知识卡片
评分比决定退步接受
对称候选交换下,更高概率候选直接接受;较差候选以min(1,p新/p旧)接受,因此有机会离开贪心陷阱。对数评分L可算exp(L新−L旧),用u<该值决定接受。原文一处写u大于比值,与随后代码和规则相反,以代码中的小于为准;随机搜索不保证有限步找到真解。
结构图:
flowchart TD
A[当前映射] --> B[随机交换两个输出]
B --> C[计算新旧对数评分]
C --> D{新评分更高}
D -->|是| E[接受候选]
D -->|否| F{随机数小于评分比}
F -->|是| E
F -->|否| G[保留当前]
E --> H[继续迭代]
G --> H
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第7章 优化:密码破译 密码破译优化问题 · 连续片段2 · 查看原书依据
if(x<a) { return(proposed.cipher) } else { return(cipher) } } } 现在,整个优化算法的每一个步都准备好了,让我们把它们组合起来,来看看它是如何工作的吧。首先把明文保存在一个R语言的字符串向量里面: decrypted.
参考来源
- 位置:《机器学习:实用案例解析》第07章《密码破译优化问题 · 连续片段2》(来源项目book-sources;源文件:extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part3112.html,spine3218)
- 结论依据:原文的案例步骤与解释支持所述机制;R包、外部API与数据接口限定于本书出版时环境,不作为当前兼容性承诺。
- 原始内容:if(x<a) { return(proposed.cipher) } else { return(cipher) } } } 现在,整个优化算法的每一个步都准备好了,让我们把它们组合起来,来看看它是如何工作的吧。首先把明文保存在一个R语言的字符串向量里面: decrypted.