ARTS-01

什么是ARTS？

算法(Algorithm): 每周至少一道LeetCode算法题，加强编程训练和算法学习
阅读(Review)：阅读并点评至少一篇英文技术文章，提高英文水平
技巧 (Tip)：学习至少一个技术技巧，总结、归纳日常工作中遇到的知识点
分享(Share)：分析一篇有关点和思考的技术文章，建立影响力，输出价值观

算法：

题目描述：

给定一个 n 个元素有序的（升序）整型数组 nums 和一个目标值 target  ，写一个函数搜索 nums 中的 target，如果目标值存在返回下标，否则返回 -1。


示例 1:

输入: nums = [-1,0,3,5,9,12], target = 9
输出: 4
解释: 9 出现在 nums 中并且下标为 4
示例 2:

输入: nums = [-1,0,3,5,9,12], target = 2
输出: -1
解释: 2 不存在 nums 中因此返回 -1
 

提示：

你可以假设 nums 中的所有元素是不重复的。
n 将在 [1, 10000]之间。
nums 的每个元素都将在 [-9999, 9999]之间。

前置知识：

什么是二分查找？

二分查找（Binary Search）是一种高效的搜索算法，适用于在有序数组中查找特定元素的位置。它通过反复将搜索区间减半来快速定位目标值，从而显著减少了所需的比较次数。与线性搜索相比，二分查找的时间复杂度为 O(log⁡n)，其中 n 是数组的长度，这使得它在处理大规模数据时更加高效。

时间复杂度为 O(log⁡n)：假如n个数经过从k次减半后变为1：n, n/2, n/4, ... , 1，即n/(2^k)=1，得到k =log2(n)。

二分查找的工作原理

初始化 ：
- 定义两个指针 left 和 right，分别指向数组的第一个和最后一个元素。
- 这两个指针定义了当前搜索区间的边界。
迭代或递归 ：
- 在每次迭代或递归调用中，计算中间位置 mid，即 (left+right)//2(left +right )//2 或更优地使用 (left+(right−left)//2)(left +(right −left)//2) 来防止大数溢出。
- 比较中间位置的元素 nums[mid] 与目标值 target：
  - 如果 nums[mid] == target，则找到目标值，返回其索引。
  - 如果 nums[mid] < target，则目标值位于右半部分，更新 left = mid + 1。
  - 如果 nums[mid] > target，则目标值位于左半部分，更新 right = mid - 1。
终止条件 ：
- 当 left > right 时，说明搜索区间为空，此时如果还没有找到目标值，则返回 -1 表示目标值不在数组中。

思路：

由于数组已经排序 ，可以利用二分查找来高效地定位目标值的位置。二分查找的基本思想是不断缩小搜索区间，通过比较中间元素 和目标值来进行决策：如果中间元素正好等于目标值，则返回其索引；如果中间元素小于目标值，则在右半部分继续搜索；反之，在左半部分继续搜索。当搜索区间为空时，说明数组中不存在目标值。

关键点：

数组必须是有序的。
数组中的元素不重复。
通过调整左右指针的位置来控制搜索范围。
时间复杂度为 O(log n)，其中 n 是数组的长度。

代码：

暴力解：

def search(nums, target):
    if target in nums:
        return nums.index(target)
    else:
        return -1
# 示例测试用例
print(search([-1, 0, 3, 5, 9, 12], 9))  # 输出: 4
print(search([-1, 0, 3, 5, 9, 12], 2))  # 输出: -1

暴力代码 （使用 in 和 index()）：
- 时间复杂度：O(n)
- 空间复杂度：O(1)

二分查找：

def search(nums, target):
    left, right = 0, len(nums) - 1
    
    while left <= right:
        mid = (left + right) // 2
        if nums[mid] == target:
            return mid
        elif nums[mid] < target:
            left = mid + 1
        else:
            right = mid - 1
            
    return -1

# 示例测试用例
print(search([-1,0,3,5,9,12], 9))  # 输出: 4
print(search([-1,0,3,5,9,12], 2))  # 输出: -1

优化后代码 （使用二分查找）：
- 时间复杂度：O(log⁡n)
- 空间复杂度：O(1)

阅读：

Solving job scheduling problems in a resource preemption environment with multi-agent reinforcement learning - ScienceDirect

📰

文章背景与问题描述

背景：在智能制造环境中，机器人逐渐取代传统机器成为主要的加工单元，提高了生产效率并降低了人力成本。

挑战：制造资源有限，导致机器人之间存在资源抢占关系，增加了作业调度的复杂性。

需求：对作业调度算法提出了更高的准确性和泛化性要求，以应对复杂的制造环境。

提出的方法

核心思想：利用多智能体强化学习来解决资源抢占环境下的作业调度问题。

建模方式：将资源抢占环境建模为分散的部分可观察马尔可夫决策过程（Decentralized Partially Observable Markov Decision Process, Dec-POMDP），其中每个任务被视为一个智能体。

架构设计：构建了多智能体调度架构，以处理高维动作空间带来的挑战。

学习机制：采用多智能体强化学习来优化每个智能体的决策策略，并促进工作智能体之间的协作。

方法的创新点

新颖性：

- 在资源抢占环境下应用多智能体强化学习解决作业调度问题。

- 通过多智能体系统实现更高效的资源分配和调度。

技术优势：

- 解决了传统基于规则方法难以适应动态变化的问题。

- 改进了分布式智能体强化学习方法，在总制造跨度、训练稳定性和模型泛化方面表现出色。

实验验证与结果

实验设置：进行了案例研究，对比了提出的方法与传统基于规则的方法及分布式智能体强化学习方法。

实验结果：

- 提出的方法在总制造跨度上表现优异，意味着减少了整体生产时间。

- 训练过程更加稳定，表明算法收敛性好。

- 模型泛化能力强，适用于不同类型的作业调度场景。

总结与展望

总结：该研究展示了多智能体强化学习在解决复杂资源抢占环境下的作业调度问题上的潜力。

未来工作：可以进一步探索如何将这种方法应用于更多样化的工业场景，或与其他先进制造技术结合，提升整体生产效能。

技巧：

Xshell几个小技巧，提高你的工作效率_xshell设置双击复制-CSDN博客

下载Xftp配合Xshell使用

2025 数据库技术展望-CSDN博客

向量数据库与 RAG（检索增强生成）先后崛起，成为了言大模型开发必提之用之的技术栈。