这里收录的模板因为是自用的，所以基本只有代码，没有多少代码解释，敬请谅解。 1.IO流加速：链接 2.数据结构并查集：链接 树状数组：链接 线段树：链接 主席树：链接 3.图论传递闭包：链接 二分图匹配：链接 网络流：链接 最短路算法：链接 树链剖分：链接 4.数论逆元：链接 各种筛的模板：链接 5.字符串字符串哈希：链接 KMP算法：链接 字典树：链接 马拉车算法：链接 6.哈希重构unorde

多智能体强化学习项目-5-simple_spread-v3(MAPPO)环境本环境是 PettingZoo 库中 MPE (Multi-Agent Particle Environments) 系列的一个经典多智能体协作环境。 官网链接：https://pettingzoo.farama.org/environments/mpe/simple_spread/ 任务描述：这是一个 完全合作（Coop

强化学习项目-4-LunarLander-v3(PPO)环境本环境是OpenAI Gym提供的一个经典控制环境。 官网链接：https://gymnasium.farama.org/environments/box2d/lunar_lander/ 操作： 0:什么都不做 1:左侧推进器：推动着陆器向右移动 2:右侧推进器：推动着陆器向左移动 3:主引擎：推动着陆器向上移动 对应状态向量$$s =

强化学习项目-3-CartPole-v1(AC)环境本环境是OpenAI Gym提供的一个经典控制环境。 官网链接：https://gymnasium.farama.org/environments/classic_control/cart_pole/ 观测空间(状态S)状态共包含$4$个参数： 车位置(Cart Position) 车速(Cart Velocity) 杆子的角度(Pole An

强化学习项目-2-LunarLander-v3(Dueling DQN)环境本环境是OpenAI Gym提供的一个经典控制环境。 官网链接：https://gymnasium.farama.org/environments/box2d/lunar_lander/ 操作： 0:什么都不做 1:左侧推进器：推动着陆器向右移动 2:右侧推进器：推动着陆器向左移动 3:主引擎：推动着陆器向上移动 对应状

强化学习项目-1-CartPole-v1(DDQN)环境本环境是OpenAI Gym提供的一个经典控制环境。 官网链接：https://gymnasium.farama.org/environments/classic_control/cart_pole/ 观测空间(状态S)状态共包含$4$个参数： 车位置(Cart Position) 车速(Cart Velocity) 杆子的角度(Pole

题目链接: 点击跳转 题意：题目会先输入n,m，分别表示有n个节点，m个回答，每个回答会告诉你节点l到节点r之间权值的总和(包含l，r)，当然，回答不一定是对的，需要我们根据输入顺序判断是否有错即可。 思路：使用sum数组记录子节点到父节点的总和(l需要减一，因为l的权值也是包含在内的)，构建带权并查集，合并时注意因为两根节点合并会出现一条反边，即sum[find(l)] = - sum[a] +

无监督学习，推荐系统以及强化学习无监督学习聚类K-means算法 随机猜测簇质心点位置 遍历所有的点，检查这些点距离哪个质心更近，并将点分配给最近的簇质心 分配好后，依次查看每个簇覆盖的点，并对这些点取平均值，并将簇质心移动到平均值的位置 再次查看所有点，检查这些点是否更接近另外的簇质心，而不是当前分配的簇质心，并重新将这些点分配给最近的簇质心 再次重新取均值移动簇质心 重复执行前两步直到簇质心不

深度学习神经网络神经元一个接收若干信息，并产生若干结果的一个基本单位。 神经网络定义神经网络由若干层构成，每层可以包含若干节点，同时从上一层接收信息，并将结果传输给下一层 全连接神经网络对于朴素的神经网络，需要去考虑每一层怎么设计，每个神经元需要哪些信息，并产生什么样的结果，这样子从网络搭建上来说是很困难的。 因此，可以不用限制神经元接收的数据，让每一层的神经元均连接上一层的所有神经元(或输入层节

机器学习监督学习核心特点带标签的训练集，主要训练特征与标签之间的对应关系 典型任务： 分类（Classification）：预测类别标签（如垃圾邮件识别、图像分类） 回归（Regression）：预测连续数值（如房价预测、温度预测） 非监督学习核心特点使用无标签的数据训练模型，模型需要自主发现数据中的规律 典型任务 聚类（Clustering）：将相似数据分组（如用户分群、异常检测）； 降