درخت قرمز سیاه با 1023 عنصر، دستکم چند گره قرمز باید داشته باشد؟
Anonymous Quiz
34%
0
28%
10
30%
32
7%
22
🔥2
اگر m عمق درخت و b تعداد نودها باشد کدام یک از گزینه های پیچیدگی زمانی الگوریتم حریصانه را بیان میکند؟
Anonymous Quiz
41%
O(b^m)
33%
O(m)
17%
O(b)
8%
بستگی به مقادیر ورودی دارد.
👨💻1
خب میخواهیم در مورد الگوریتم های A* و Unifom_Cost صحبت کنید. در الگوریتم هایی که به صورت A* هستند ما در جهت هدف حرکت میکند و بعضی وقت ها هم در جهت غیر هدف حرکت میکند ولی الگوریتم هایی که به صورت Uniform_Cost هستند ما در تمام جهت حرکت میکنیم برای همین جستجوهایی که در این الگوریتم میکنیم نسبت به A* بیشتر می باشد و هزینه بیشتری را برای در پی خواهد داشت و پاداش کمتری نیز به دست می آوریم.
در الگوریتم Uniform_Cost ما فقط هزینه واقعی را در نظر میگیریم. اگر بخواهیم به صورت ریاضی آن را تعریف کنیم:
f(n)=g(n)
که در فرمول بالا f(n) تابع ارزیابی در نود n و g(n) هزینه واقعی ما تا نود n می باشد.
در الگوریتم A* ما هم هزینه واقعی را در نظر میگیریم و همچنین هزینه تخمین زده شده تا هدف را که میتوان گفت :
f(n)=g(n)+h(n)
که در آن h(n) هزینه تخمین زده شده تا نود n می باشد.
📣👨💻 @AlgorithmDesign_DataStructuer
در الگوریتم Uniform_Cost ما فقط هزینه واقعی را در نظر میگیریم. اگر بخواهیم به صورت ریاضی آن را تعریف کنیم:
f(n)=g(n)
که در فرمول بالا f(n) تابع ارزیابی در نود n و g(n) هزینه واقعی ما تا نود n می باشد.
در الگوریتم A* ما هم هزینه واقعی را در نظر میگیریم و همچنین هزینه تخمین زده شده تا هدف را که میتوان گفت :
f(n)=g(n)+h(n)
که در آن h(n) هزینه تخمین زده شده تا نود n می باشد.
📣👨💻 @AlgorithmDesign_DataStructuer
👍2👌2👨💻1
برای رشد توابع میتوان از حد استفاده کرد که در شکل بالا تعریف شده است.
📣👨💻 @AlgorithmDesign_DataStructuer
📣👨💻 @AlgorithmDesign_DataStructuer
👨💻1
🤔4
همان طور که در شکل بالا میبینید UCS همانند یک لاک پشت می باشد که فکر میکند و به آرامی به هدف نزدیک میشود و Greedy یا همان حریصانه رفتن همانند خرگوش فرض شده است یعنی دوست دارد سریع به هدف نزدیک شود. ترکیبی از این دو الگوریتم , الگورتیم A* را به وجود می آورد زیرا که همانند خرگوش زودتر به هدف میرسد و با فکر لاک پشت میتواند از مسیری برود که با هزینه کمتری به همراه داشته باشد.
📣👨💻 @AlgorithmDesign_DataStructuer
📣👨💻 @AlgorithmDesign_DataStructuer
👏6👍2👨💻2
یک مثال بسیار خوب از الگوریتم A* که میتوانیم با استفاده از فرمول گفته شده آن را به دست آورد.
همچنین نکاتی وجود دارد که باید گفته شود. میتوان گفت A* بهینه هست که بتوان ابتکار یا Heuristic خوبی را برای آن در نظر بگیریم اگر ابتکار خوبی نداشته باشیم بهینه نمی باشد. از نکاتی دیگری که باید به آن توجه کرد این است که ممکن این مسیری وجود داشته باشد کهf(n) آن یکسان باشد شما باید هر هر دو مسیر را امتحان کنید زیرا ممکن است در ادامه هزینه کمتری برای رسیدن به هدف بپرازید.
یک نکته دیگر هم این است که شکل بالا یک جستجوی ابتدا به شکل گراف بوده است سپس آن را به شکل درخت درآورده شده است.
📣👨💻 @AlgorithmDesign_DataStructuer
همچنین نکاتی وجود دارد که باید گفته شود. میتوان گفت A* بهینه هست که بتوان ابتکار یا Heuristic خوبی را برای آن در نظر بگیریم اگر ابتکار خوبی نداشته باشیم بهینه نمی باشد. از نکاتی دیگری که باید به آن توجه کرد این است که ممکن این مسیری وجود داشته باشد کهf(n) آن یکسان باشد شما باید هر هر دو مسیر را امتحان کنید زیرا ممکن است در ادامه هزینه کمتری برای رسیدن به هدف بپرازید.
یک نکته دیگر هم این است که شکل بالا یک جستجوی ابتدا به شکل گراف بوده است سپس آن را به شکل درخت درآورده شده است.
📣👨💻 @AlgorithmDesign_DataStructuer
👍3
🤔7
میخواهیم در مورد نورون های عصبی بحث کنیم. همان طور که در اسلاید های قبل گفتیم شبکه های عصبی همانند مغز هستند. در شبکه عصبی بالا یکسری ورودی به شبکه های عصبی داده شده است این ورودی ها در یکسری وزن ها ضرب میشوند و بعد هم همگی با استفاده از زیگما جمع میشود و در آخر هم از یک تابعی که بیشتر درمورد آن ها بحث خواهیم کرد رد میشوند و بعد هم یکسری خروجی را در آخر داریم. هدف من در این اسلاید این بود که شما را با با نورون های عصبی آشنا کنم که در آینده درمورد تک تک چیزهایی که گفته شد به مفصل توضیح خواهیم داد.
📣👨💻 @AlgorithmDesign_DataStructuer
📣👨💻 @AlgorithmDesign_DataStructuer
👌2
👌2