2022-12-20-午夜随笔(洗澡)之一年了,终于把TAMA转化为反向匹配成为了可能
有人说,我们每天都在见证历史,有人说,我每天都在沉淀历史。
(700字小作文)
从前,它是叫“方向匹配基本定理(二)”的,即基于同一个数据结构,去找出匹配的谓词,就可以设计出正向匹配算法,去找出不匹配的谓词,就可以设计出反向匹配算法。
基于反向REIN的数据结构可以设计出正向fREIN算法,
基于反向HEM的数据结构可以设计出正向fHEM算法,
基于BG-Tree数据结构可以设计出正向和反向匹配算法fBG-Tree,bBG-Tree
但基于TAMA数据结构没能设计出反向匹配算法,
由于不够通用,改成了正反匹配算法设计方法(FBMAD)这名称
但就在刚刚洗澡时,回忆起C-BOMP、DMFT、FBMAD,
觉得C-BOMP偏工程、DMFT偏理论、FBMAD偏设计,
偏理论的没这么有实用性,效果没这么好
进而在思考它们之间的区别,是一环套一环的关系,
想到怎么介绍FBMAD好时,突然想到了存储!不只是匹配
即从正向和反向去存储和搜索匹配和不匹配的谓词
确实,fREIN、fHEM作为两个应用该理论设计出的算法都在存储上改了数据结构,存储匹配的谓词
而BG-Tree和AWB+Tree作为伪二叉树,其正向反向可以基于同一套存储方式同一套数据结构,
只需在搜索时通过找匹配/不匹配的来区分正向/反向匹配算法,
也正因此可以设计混合匹配算法
之前没相通怎么基于TAMA设计反向匹配,似乎是陷入了思维陷阱
只是去想怎么基于现有结构去找不匹配的,怎么想也设计不出来
因为没从根本上动存储方式,确实理论里只说去找匹配不匹配,没有说存匹配不匹配(理论的指导作用)
这样一来,在TAMA插入订阅时存储不匹配的区间,搜出来的自然就是不匹配的
设谓词区间为[l,h],值域为[1,R],那么不匹配的区间为[1,l-1],[h+1,R] (l>1,h按原来的方式插入这两个不匹配区间到每一层的桶里,
搜索时仍旧是遍历事件值所落入的桶,在同一个位集上标记这些桶里的谓词所属的订阅
对于最后一层,当然还是按之前优化后的一样通过两次比较实现精确检索
这样一来,就把好好的一个正向TAMA匹配算法转化成了一个好好的反向TAMA匹配算法!
#研究生[超话]##算法##灵感##随笔##记录#
有人说,我们每天都在见证历史,有人说,我每天都在沉淀历史。
(700字小作文)
从前,它是叫“方向匹配基本定理(二)”的,即基于同一个数据结构,去找出匹配的谓词,就可以设计出正向匹配算法,去找出不匹配的谓词,就可以设计出反向匹配算法。
基于反向REIN的数据结构可以设计出正向fREIN算法,
基于反向HEM的数据结构可以设计出正向fHEM算法,
基于BG-Tree数据结构可以设计出正向和反向匹配算法fBG-Tree,bBG-Tree
但基于TAMA数据结构没能设计出反向匹配算法,
由于不够通用,改成了正反匹配算法设计方法(FBMAD)这名称
但就在刚刚洗澡时,回忆起C-BOMP、DMFT、FBMAD,
觉得C-BOMP偏工程、DMFT偏理论、FBMAD偏设计,
偏理论的没这么有实用性,效果没这么好
进而在思考它们之间的区别,是一环套一环的关系,
想到怎么介绍FBMAD好时,突然想到了存储!不只是匹配
即从正向和反向去存储和搜索匹配和不匹配的谓词
确实,fREIN、fHEM作为两个应用该理论设计出的算法都在存储上改了数据结构,存储匹配的谓词
而BG-Tree和AWB+Tree作为伪二叉树,其正向反向可以基于同一套存储方式同一套数据结构,
只需在搜索时通过找匹配/不匹配的来区分正向/反向匹配算法,
也正因此可以设计混合匹配算法
之前没相通怎么基于TAMA设计反向匹配,似乎是陷入了思维陷阱
只是去想怎么基于现有结构去找不匹配的,怎么想也设计不出来
因为没从根本上动存储方式,确实理论里只说去找匹配不匹配,没有说存匹配不匹配(理论的指导作用)
这样一来,在TAMA插入订阅时存储不匹配的区间,搜出来的自然就是不匹配的
设谓词区间为[l,h],值域为[1,R],那么不匹配的区间为[1,l-1],[h+1,R] (l>1,h
搜索时仍旧是遍历事件值所落入的桶,在同一个位集上标记这些桶里的谓词所属的订阅
对于最后一层,当然还是按之前优化后的一样通过两次比较实现精确检索
这样一来,就把好好的一个正向TAMA匹配算法转化成了一个好好的反向TAMA匹配算法!
#研究生[超话]##算法##灵感##随笔##记录#
2022-12-20-午夜随笔(洗澡)之一年了,终于把TAMA转化为反向匹配成为了可能
有人说,我们每天都在见证历史,有人说,我每天都在沉淀历史。
(700字小作文)
从前,它是叫“方向匹配基本定理(二)”的,即基于同一个数据结构,去找出匹配的谓词,就可以设计出正向匹配算法,去找出不匹配的谓词,就可以设计出反向匹配算法。
基于反向REIN的数据结构可以设计出正向fREIN算法,
基于反向HEM的数据结构可以设计出正向fHEM算法,
基于BG-Tree数据结构可以设计出正向和反向匹配算法fBG-Tree,bBG-Tree
但基于TAMA数据结构没能设计出反向匹配算法,
由于不够通用,改成了正反匹配算法设计方法(FBMAD)这名称
但就在刚刚洗澡时,回忆起C-BOMP、DMFT、FBMAD,
觉得C-BOMP偏工程、DMFT偏理论、FBMAD偏设计,
偏理论的没这么有实用性,效果没这么好
进而在思考它们之间的区别,是一环套一环的关系,
想到怎么介绍FBMAD好时,突然想到了存储!不只是匹配
即从正向和反向去存储和搜索匹配和不匹配的谓词
确实,fREIN、fHEM作为两个应用该理论设计出的算法都在存储上改了数据结构,存储匹配的谓词
而BG-Tree和AWB+Tree作为伪二叉树,其正向反向可以基于同一套存储方式同一套数据结构,
只需在搜索时通过找匹配/不匹配的来区分正向/反向匹配算法,
也正因此可以设计混合匹配算法
之前没相通怎么基于TAMA设计反向匹配,似乎是陷入了思维陷阱
只是去想怎么基于现有结构去找不匹配的,怎么想也设计不出来
因为没从根本上动存储方式,确实理论里只说去找匹配不匹配,没有说存匹配不匹配(理论的指导作用)
这样一来,在TAMA插入订阅时存储不匹配的区间,搜出来的自然就是不匹配的
设谓词区间为[l,h],值域为[1,R],那么不匹配的区间为[1,l-1],[h+1,R] (l>1,h按原来的方式插入这两个不匹配区间到每一层的桶里,
搜索时仍旧是遍历事件值所落入的桶,在同一个位集上标记这些桶里的谓词所属的订阅
对于最后一层,当然还是按之前优化后的一样通过两次比较实现精确检索
这样一来,就把好好的一个正向TAMA匹配算法转化成了一个好好的反向TAMA匹配算法!
#研究生[超话]##算法##灵感##随笔##记录#
有人说,我们每天都在见证历史,有人说,我每天都在沉淀历史。
(700字小作文)
从前,它是叫“方向匹配基本定理(二)”的,即基于同一个数据结构,去找出匹配的谓词,就可以设计出正向匹配算法,去找出不匹配的谓词,就可以设计出反向匹配算法。
基于反向REIN的数据结构可以设计出正向fREIN算法,
基于反向HEM的数据结构可以设计出正向fHEM算法,
基于BG-Tree数据结构可以设计出正向和反向匹配算法fBG-Tree,bBG-Tree
但基于TAMA数据结构没能设计出反向匹配算法,
由于不够通用,改成了正反匹配算法设计方法(FBMAD)这名称
但就在刚刚洗澡时,回忆起C-BOMP、DMFT、FBMAD,
觉得C-BOMP偏工程、DMFT偏理论、FBMAD偏设计,
偏理论的没这么有实用性,效果没这么好
进而在思考它们之间的区别,是一环套一环的关系,
想到怎么介绍FBMAD好时,突然想到了存储!不只是匹配
即从正向和反向去存储和搜索匹配和不匹配的谓词
确实,fREIN、fHEM作为两个应用该理论设计出的算法都在存储上改了数据结构,存储匹配的谓词
而BG-Tree和AWB+Tree作为伪二叉树,其正向反向可以基于同一套存储方式同一套数据结构,
只需在搜索时通过找匹配/不匹配的来区分正向/反向匹配算法,
也正因此可以设计混合匹配算法
之前没相通怎么基于TAMA设计反向匹配,似乎是陷入了思维陷阱
只是去想怎么基于现有结构去找不匹配的,怎么想也设计不出来
因为没从根本上动存储方式,确实理论里只说去找匹配不匹配,没有说存匹配不匹配(理论的指导作用)
这样一来,在TAMA插入订阅时存储不匹配的区间,搜出来的自然就是不匹配的
设谓词区间为[l,h],值域为[1,R],那么不匹配的区间为[1,l-1],[h+1,R] (l>1,h
搜索时仍旧是遍历事件值所落入的桶,在同一个位集上标记这些桶里的谓词所属的订阅
对于最后一层,当然还是按之前优化后的一样通过两次比较实现精确检索
这样一来,就把好好的一个正向TAMA匹配算法转化成了一个好好的反向TAMA匹配算法!
#研究生[超话]##算法##灵感##随笔##记录#
本周A股连续两日回调,大盘失守3100点,前期强势的医药、白酒等悉数回调,昨日表现强势的教育板块今日跌幅居前。关于A股下跌原因,小夏觉得主要是以下三点——
首先,市场在经历了昨日的大跌之后,暂时没有强有力的新利好出现,出现惯性下挫;
其次,市场对于偏弱的经济基本面以及疫情扰动的担忧继续发酵,风险偏好有所降低;
此外,过去一个多月,随着政策预期的不断兑现,指数自低点一度反弹至3200点重要心理关口,部分短线icon资金存在获利止盈的需求,市场博弈情绪加大,市场短线热点散乱,也进一步削弱了赚钱效应。
不过其实也无需过度悲观,小夏在此前也多次提到,投资“盈亏同源”,机会都是跌出来的,要想获得可观收益,重点是要抓住上涨的那些“关键”日子。复盘万得偏股混合型基金指数的表现可知,从2004年起计,算上今年,A股至少历经了7次绿油油的“跌麻”行情。
在前6次市场巨震中,Wind偏股混合型基金指数跌幅平均值为30.4%,中位数为27.6%;调整时长平均139天,中位数为66天。
但与此同时,调整后的反弹行情往往更为强劲,平均能持续314天,反弹幅度平均可达50.7%。因此朋友们不妨风物长宜放眼量,适当拉长自身投资期限,静待后续A股回升行情。
首先,市场在经历了昨日的大跌之后,暂时没有强有力的新利好出现,出现惯性下挫;
其次,市场对于偏弱的经济基本面以及疫情扰动的担忧继续发酵,风险偏好有所降低;
此外,过去一个多月,随着政策预期的不断兑现,指数自低点一度反弹至3200点重要心理关口,部分短线icon资金存在获利止盈的需求,市场博弈情绪加大,市场短线热点散乱,也进一步削弱了赚钱效应。
不过其实也无需过度悲观,小夏在此前也多次提到,投资“盈亏同源”,机会都是跌出来的,要想获得可观收益,重点是要抓住上涨的那些“关键”日子。复盘万得偏股混合型基金指数的表现可知,从2004年起计,算上今年,A股至少历经了7次绿油油的“跌麻”行情。
在前6次市场巨震中,Wind偏股混合型基金指数跌幅平均值为30.4%,中位数为27.6%;调整时长平均139天,中位数为66天。
但与此同时,调整后的反弹行情往往更为强劲,平均能持续314天,反弹幅度平均可达50.7%。因此朋友们不妨风物长宜放眼量,适当拉长自身投资期限,静待后续A股回升行情。
✋热门推荐