python实现层次分析法 Python到底有多慢？

Python到底有多慢？

首先，我们用10个坐标点来模拟城市的位置。由于我们平时对Python的使用比较多，也比较熟悉，所以我们首先选择Python作为编程语言来实现蚁群算法，但是我们在第一时间就等着睡着了。猜猜看有多长时间，超过六分钟，这是效率的可怕之处。你不能让老师等6分钟在最后的回答中选择最佳路径。恐怕要暂停了。用C语言对蚁群算法进行了优化，优化结果不到1min。没有比较就没有坏处。在这之后，我深刻地认识到Python执行效率的可怕方面。

有些人可能想知道为什么C和Java比python更高效。事实上，它与语言的底层代码有关。C语言是汇编语言的二次开发，Java大多是C和C的二次开发，但是我们的Python可以分为两种情况，一种是Cpython，另一种是jpython，分别是C和Java的二次开发，所以效率比这两种语言要低。我看到消息说，为了解决python的效率问题，政府计划重新开发底层python代码。最近，我没有看到任何相关的新闻。毕竟，这个工作量是非常巨大的。

作为一名程序员，需要精通高深的算法吗？为什么？

太深的算法可以适当学习一些，但是比较常用的算法一定能做到。不仅算法岗需要学习这么多算法，开发岗也需要学习很多常用算法，这样才能在开发过程中编写出高性能的代码。我举个例子。以前，我用MR处理一段数据。在reduce阶段，我需要根据某个值保持顶部，但是如果不能使用其他算法，可以调用quick sort。最坏的时间复杂度是O（n^2）。当数据很大时，你不能用完。如果能够维护大顶堆或bfprt算法，时间复杂度会大大降低。所以算法是非常重要的。

那么，我们需要学习哪些算法？我将列出以下方向

常见的图论算法，如并集搜索、最短路径算法、二部图匹配、网络流、拓扑排序等

例如常见的二分搜索、三分搜索，特别是二分搜索、访谈常问、深度优先搜索和广度优先搜索，经典的八道数字题等等。还有一些启发式搜索算法，如模拟退火算法、遗传算法、粒子群算法、蚁群算法等。

Dijkstra算法用于寻找最短路径、最大子段和、数字DP等

这一类比较大，特别是在机器学习、人工智能、密码学等领域。比如数论中的大数分解，大素数的判定，扩展欧几里德算法，中国剩余定理，卢卡斯定理等等，组合数学中的博弈问题，卡特兰数公式，包含排除原理，波利亚计数等等，计算几何中的极性排序、凸包问题、旋转卡盘问题、多边形核问题、平面最近点对问题等。另外，还有一些矩阵的构造计算，如矩阵的快幂等。

如果要做算法作业，除了上面的一些应用算法外，主要是机器学习、深度学习算法。

python实现层次分析法 蚁群算法python实现 python粒子群算法包

版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。