.1.0jar{enabledtrue// resolveMainClassName }java {toolchain {languageVersion JavaLanguage…...

掌控 Solidity:事件日志、继承和接口的深度解析
Solidity 是以太坊智能合约的主要编程语言,它的强大之处在于能够帮助开发者构建安全、高效的去中心化应用。在我参与的多个项目中,事件日志、继承和接口这三个概念始终贯穿其中,成为构建复杂智能合约的关键技术。今天就来聊聊Solidity中的错误…...

新手教学系列——善用 VSCode 工作区,让开发更高效
引言 作为一名开发者,你是否曾经在项目中频繁地切换不同文件夹,打开无数个 VSCode 窗口?特别是当你同时参与多个项目或者处理多个模块时,这种情况更是家常便饭。很快,你的任务栏上挤满了 VSCode 的小图标,切换起来手忙脚乱,工作效率直线下降。这时候,你可能会问:“有…...

Vue3 虚拟列表组件库 virtual-list-vue3 的使用
Vue3 虚拟列表组件库 virtual-list-vue3 的基本使用 分享个人写的一个基于 Vue3 的虚拟列表组件库,欢迎各位来进行使用与给予一些更好的建议😊 概述:该组件组件库用于提供虚拟化列表能力的组件,用于解决展示大量数据渲染时首屏渲…...

WebRTC实现双端音视频聊天(Vue3 + SpringBoot)
目录 概述 相关概念 双端连接整体实现步骤概述 文章代码实现注意点 STUN和TURN服务器的搭建 开发过程描述 后端开发流程 前端开发流程 效果演示 Gitee源码地址 概述 文章描述使用WebRTC技术实现一对一音视频通话。 由于设备摄像头限制(一台电脑作测试无法…...

第6章详细设计-6.9 PCB审查
6.9 PCB审查 6.9.1 布局阶段注意事项1.结构设计要求在PCB布局之前弄清楚产品的结构2.布局要求 6.9.2 布线注意事项6.9.3 接地处理(1)射频链路接地。(2)腔壳接地孔。(3)螺钉放置(需要了解结构知识…...

docker与大模型(口语化原理和实操讲解)
文章目录 一、镜像images1)下载安装2)docker images相关命令(保存、删除、上传、别名、搜索镜像) 二、容器container1)展现所有在跑的容器服务ps2)start /restart / kill / stop /rm3)exec /cp4)run/create…...

Linux之vim模式下全选命令
在Linux系统中,使用Vim编辑器进行全选操作可以通过以下几种方式实现: 1.使用键盘快捷键 按下 ”ggVG”(先按下”g”,再按下”g”,再按下”V”,最后按下”G”)可以全选当前文件内容。其中 ”g…...

云原生周刊:Kubernetes v1.32 要来了
开源项目推荐 Woodpecker Woodpecker 是一款轻量级且功能强大的 CI/CD 引擎,以其高度可扩展性和易用性著称。它支持多种版本控制系统与编程语言,能够灵活适配不同开发流程,帮助团队实现高效的持续集成与交付。无论是个人项目还是大型团队&a…...

# JVM学习
JVM JVM是什么? Java虚拟机(JVM) 是一个抽象的计算机,它是一个运行时环境,用于执行Java字节码或编译后的Java程序。JVM屏蔽了底层操作系统的差异,使得Java程序可以在任何支持JVM的操作系统上运行。 JVM能…...

【代码随想录day33】【C++复健】62.不同路径;63. 不同路径 II;343. 整数拆分;96.不同的二叉搜索树
感觉dp的题真的很适合背,当然不是死记硬背,而是当做一种模板题,出来一道新的题就往模板题上面去靠,如果套对模板的话剩下的事情其实就简单了。所以只要看一遍解法知道大致思路其实就够了,毕竟大部分dp的代码也不算难写…...

《勇者斗恶龙3:HD-2D重制版》找幽灵船攻略分享
《勇者斗恶龙3:HD-2D重制版》中的幽灵船是游戏里非常独特的一个区域,而想要找到幽灵船的话还是比较麻烦的,首先是听到关于幽灵船在世界海域上航行的传闻,包括在海盗巢穴中,但幽灵船的出现有一些具体条件。 勇者斗恶龙3…...

基于 MATLAB 的模拟退火算法详解及实现
以下是一篇更详细的关于 模拟退火算法 (Simulated Annealing) 的 MATLAB 实现的教程和代码示例,涵盖基本概念、核心思想和代码实现。 一、模拟退火算法简介 模拟退火算法(Simulated Annealing,简称 SA)是一种随机优化算法&#x…...