fanged的专栏

本文介绍了一种高效的时间轮算法（Timing Wheel）实现定时器管理。传统队列方式遍历所有任务效率低（O(N)），时间轮通过哈希表思想将任务分配到时间槽中（时间复杂度O(1)）。核心实现包括：1）循环队列处理长时间任务；2）槽位计算和圈数管理；3）多线程安全操作。文中提供了Python实现代码，并给出槽数计算公式（槽数=最大延迟/时间粒度）和典型场景配置建议。该算法适用于网络心跳、游戏逻辑等需要高效定时任务的场景，通过合理设置时间粒度和槽数可显著提升性能。

很久之前，大概毕业一两年的时候，当时对写算法有点兴趣，于是自己写了一个strstr，用C写的，想破头也没什么特别的算法，最后也差不多是遍历，找到第一个字符后依次匹配。写了两天差不多完工，但是效率比当时MFC自带的函数查了非常远，大概好几倍吧。所以后面也放弃了这种自己写库函数的想法了。最近看leetcode，看到KMP算法，所以也想学一下。找了一个普通的txt文件，大概是2M多。找寻里面的NFC关键字。运行设备是树莓派5（4GB版本）。

最近看到一个题，就是算一个int里面有多少个1。这个还是挺常用的，也不难，就是判断最后一位是不是1，然后移位，很快就能给答案。二进制是110，那么-1就是101，再&之后就是100（4）。仔细看看这个什么意思呢，关于位操作，之前其实写过一篇。之后-1就是011，再&之后就是000。其中关键的就是这句n &= (n - 1);相比以前要硬循环31次，确实巧妙了一些。主要是内存用的不是很好。也就是n = n & (n - 1);只有两个位都是1时，结果位才是1。本质就是跳过了0，每次只处理1。

这里只写32位单精度浮点数。。。

本来是可以用esp32 cam来做，后面想了想还是在linux上弄吧。终于，最近几天把树莓派的摄像头打通了。看了下这篇的TODO是二月就做了，但是一直拖到现在10月。也就是一个关键的前置摄像头那块没打通，所以这边也block了。里面还用了个pytesseract的库，看介绍说这个是用来做OCR的，好吧，我也是第一次用这个。我想原因是第一这个代码不支持汉字，第二还是要用深度学习来做这题才行。最好的时候88888能认出来，但是其它的就惨不忍睹了。网上找了一个炫酷车牌。

以下是一个简单的JPEG压缩算法的示例代码，展示了压缩图像的基本过程。该代码基于Python和Pillow库，并利用了基本的DCT和量化。Pillow是Python中较为基础的图像处理库,主要用于图像的基本处理。下面是一个python版本的例子，该例子只能处理灰度图哈，量化矩阵的选择会影响压缩质量和压缩比。逆DCT变换：对反量化后的系数应用逆DCT变换。量化：使用量化矩阵对DCT系数进行量化。反量化：对量化后的DCT系数进行反量化。组合图像：将处理后的块组合回原图像。先发一个python版本。

最小二乘法和梯度下降算法在目标和应用上有所区别，理解它们的关系和差异，有助于选择合适的方法解决具体问题。1是平方计算可导，更加方便。代入总成绩 X=450X = 450X=450，Y = 14.49+0.1325×450=14.49+59.625=74.115。这个基本上算是目前机器学习的基石了，说起来也算是高中的知识范围，我不知道是不是人人都懂了，我觉得我不是很懂，所以专门写一篇来总结总结。上面的过程基本不算难，就是回归系数的推算，看了下是最小二乘法。其中，XXX 是自变量矩阵，YYY 是因变量向量。

这里再说说对数，如果a的x次方等于N，那么数x叫做以a为底N的对数（logarithm），记作x=logaN。ln是e为底，那么就是loge，也就是e的多少次方等于多少。不过这里不是这个，是说的数学上那个e，写这个也挺尴尬的。在计算机发明以前，在欧美使用非常多，据说在曼哈顿计划中的工程师，人人都要带一个对数尺用来方便计算。然后绕不开的就是一个ln，这个是一个以e为底的对数，也就是自然对数。logn 表示对数函数，即如果一个算法的时间复杂度为 O(logn)，意味着算法的运行时间与输入规模的对数成正比。

最近在做安卓下UVC的一个案子。正好之前搞过ST方案的开机广告，这个也是我少数最后没搞成功的项目。当时也有点客观原因，当时ST要退出机顶盒市场，所以一切的支持都停了，当时啃他家播放器几十万行的代码，而且几乎没有文档，真的是非常痛苦。后面虽然功能是搞出来了，但是不稳定，持续几次后就会crash。还记得当时最后到底层ST是用的滑动窗口缓存，双指针，一个写指针和一个读指针，当时我做了一个管道往缓存中注数据。主要就是共享内存，滑动窗口，双缓冲，环形缓冲这些内容。就是两个buffer，一个读一个写，写完之后交换。

但是这样做有一个问题就是占用CPU资源，sleep的时候占用了CPU资源，而用pthread_cond_wait可以不占用CPU。2 任务怎么来管理，是不是一定要做任务队列。我自己做的第一版没这个，就会出现如果线程全忙，那么多的任务只有丢弃。所以任务队列是需要的。很多网上的代码，都是互斥体和条件变量一起用。为什么要用条件变量，我开始是真的没想明白。有一说一，线程池其实在国内用的不多。就算是C底层的程序员，用线程池也很少。查了一下GPT，说是防止虚假唤醒，多处理器场景。回来想想，这个还是单个任务的思路。

最近再接触卡尔曼滤波是因为一个声源定位库，Open embeddeD Audition System，它里面有两个部分，一个是定位，一个是跟踪。第二次更新：计算权重 ：22.5/(22.5+25) = 0.47，预计状态：50.13+0.47(48.44−50.13)=49.33米，更新估计方差：(1−0.47)*22.5=11.84。第一次更新：计算权重 ：225/(225+25) = 0.9，预计状态：60+0.9(49.03−60)=50.13米，更新估计方差：(1−0.9)*225=22.5。

F(10) = F(9) + F(8)，想一想也很好理解。F(9)到F(10)只有1步的走法，没有其它的选择。F(8)到F(10)也只有2步的走法，没有其它的选择。我也是刚学动态规划，感觉动态规划能干的事情，其实很多其它算法也能写出来，那么DP的优点在哪呢？我第一步想到的解法是递归，按照这个思路，其实很快就有答案。第二就是动态规划和树的感觉比较接近，我接触的几个都可以用递归来处理，都存在可以剪枝的优化。一个是从头开始，一个是倒着开始。但是毕竟这个题是有关动态规划的，详细看了下动态规划的思路。

但是面临一个问题，就是当前层数和最大层数，必须要使用全局变量来记录，而在leetcode中，全局变量没法再初始化，所以就不可用。想破脑袋也没想出来怎么解决，后面求助了chatgpt，给的代码也是有这两个全局变量。从最底层开始计数，想来也是非常合理的，其实递归的本质或者从动态规划来说，也是应该自底而上，这样才能拆成更小的独立问题。如上面的二叉树，在3的时候是层1,9的时候就是层2，如果返回了层数就-1，然后使用一个变量记录最大值。提交上去看了下，可以通过但是成绩也不是很理想，应该可以加个字典什么的缓存一下。

malloc的内存是在堆上分配，而且是从下往上，如果新的malloc内容，一般来说地址都在更高位。个人觉得这种方法还是太投机了，leetcode这边是按照顺序分配，但是谁能保证其它情况后面的节点就一定是后分配内存呢？一开始我的想法很简单，做一个循环，然后把之前遇到过的地址放在一个数组中，遇到新的地址就和之前的数组比对，看是否存在，如果存在，则返回true。就是判断新的节点地址是否小于之前节点，如果是，则存在闭环。一开始不好理解，但是如果循环是一个圈，那么快指针没多久就会回来，和慢指针重合，检测到闭环。

其实就我来看，计算机懂个P的高等数学，什么线性代数，概率，微积分，对于计算机来说都没有意义，没有意义，没有意义。但是在实践中，很多算法一旦上了矩阵，就跟开了外挂一样，速度飞快，这个又是什么原因呢？这里又要说说图形，音视频的数据的一些特点了，这些数据就是矩阵运算的最好示范，现在的CPU架构中，为了加速这些运算，所以进行了很多特别的优化，比如超线程，SIMD等等。简而言之，在现在的CPU体系中，使用矩阵运算，可以更贴近现在的架构，比如Cache的结构，SIMD的指令集以及一些其它指令集。所以会觉得速度很快。

设 𝑥(𝑡) 表示车辆在时间 𝑡t 时的位置。其中，第一个矩阵是转移矩阵 𝐴，它将 𝑥(𝑡𝑖)映射到 𝑥(𝑡𝑖+1)；其中，𝑥(𝑡) 表示车辆在时间 𝑡t 时的位置（单位：米），𝑡 表示时间（单位：秒），2𝑡 表示车辆在时间 𝑡t 时已经行驶的距离。其中 𝑥(𝑡𝑖)表示车辆在时间 𝑡𝑖ti​ 的位置，𝑥(𝑡𝑖+1) 表示车辆在时间 𝑡𝑖+1​ 的位置，𝑣 表示车辆的速度。每个时间步长的长度为 Δ𝑡=𝑡𝑓−𝑡0𝑁。我们可以将位置 𝑥(𝑡)视为一个列向量，时间 𝑡 视为一个标量，速度 𝑣 视为一个常数。