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