强烈推荐入手3M海绵砂纸，我是做军模的，没尝试过高达，但是周围有玩高达和民用的，感觉高达的板件要比军模的板件强不是一星半点啊……海绵砂比普通砂纸要温和，对于细节的伤害也会小一些，如果是需要大力打磨建议先锉刀后粗砂最后细砂，如果是合模线推荐笔刀刮，当然如果有条件入手把陶瓷刀是个更好的选择。&br&马克笔没有用过，但是本人之前一直手涂，个人认为无论你怎么涂，没有笔痕就是好方法~&br&总之，模型就是个坑，工具永远是买不完的，相信我……还有，有条件买个泵再入手喷笔吧，马克笔不是长久之计……&br&另外，做模型必备口罩，就算你不怕粉尘也该防防模型胶的味道，那个味道啊，简直是节食辟谷的必备佳品啊……
强烈推荐入手3M海绵砂纸，我是做军模的，没尝试过高达，但是周围有玩高达和民用的，感觉高达的板件要比军模的板件强不是一星半点啊……海绵砂比普通砂纸要温和，对于细节的伤害也会小一些，如果是需要大力打磨建议先锉刀后粗砂最后细砂，如果是合模线推荐笔…
谢邀。&br&&br&优化方面做出了新算法有了新证明（我觉得证明部分更重要）应当尽量先挂arxiv。&br&&br&如树森所说，绿线依旧是线性收敛。看绿线的速度，目前已知的算法中有SAG、SVRG、SAGA这一类算法能够做到。个人觉得，如果是SGD类算法就应该和其他SGD类的算法作比较，利用了variance reduction的算法应该和SAG、SVRG、SAGA这类方法比较，目前暂未看到比variance reduction更好的一阶随机优化算法。&br&&br&当然，不排除人家真得做出了更好的算法的可能。
谢邀。 优化方面做出了新算法有了新证明（我觉得证明部分更重要）应当尽量先挂arxiv。 如树森所说，绿线依旧是线性收敛。看绿线的速度，目前已知的算法中有SAG、SVRG、SAGA这一类算法能够做到。个人觉得，如果是SGD类算法就应该和其他SGD类的算法作比较，利…
先放一些我觉得很美的滴胶作品吧&br&图侵删&br&&img src=&/de3507e4affd69f129db6_b.png& data-rawwidth=&440& data-rawheight=&880& class=&origin_image zh-lightbox-thumb& width=&440& data-original=&/de3507e4affd69f129db6_r.png&&&img src=&/631a0fdd95dadad7e0ab0_b.png& data-rawwidth=&750& data-rawheight=&603& class=&origin_image zh-lightbox-thumb& width=&750& data-original=&/631a0fdd95dadad7e0ab0_r.png&&&img src=&/434a0b9392cbba0c31e257_b.png& data-rawwidth=&364& data-rawheight=&600& class=&content_image& width=&364&&&br&&img src=&/85ef16c8db69636ebacb_b.png& data-rawwidth=&650& data-rawheight=&650& class=&origin_image zh-lightbox-thumb& width=&650& data-original=&/85ef16c8db69636ebacb_r.png&&&img src=&/d28eb6bb55ae_b.png& data-rawwidth=&1200& data-rawheight=&1542& class=&origin_image zh-lightbox-thumb& width=&1200& data-original=&/d28eb6bb55ae_r.png&&&img src=&/01fea8cd8c7fd_b.png& data-rawwidth=&700& data-rawheight=&700& class=&origin_image zh-lightbox-thumb& width=&700& data-original=&/01fea8cd8c7fd_r.png&&&img src=&/c55fa6a1d342a70caec3_b.png& data-rawwidth=&862& data-rawheight=&2432& class=&origin_image zh-lightbox-thumb& width=&862& data-original=&/c55fa6a1d342a70caec3_r.png&&&img src=&/daaa98aac_b.png& data-rawwidth=&436& data-rawheight=&1406& class=&origin_image zh-lightbox-thumb& width=&436& data-original=&/daaa98aac_r.png&&&img src=&/ead26e27b3f5d836f04ecec8_b.png& data-rawwidth=&560& data-rawheight=&560& class=&origin_image zh-lightbox-thumb& width=&560& data-original=&/ead26e27b3f5d836f04ecec8_r.png&&&br&有一些不是全部的制作资料&br&&br&&br&然后再说制作戒指，其实还是很简单的，首先你需要戒拖&br&然后上个基础戒指大概制作过程图，根据这个自己适当调整做法吧&br&&br&图侵删&br&&img src=&/a8e675c21de50b984e43bd1a_b.png& data-rawwidth=&183& data-rawheight=&2432& class=&content_image& width=&183&&
谢邀 先放一些我觉得很美的滴胶作品吧 图侵删 有一些不是全部的制作资料 然后再说制作戒指，其实还是很简单的，首先你需要戒拖 然后上个基础戒指大概制作过程图，根据这个自己适当调整做法吧 图侵删
有两点原因。&br&&br&softmax的形式为：&img src=&///equation?tex=P%28y%3Di%29+%3D+%5Cfrac%7B%5Cexp%28%5Csum_d+w_%7Bid%7Dx_d%29%7D%7B%5Csum_j+%5Cexp%28%5Csum_d+w_%7Bjd%7Dx_d%29%7D& alt=&P(y=i) = \frac{\exp(\sum_d w_{id}x_d)}{\sum_j \exp(\sum_d w_{jd}x_d)}& eeimg=&1&&&br&&br&原因之一在于softmax设计的初衷，是希望特征对概率的影响是乘性的。&br&&br&原因之二在于，多类分类问题的目标函数常常选为cross-entropy，即&img src=&///equation?tex=L+%3D+-%5Csum_k+t_k+%5Clog+P%28y+%3D+k%29& alt=&L = -\sum_k t_k \log P(y = k)& eeimg=&1&&，其中目标类的&img src=&///equation?tex=t_k& alt=&t_k& eeimg=&1&&等于1，其它类的&img src=&///equation?tex=t_k& alt=&t_k& eeimg=&1&&等于0。&br&在神经网络模型（最简单的logistic regression也可看成没有隐含层的神经网络）中，输出层第&img src=&///equation?tex=i& alt=&i& eeimg=&1&&个神经元的输入为&img src=&///equation?tex=a_i+%3D+%5Csum_d+w_%7Bid%7Dx_d& alt=&a_i = \sum_d w_{id}x_d& eeimg=&1&&。&br&神经网络是用error back-propagation训练的，这个过程中有一个关键的量是&img src=&///equation?tex=%5Cpartial+L+%2F+%5Cpartial+a_i& alt=&\partial L / \partial a_i& eeimg=&1&&。&br&可以算出，同时使用softmax和cross-entropy时，&img src=&///equation?tex=%5Cpartial+L+%2F+%5Cpartial+a_i+%3D+P%28y%3Di%29+-+t_i& alt=&\partial L / \partial a_i = P(y=i) - t_i& eeimg=&1&&。&br&这个形式非常简洁，而且与线性回归（采用最小均方误差目标函数）、两类分类（采用cross-entropy目标函数）时的形式一致。
有两点原因。 softmax的形式为：P(y=i) = \frac{\exp(\sum_d w_{id}x_d)}{\sum_j \exp(\sum_d w_{jd}x_d)} 原因之一在于softmax设计的初衷，是希望特征对概率的影响是乘性的。 原因之二在于，多类分类问题的目标函数常常选为cross-entropy，即L = -\sum_k t…
干货！&br&&br&&br&1、文件管理：&br&包括文件夹管理和文件名管理。&br&如果你认为自己终有一天不会在同期只打理一个项目，就不要让“1111.skp”、“asdfds.dwg”成为习惯。&br&&br&2、模型内层级管理：&br&管理好你的图层、组和组件。&br&不必精致到让每个人打开你的文件都能明白你的分组意图，但起码别因此而让自己为难。好的逻辑关系在任何领域都适用。&br&我亲眼见过包含几百个无效图层的dwg，导入su后手动封面儿的时候真的是分分钟想宰了那个画图的。&br&&br&3、模型内数据管理：&br&设置好合理的公差，和网格。让你的每一次落笔都有据可循。&br&别让不该重合的内容重合，别让永远看不到的面存在，别让模型有破洞。&br&10000个人里有9998个所建的模型原点落在世界坐标的数值能一直飙到小数点后9位，而这些人都在骂破软件怎么存个文件这么大这么慢……&br&不骂街的2个人里有一个是我，希望另一个是你。&br&&br&4、合理利用autosave+手动勤存盘&br&&br&5、无休止地学习，发现有帮助的学习资料及时点赞。
干货！ 1、文件管理： 包括文件夹管理和文件名管理。 如果你认为自己终有一天不会在同期只打理一个项目，就不要让“1111.skp”、“asdfds.dwg”成为习惯。 2、模型内层级管理： 管理好你的图层、组和组件。 不必精致到让每个人打开你的文件都能明白你的分组…
SWOT分析并不过时，我在澳洲读大学，所有涉及策划与战略的作业都将SWOT作为首要的分析，它依然是所有商业管理分析中最基础的一项。正确利用这种思维逻辑，可以对外部环境与内部资源进行全面而深入的了解，但是这样一张列满所有要点的清单仅仅是第一步，接下来更重要的是从这张清单中&u&准确抓取最重要的优势和最需要解决的问题&/u&（通常只选取两三点），这两三点就是接下来&u&组织需要集中投入资源与精力的所在领域，它们直接关系到组织当下战略管理的方向并在决策中作为重要的参考依据&/u&，可见SWOT分析的地位是基础性的，也是企业需要首先完成的。&br&SWOT是一种分析的逻辑，同时其他的逻辑如最简单的C-PEST可以作为辅助。
SWOT分析并不过时，我在澳洲读大学，所有涉及策划与战略的作业都将SWOT作为首要的分析，它依然是所有商业管理分析中最基础的一项。正确利用这种思维逻辑，可以对外部环境与内部资源进行全面而深入的了解，但是这样一张列满所有要点的清单仅仅是第一步，接下…
你看一下天猫旗舰店的评论不就知道了吗？各种给老公/儿子买的，这批人本身就不懂。&br&天猫旗舰店页面打开又不会比淘宝水货店快，万代模型质量我还没碰到残缺的，水货行货根本没区别，售后？这个东西做的时候坏掉了难道还能说得清？何况正常情况根本不会坏。&br&论便捷水货店往往集成模型跟工具，何况价格优势明显。甚至就连种类上，天猫旗舰店都没有水货店的丰富。&br&&br&所以就是不懂。
你看一下天猫旗舰店的评论不就知道了吗？各种给老公/儿子买的，这批人本身就不懂。 天猫旗舰店页面打开又不会比淘宝水货店快，万代模型质量我还没碰到残缺的，水货行货根本没区别，售后？这个东西做的时候坏掉了难道还能说得清？何况正常情况根本不会坏。 …
能，在现代战争中，地面上的机动战士等同大型标靶，可以有效吸引敌方火力，不论有没有散布米诺夫斯基粒子制造“战场迷雾”。另外，既然能开发出机动战士，就一定能将其相关技术应用到射程超过100米，口径大于20毫米，可装备战斗部的各式现代武器上，而这些武器必然能对包括GUNDAM在内的符合标准概念的机动战士造成有效伤害。&br&&br&范例是OVA动画《08MS小队》中，主角带队救援当地游击队的村庄时，主角就是躲在壕沟（还是扎古在泥地留下的脚印？）内，使用步兵反坦克导弹打爆了一台扎古的胯部。之后也使用了同类武器攻击扎古长机。再增加范例的话，同为OVA动画的《独角兽》和《MS IGLOO一年战争密录》中，前者有特种部队塔克萨中校独自使用步兵导弹偷袭了进入殖民地废墟的新安洲，后者有一年战争初期联邦步兵使用反坦克导弹偷袭扎古。&br&&img src=&/fcdaae7eeaf_b.jpg& data-rawwidth=&580& data-rawheight=&326& class=&origin_image zh-lightbox-thumb& width=&580& data-original=&/fcdaae7eeaf_r.jpg&&&br&&img src=&/67d43deab827b43c282f26b06976bbef_b.jpg& data-rawwidth=&650& data-rawheight=&487& class=&origin_image zh-lightbox-thumb& width=&650& data-original=&/67d43deab827b43c282f26b06976bbef_r.jpg&&&br&官方授权的Ark Performance漫画《基连暗杀计划》中，吉翁公国首都防卫大队在叛变时将步兵有计划的部署在首都市区交通枢纽，通过反红外线迷彩帐篷遮蔽机动战士的侦测系统和驾驶员的视觉，使用步兵导弹有效的击破了一定数量的扎古。&br&&img src=&/b3f8a52e38dee2aa10e47d153375eaa6_b.jpg& data-rawwidth=&1343& data-rawheight=&972& class=&origin_image zh-lightbox-thumb& width=&1343& data-original=&/b3f8a52e38dee2aa10e47d153375eaa6_r.jpg&&连步兵都能通过廉价的步兵武器对机动战士造成有效伤害，战斗装甲车辆和飞行器只需要有对应的武器一样能对机动战士造成更大的破坏。&br&&br&另外还有性价比的问题，机动战士造价昂贵，配套装备更贵。在现实社会中，能够快速出动的武器装备首选喷气式战斗机、攻击机和轰炸机，其次是各种运输机搭载的步兵及其载具。如果你只有机动战士，在缺乏配套载具（比如米迪亚运输机(ミデアMedea) ）的情况下，机动战士根本无法从所在地快速部署到任务地区，范例是08MS小队，在队长受到高层怀疑后，该小队就是被米迪亚运输机空投到了大舅子所在的基地控制区进行敌后作战。&br&&img src=&/d04fdd55a17c6f12a71dc0d_b.jpg& data-rawwidth=&200& data-rawheight=&88& class=&content_image& width=&200&&&br&&br&在这种情况下，机动战士的作用只能局限在基地或战线的静态防御上，所谓的机动性只能在主动与被动的应战中用于躲避敌方火力与接近敌方目标。但是因为丧失了战略主动性，敌方集中优势火力专门清缴这些机动战士也是必然会出现的情况。一年战争时期，地球联邦最初的反攻敖德萨战役中，以吉姆为主力的机动战士部队满打满算也达不到100台。这个数字由于官方作品的不断补充，无法给出准确的各机型比例，泛泛来说，至少有30台陆战用先行量产型吉姆，数量不定的吉姆、钢加农、钢坦克和型号不定的几台钢弹。整体的主力依然是61式坦克、飞巾轰炸机和剑鱼战斗机。特别是飞巾轰炸机，在官方游戏《基连的野望》系列中，这就是联邦前期速攻的关键单位。在宇宙中则是铁球。&br&&br&由于机动战士的体积，其所能搭载的武器初期必然会像宇宙世纪的设定那样，以坦克炮、舰炮为主，额外会配置战斗机、攻击机或直升机使用的火箭弹、制导导弹等比较传统的武器。但基于性价比，机动战士可以用的武器必然也能配置到坦克、军舰和各式飞行器上。范例就是一年战争时期，扎古的马哲拉坦克炮、联邦系机体的61式坦克炮，以及各式飞弹。即使在后期给机动战士设计了专用的火箭炮、光束炮，考虑到机动战士本身的装甲防御力，传统载具完全可以凭借小体积和易于生产的特点，在战术层面以数量优势击破机动战士。范例就是初代钢弹的TV版动画中，一个排的吉翁巡逻队以飞行摩托接近阿姆罗驾驶的钢弹并安装定时炸弹。如果不是因为剧情限制，阿姆罗当时就死了。这个剧情后来在夏元雅人的漫画《机动战士钢弹U.C.HARD GRAPH铁之悍马》中有所补充。&br&&img src=&/778ed18a68a3f728b13b59c278c2b5c6_b.jpg& data-rawwidth=&119& data-rawheight=&160& class=&content_image& width=&119&&&br&&br&包括钢弹在内的机动战士和现代的步兵车、坦克、武装直升机和喷气式飞机相比较，虽然都因为可挂载的武器重量有限导致弹药量有限、自身可携带的推进剂容量有限导致机动范围有限，但是机动战士在实战中的通用性低于这些传统武器，而这些武器，特别是直升机和喷气机的机动性远超机动战士，更不用提制造一台机动战士的复杂度高于传统兵器了。在拥有米诺夫斯基粒子的宇宙世纪中，这个道理在每一部动画作品中都有体现。一年战争时期尚且有着近百战舰和过千机动战士的大战役，到了0096年的独角兽时期，单舰搭载机动战士的上限也不过是仅仅一艘的雷比尔将军号维持的48机。即使如此，雷比尔将军号依然保留了大量的炮台火力。如果忽略独角兽的修史，宇宙世纪的最期，V GUNDAM中的赞斯卡尔帝国为了便于在地球上的行动，初期上场的机动战士托姆利亚特就是能变成直升飞机的量产型机动战士。&img src=&/86a6c2c65aad_b.jpg& data-rawwidth=&723& data-rawheight=&487& class=&origin_image zh-lightbox-thumb& width=&723& data-original=&/86a6c2c65aad_r.jpg&&&br&&br&作为钢弹系列设定最完善并且一直在进行完善的宇宙世纪尚且如此，其他的钢弹动画就更不用提了。如果不是因为动画名字限制（除了机动武斗传G、新机动战记钢弹W和机动新世纪钢弹X之外，其他有人驾驶的钢弹系列动画，SEED、OO和阿哥那个垃圾都是以机动战士GUNDAM开头的。SD、模型战士和GB属于玩具系列，不在此列），非机动战士的传统武器早就成篇幅的教育机动战士如何做武器了。
能，在现代战争中，地面上的机动战士等同大型标靶，可以有效吸引敌方火力，不论有没有散布米诺夫斯基粒子制造“战场迷雾”。另外，既然能开发出机动战士，就一定能将其相关技术应用到射程超过100米，口径大于20毫米，可装备战斗部的各式现代武器上，而这些…
&b&这题看似直白，其实并不容易。&/b&这里的不容易是两个层面的，一是给出一种最优的策略，二是证明该策略是最优的，显然第二层“不容易”要更不容易一些。&br&&br&&b&在正式回答这个问题之前，先对原题做一些补充说明：&/b&&br&&ol&&li&暂时假设在每个楼层球破碎的概率是一致的。在没有外加信息的情况下，假设均匀的概率分布是最合理的方式（熵最大原理），但这种假设并不能被看作是先验的，我把这种假设称作“&b&均匀分布假设&/b&”。事实上，如果把这个题目看成物理问题，考虑球摔碎的力学过程的话，在每个楼层摔碎的概率就更没有理由都相等。为了简明起见，以及为了接下来突出核心问题，暂时认可“均匀分布假设”。&/li&&li&（如同题目中标注的，）最优指的是尝试次数最少。如果把最优理解为其他含义，比如“跑上跑下的总楼层数最少”，那显然会得到不同的结论。&/li&&/ol&最终得到的结果将依赖于破碎楼层的概率分布，以及对于“最优”的诠释。&br&&br&&b&再详细回答前，先给出一种（相对）最优的策略：&/b&&br&&ol&&li&第一个球在没扔碎前，按照如下楼层尝试：&b&13 25 36 47 56 65 72 79 85 90 94 97 98 99 100&/b&直到确定一个“不碎-碎”的楼层区间：比如在47层没碎，在56层碎了。&/li&&li&第二个球在第一个球确定的“不碎-碎”区间中，逐层向上尝试：比如球最终会在50层碎，那第一个球确定了（47，56]的区间，第二个球依次尝试：48 49 50，将发现球在49层没碎，在50层碎了，于是得到临界层50。&/li&&/ol&&img src=&/cdbacbec82d1_b.jpg& data-rawwidth=&560& data-rawheight=&420& class=&origin_image zh-lightbox-thumb& width=&560& data-original=&/cdbacbec82d1_r.jpg&&&br&图1：不同临界楼层时，该最优策略给出的尝试次数&br&&br&&br&&b&关于上述策略，有必要做几点解释：&/b&&br&&ol&&li&该策略给出的平均尝试次数为10.31次。（注：此处10.31为精确值；“平均”指的是对球在每一层砸碎的可能情况下的尝试次数的平均值。）&/li&&li&该策略的大致思路是显而易见的：通过第一个球确定区间，再通过第二个球逐层搜索。由于要求一定要找到临界层，所以第二个球必须采用需要逐层往上的方式，以免漏过临界层而把仅有的一个球摔碎；&br&&/li&&li&所以，这个问题的关键在于找到第一个球尝试的楼层序列，定义为&b&F&/b&&/li&&/ol&&br&&b&现在正式解答问题：&/b&&br&如上所述，该问题可以粗略的简化为寻找第一个球的尝试序列，但显然可能的序列的总数非常之多，它们构成了一个非常庞大的集合（或者空间），以至于几乎很难处理。&b&所以首先要找到处理这个问题的方法论：&/b&&br&&b&&br&1. &/b&&br&&a data-hash=&00eac16dcd24f800cc9d4& href=&///people/00eac16dcd24f800cc9d4& class=&member_mention& data-editable=&true& data-title=&@曾兴旺& data-tip=&p$b$00eac16dcd24f800cc9d4& data-hovercard=&p$b$00eac16dcd24f800cc9d4&&@曾兴旺&/a& 给出了一个重要的思路，在几乎是无数种可能的序列挑选出一组特殊的子集，然后用解析的方法求出最优化的解。该特殊的子集要求第一个球的尝试层数是等间隔的：如10 20 30 40 ......，或者6 12 18 24......等。经过一系列的分析，&a data-hash=&00eac16dcd24f800cc9d4& href=&///people/00eac16dcd24f800cc9d4& class=&member_mention& data-editable=&true& data-title=&@曾兴旺& data-tip=&p$b$00eac16dcd24f800cc9d4& data-hovercard=&p$b$00eac16dcd24f800cc9d4&&@曾兴旺&/a& 给出了在这个子集中的最优解：&br&&blockquote&10 20 30 40 50 60 70 80 90 100&/blockquote&经过计算，该策略给出的平均尝试次数为10.9，已经比较接近我在之前给出的结果了。我把这个方法称为“&b&等间隔模型&/b&”。&br&这种方法论最漂亮的地方在于&b&从一个复杂而庞大的空间选取一个子空间&/b&，用类似泛函的方法求出子集中的极值，非常类似于量子力学中的变分法，给出的结果可以视作最优策略（即“基态”）的&b&上界&/b&。&br&但这个方法也有明显的问题，即选取的某个子空间很有可能不包括真正的最优解。换句话说，对等间隔模型而言，真正的最优解的序列是否是等间隔的，并不是一件显然的事情，它很有可能（也的确）是错的。&br&&img src=&/4b3c05f28bfaee7905bc79d_b.jpg& data-rawwidth=&560& data-rawheight=&420& class=&origin_image zh-lightbox-thumb& width=&560& data-original=&/4b3c05f28bfaee7905bc79d_r.jpg&&图2：不同临界楼层时，等间隔模型给出的尝试次数&br&&br&&b&2.&/b&&br&第二类方法是一种非常“不靠谱”的做法，就是“&b&猜&/b&”。当然这里的猜并不是胡猜，它依据一定的逻辑推理。&br&从分析上述“等间隔模型”的问题开始，将指引我们去“猜”出某种最优的解。对于等间隔模型给出的最优策略，如果真正的临界楼层比较低的时候，这种策略的效率较高，比如：临界楼层是5层，仅尝试一次就可以将区间确定在9层之内；但当临界楼层比较高的时候，比如95层，那么按照该策略，需要从10 20 30开始一直尝试到100层，（共10次），才能将区间确定在9层之内。换句话说，此时，多用了9次尝试才得到了和低楼层时一样的区间，这显然是相对低效的。&br&通过如上分析，我们可以得知关于最优策略的一些信息：即&b&序列F的间隔应该递减&/b&。这样对于较高的临界楼层的情况，虽然第一个球尝试的次数不可避免的会比较多，但已经将楼层限定在了一个比较小区间内，这样将减少第二个球的尝试次数。&br&可以随手写出一个符合这种条件的序列F，比如：&br&&blockquote&14 27 39 50 60 69 77 84 90 95 99 100&/blockquote&（除了最后一个间隔，）该序列的间隔依次比上一个间隔小1，第一个数取14（或者13），可以大致保证间隔依次减小到1时刚好到100。此时的&b&平均尝试次数为10.39&/b&。&br&再比如：&br&&blockquote&12 22 34 45 55 64 72 79 85 90 94 97 99 100&/blockquote&（除了第一个间隔，）该序列的间隔依次比上一个间隔小1，且刚好停在100。此时的&b&平均尝试次数为10.35&/b&。&br&可以看到这两个序列都给出了比等间隔模型更好的结果，并且很接近我给出的最终结果，表明上述分析是相当合理的。&br&&br&&b&3.&/b&&br&还可以有其他的方法，比如穷举法，写出所有100以内递增的序列，但显然实在太多了。&br&还有类似共轭梯度法等传统的最优化方法，虽然可以写出一个矢量（即序列F）&br&&blockquote&F(1) F(2) F(3) ......F(100)&/blockquote&该序列可以有重复的数，比如F(20)=F(21)=......=F(100)=100，同时要求单调递增的约束条件。但即便如此，似乎也有一种无从下手的感觉。&br&这正是这个题目有意思的地方，因为很难找到一种特别合适的方法来处理它。&br&&br&&b&4.&/b&&br&所以只能另辟蹊径。需要找到一种方法，它应该要能自适应的依据优化的要求，在庞大的参数空间中逐渐搜索到最优解。最终我使用了&b&遗传算法&/b&（的思路）&br&（注：本人非计算机专业出身，对于遗传算法更是知之甚少，只是在梅拉妮·米歇尔的《复杂》一书中看到了遗传算法，对其强大的功能以及别样的思路印象很深。之前也没有自己写过相关的算法，就这这个有意思的题目，按照遗传算法的思路，写了一小段程序，势必不入方家之眼，还希望得到专业人士的指点。）&br&非常简单地重复一下我的算法的思路：&br&&blockquote&&ol&&li&生成一系列随机的序列，这些序列都符合递增到100的要求；&/li&&li&计算每个序列的平均尝试次数，找到最好的两个序列；&/li&&li&让这两个序列“杂交”生成子代，即子代序列中每一位数都有50%的几率沿袭“父”或“母”序列中相应位数的数值；&/li&&li&子代序列中每一位数有30%的几率发生变异，即数字增加或减少1；&/li&&li&对子序列重复步骤2；&/li&&li&直到最终收敛在一种（一组）最优的策略上。&/li&&/ol&&/blockquote&&br&&b&5.&/b&&br&遗传算法的结果是很不错的，大约在几百代就可以给出最优解，对应的平均尝试次数是10.31次。由于遗传的随机性，每次给出的最优结果的策略都略有不同，比如：&br&&blockquote&13 25 36 46 56 64 72 79 85 90 94 96 98 99 100&br&&/blockquote&或者&br&&blockquote&14 27 38 48 57 66 73 79 85 90 93 96 98 99 100&/blockquote&等序列能给出同样的平均尝试次数。&br&这一系列的最优策略的共同点就是是都有着递减的间隔，以及初始的尝试楼层都是13或者14，与前文的猜想给出的定性考虑一致。&br&补充两点：&br&&ul&&li&我将程序运了一晚上，遗传了&img src=&///equation?tex=10%5E%7B5%7D+& alt=&10^{5} & eeimg=&1&&代，并没有得到更好的结果；&/li&&li&另外，遗传算法不是证明，我们没法通过遗传算法得知这究竟是不是最优的解。&/li&&/ul&&br&&b&6.&/b&&br&我没法保证我的算法是最好的，甚至不能保证该算法是正确的，这种算法甚至有可能在原则上错过真正最优的策略。又或者有某种非常直接的做法，可以给出最优的解；又或者有某种非常巧妙的做法，可以证明某个解是最优的；又或者还有着更好的答案——&b&这些我都不知道&/b&。&br&&br&&br&附：matlab代码&br&1. 根据序列F计算各临界楼层的尝试次数的程序：&br&&div class=&highlight&&&pre&&code class=&language-matlab&&&span class=&k&&function&/span&&span class=&w&& &/span&T&span class=&p&&=&/span&&span class=&nf&&zhihu_floor_result&/span&&span class=&p&&(&/span&F,N&span class=&p&&)&/span&&span class=&w&&&/span&
&span class=&c&&% return try time T for all possible crashing floor&/span&
&span class=&c&&% F is sequence of testing floor number&/span&
&span class=&c&&% N is total floor number&/span&
&span class=&n&&F&/span&&span class=&p&&=[&/span&&span class=&mi&&0&/span& &span class=&n&&F&/span&&span class=&p&&];&/span&
&span class=&n&&T&/span&&span class=&p&&=&/span&&span class=&nb&&zeros&/span&&span class=&p&&(&/span&&span class=&mi&&1&/span&&span class=&p&&,&/span&&span class=&n&&N&/span&&span class=&p&&);&/span&
&span class=&k&&for&/span& &span class=&n&&ii&/span&&span class=&p&&=&/span&&span class=&mi&&1&/span&&span class=&p&&:&/span&&span class=&n&&N&/span&
&span class=&n&&t1&/span&&span class=&p&&=&/span&&span class=&nb&&find&/span&&span class=&p&&(&/span&&span class=&n&&F&/span&&span class=&o&&&&/span&&span class=&n&&ii&/span&&span class=&p&&,&/span&&span class=&mi&&1&/span&&span class=&p&&,&/span&&span class=&s&&'last'&/span&&span class=&p&&);&/span&
&span class=&n&&t2&/span&&span class=&p&&=&/span&&span class=&n&&ii&/span&&span class=&o&&-&/span&&span class=&n&&F&/span&&span class=&p&&(&/span&&span class=&n&&t1&/span&&span class=&p&&);&/span&
&span class=&n&&T&/span&&span class=&p&&(&/span&&span class=&n&&ii&/span&&span class=&p&&)=&/span&&span class=&n&&t1&/span&&span class=&o&&+&/span&&span class=&n&&t2&/span&&span class=&o&&-&/span&&span class=&p&&(&/span&&span class=&n&&ii&/span&&span class=&o&&==&/span&&span class=&n&&F&/span&&span class=&p&&(&/span&&span class=&n&&t1&/span&&span class=&o&&+&/span&&span class=&mi&&1&/span&&span class=&p&&));&/span&
&span class=&k&&end&/span&
&span class=&k&&end&/span&
&/code&&/pre&&/div&&br&2.遗传算法：&br&未免有误，贻笑大方，暂时不贴出来。
这题看似直白，其实并不容易。这里的不容易是两个层面的，一是给出一种最优的策略，二是证明该策略是最优的，显然第二层“不容易”要更不容易一些。 在正式回答这个问题之前，先对原题做一些补充说明： 暂时假设在每个楼层球破碎的概率是一致的。在没有外加…
对于这个题我一定要答，谁也别拦我。说到建模思路或者思维，真的非常重要，软件的功能键就那些，如何才能让这些功能键组合起来更有效，确实是一个值得思考的问题，别的我也不说了，高大上的作品（自认为是）也就不发了，这里我就剖析一下题主举例的这个题目。&/p&&p&
说这个题目要用十几步确实不敢苟同在下面是我做的，我使用的都是最简单的、最常用的拉伸就搞定了（俗话说精通各种软件拉伸旋转），并且只有四步&/p&&img src=&/115ecdaed09b61fe2c4a559db77d8785_b.jpg& data-rawheight=&309& data-rawwidth=&437& class=&origin_image zh-lightbox-thumb& width=&437& data-original=&/115ecdaed09b61fe2c4a559db77d8785_r.jpg&&&img src=&/9fea9e5bc63efa_b.jpg& data-rawheight=&368& data-rawwidth=&665& class=&origin_image zh-lightbox-thumb& width=&665& data-original=&/9fea9e5bc63efa_r.jpg&&
对于这个题我一定要答，谁也别拦我。说到建模思路或者思维，真的非常重要，软件的功能键就那些，如何才能让这些功能键组合起来更有效，确实是一个值得思考的问题，别的我也不说了，高大上的作品（自认为是）也就不发了，这里我就剖析一下题主举例的这个题目…
相比赛车设计，我更好奇星马兄弟等人的腿部和肺部设计，是如何长时间与“时速已经达到60公里”的四驱车并驾齐驱还有功夫唠嗑的
相比赛车设计，我更好奇星马兄弟等人的腿部和肺部设计，是如何长时间与“时速已经达到60公里”的四驱车并驾齐驱还有功夫唠嗑的
在我们学校，参加美赛的大多数同学都参加过国赛，有一定的基础了。如果你没有基础，建议先把姜启源的&a href=&///?target=http%3A//.cn/soft/down-134171.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《数学模型 第四版 姜启源》┊姜启源 谢金星 叶俊[.PDF]&i class=&icon-external&&&/i&&/a&韩中庚的&a href=&///?target=http%3A///.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《数学建模方法及其应用（第2版）》(韩中庚)【摘要 书评 试读】&i class=&icon-external&&&/i&&/a&熟悉了，如果你是编程的，建议看一看赵静的&a href=&///?target=http%3A//www.youlu.net/389457& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《数学建模与数学实验(第3版)》赵静 但琦&i class=&icon-external&&&/i&&/a&。&br&&br&对于有基础的同学，如果是负责编程的，建议在每一类问题下有一个熟悉的算法；一方面这样做可以减少学习量，另一方面同一类问题的不同算法往往有类似之处，也方便现场学习。而图论算法、预测类算法和模拟退火算法是我认为比较重要的也是很常用的算法，建议熟悉。&br&&br&最后推荐《算法大全》和&a href=&///?target=http%3A///s/ref%3Dnb_ss%3Fie%3DUTF8%26keywords%3D%25E7%25BE%258E%25E5%259B%25BD%25E5%25A4%25A7%25E5%25AD%25A6%25E7%E6%%25E5%25AD%25A6%25E5%25BB%25BA%25E6%25A8%25A1%25E7%25AB%259E%25E8%25B5%259B%25E9%25A2%%25A7%25A3%25E6%259E%%25B8%258E%25E7%25A0%%25A9%25B6%26tag%3Dbaidhydrcn-23%26index%3Daps%26hvadid%3D%26hvdev%3Dc%26ref%3Dpd_sl_7915tdgc7a_p& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&美国大学生数学建模竞赛题解析与研究&i class=&icon-external&&&/i&&/a&系列图书，实测都是很不错的。&br&&br&望满意。
在我们学校，参加美赛的大多数同学都参加过国赛，有一定的基础了。如果你没有基础，建议先把姜启源的韩中庚的熟悉了，如果你是编程的，…
知乎上关注CG的问题和精华答案真的很少，我猜大概是这行的牛人都不在这里讨论问题吧！&br&想了解这方面知识还得去cg论坛逛逛。&br&给你几个我经常逛的CG网站吧！&br&&br&&img src=&/b53dfe96a02f038ceebb97c_b.jpg& data-rawwidth=&558& data-rawheight=&420& class=&origin_image zh-lightbox-thumb& width=&558& data-original=&/b53dfe96a02f038ceebb97c_r.jpg&&&img src=&/d11cedc906e574ddd12b557_b.jpg& data-rawwidth=&479& data-rawheight=&69& class=&origin_image zh-lightbox-thumb& width=&479& data-original=&/d11cedc906e574ddd12b557_r.jpg&&&br&&br&至于布线嘛， 其实你可以到论坛里下个比较好的模型，看看别人模型是怎么布线的，你自己在去动手做个。
知乎上关注CG的问题和精华答案真的很少，我猜大概是这行的牛人都不在这里讨论问题吧！ 想了解这方面知识还得去cg论坛逛逛。 给你几个我经常逛的CG网站吧！ 至于布线嘛， 其实你可以到论坛里下个比较好的模型，看看别人模型是怎么布线的，你自己在去动手做个。
国赛？看懂题会写文章基本就成功大半了，会折腾折腾摘要就很稳妥了。&br&&br&国赛一直有个非常不好的传统，那就是存在标准答案。正因为有标准答案这样的存在，题目基本上都很缺乏可以分析的层次，都是一堆有十分明显的最优化模型和算法的问题，也就看看有没有这份见识，队伍里找个搞过ACM能拿regional银的或者搞过OI还在继续搞ACM的可以做到在方法上万全，剩下的基本靠脑洞和忽悠，也就是所谓的模型拓展以及摘要来战个痛，可谓完全没有建设性……&br&&br&我永远无法忘记09年参加cumcm看到那个破题A然后琢磨了一整天终于确定这个扯淡的题丢个闭环反馈上去然后凑几个常见的评价方法然后凑篇文章时那种恶心的心情。关键那篇破文章还拿了个一等奖，简直毫无意义……&br&&br&----------&br&&br&我的经历？MCM三次MW，CUMCM两次一等，研究生数模一等，ACM Regional金牌，腆着脸去了趟Final拿了个排名。
国赛？看懂题会写文章基本就成功大半了，会折腾折腾摘要就很稳妥了。 国赛一直有个非常不好的传统，那就是存在标准答案。正因为有标准答案这样的存在，题目基本上都很缺乏可以分析的层次，都是一堆有十分明显的最优化模型和算法的问题，也就看看有没有这份…
由于题主是做通信的，所以我从Shannon theory的角度总结一下判断函数convexity/concavity的几个基本技巧.&br&技巧1(perspective function): 若&img src=&///equation?tex=x%5Crightarrow+f%28x%29& alt=&x\rightarrow f(x)& eeimg=&1&&是convex/concave, 则&img src=&///equation?tex=%28x%2Ct%29%5Crightarrow+t+f%28x%2Ft%29& alt=&(x,t)\rightarrow t f(x/t)& eeimg=&1&&在&img src=&///equation?tex=t%3E0& alt=&t&0& eeimg=&1&&上是convex/concave的。&br&例1: entropy&img src=&///equation?tex=p%28x%29%5Crightarrow+H%28X%29& alt=&p(x)\rightarrow H(X)& eeimg=&1&& 是concave的.&br&证明: 因为&img src=&///equation?tex=%5Clog%28x%29& alt=&\log(x)& eeimg=&1&&是concave的，&img src=&///equation?tex=%281%2Ct%29%5Crightarrow+t+%5Clog%28%5Cfrac%7B1%7D%7Bt%7D%29& alt=&(1,t)\rightarrow t \log(\frac{1}{t})& eeimg=&1&&是concave的. 又因为 &img src=&///equation?tex=H%28X%29%3D%5Cint+p%28x%29+%5Clog+%5Cfrac%7B1%7D%7Bp%28x%29%7Ddx+& alt=&H(X)=\int p(x) \log \frac{1}{p(x)}dx & eeimg=&1&&, 所以关于&img src=&///equation?tex=p%28x%29& alt=&p(x)& eeimg=&1&&是concave的.&br&&br&技巧2: 复合函数的convexity/concavity, 具体参考Boyd的convex optimization第三章.&br&例2:固定&img src=&///equation?tex=p%28y%7Cx%29& alt=&p(y|x)& eeimg=&1&&, mutual information &img src=&///equation?tex=p%28x%29%5Crightarrow+I%28X%3BY%29& alt=&p(x)\rightarrow I(X;Y)& eeimg=&1&&是concave的.&br&证明: &img src=&///equation?tex=I%28X%3BY%29%3DH%28Y%29-H%28Y%7CX%29%3DH%28Y%29-%5Cint+p%28x%29H%28Y%7CX%3Dx%29dx& alt=&I(X;Y)=H(Y)-H(Y|X)=H(Y)-\int p(x)H(Y|X=x)dx& eeimg=&1&&&br&由于&img src=&///equation?tex=P%28y%7Cx%29& alt=&P(y|x)& eeimg=&1&&固定，&img src=&///equation?tex=H%28Y%7CX%3Dx%29& alt=&H(Y|X=x)& eeimg=&1&&固定，因此&img src=&///equation?tex=%5Cint+p%28x%29H%28Y%7CX%3Dx%29dx& alt=&\int p(x)H(Y|X=x)dx& eeimg=&1&&是&img src=&///equation?tex=p%28x%29& alt=&p(x)& eeimg=&1&&的线性函数。对于第一项&img src=&///equation?tex=H%28Y%29& alt=&H(Y)& eeimg=&1&&, 由例1可知它是&img src=&///equation?tex=p%28y%29& alt=&p(y)& eeimg=&1&&的concave function，同时由于&img src=&///equation?tex=p%28y%7Cx%29& alt=&p(y|x)& eeimg=&1&&固定, &img src=&///equation?tex=p%28y%29%3D%5Cint+p%28y%7Cx%29p%28x%29dx& alt=&p(y)=\int p(y|x)p(x)dx& eeimg=&1&&是&img src=&///equation?tex=p%28x%29& alt=&p(x)& eeimg=&1&&的线性函数. 由复合函数的规则可知&img src=&///equation?tex=H%28Y%29& alt=&H(Y)& eeimg=&1&&关于&img src=&///equation?tex=p%28x%29& alt=&p(x)& eeimg=&1&&是concave的。最后concave减去linear还是concave，证明完成.&br&&br&技巧3: 定义+引入辅助随机变量.&br&例3: 固定&img src=&///equation?tex=p%28y%7Cx%29& alt=&p(y|x)& eeimg=&1&&, mutual information &img src=&///equation?tex=p%28x%29%5Crightarrow+I%28X%3BY%29& alt=&p(x)\rightarrow I(X;Y)& eeimg=&1&&是concave的.&br&证明: 首先引入一个随机变量&img src=&///equation?tex=%5Ctheta& alt=&\theta& eeimg=&1&&服从二项分布，即&img src=&///equation?tex=P%28%5Ctheta%3D1%29%3D%5Clambda%2C+P%28%5Ctheta%3D0%29%3D1-%5Clambda.& alt=&P(\theta=1)=\lambda, P(\theta=0)=1-\lambda.& eeimg=&1&& 记&img src=&///equation?tex=p%28x%7C%5Ctheta%3D1%29%3Dp_1%28x%29%2C+p%28x%7C%5Ctheta%3D0%29%3Dp_2%28x%29& alt=&p(x|\theta=1)=p_1(x), p(x|\theta=0)=p_2(x)& eeimg=&1&&, 那么&img src=&///equation?tex=p%28x%29%3D%5Clambda+p_1%28x%29%2B%281-%5Clambda%29+p_2%28x%29& alt=&p(x)=\lambda p_1(x)+(1-\lambda) p_2(x)& eeimg=&1&&. 同时&img src=&///equation?tex=%5Ctheta%5Crightarrow+X%5Crightarrow+Y& alt=&\theta\rightarrow X\rightarrow Y& eeimg=&1&&满足Markov Chain. 因此&img src=&///equation?tex=I%28X%3BY%29%3DI%28X%2C%5Ctheta%3BY%29%3DI%28%5Ctheta%3BY%29%2BI%28X%3BY%7C%5Ctheta%29%5Cgeq+I%28X%3BY%7C%5Ctheta%29& alt=&I(X;Y)=I(X,\Y)=I(\Y)+I(X;Y|\theta)\geq I(X;Y|\theta)& eeimg=&1&&.
注意到&img src=&///equation?tex=I%28X%3BY%7C%5Ctheta%29%3D%5Clambda+I%28X%3BY%7C%5Ctheta%3D1%29%2B%281-%5Clambda%29I%28X%3BY%7C%5Ctheta%3D0%29& alt=&I(X;Y|\theta)=\lambda I(X;Y|\theta=1)+(1-\lambda)I(X;Y|\theta=0)& eeimg=&1&&, 证明完成。&br&&br&技巧4 (降维): &img src=&///equation?tex=f%28x%29& alt=&f(x)& eeimg=&1&&是convex/concave的充要条件为对于任意的&img src=&///equation?tex=x%5Cin+dom+f& alt=&x\in dom f& eeimg=&1&&和&img src=&///equation?tex=v& alt=&v& eeimg=&1&&,&img src=&///equation?tex=g%28t%29%3Df%28x%2Bt%5Ccdot+v%29& alt=&g(t)=f(x+t\cdot v)& eeimg=&1&&是convex/concave的 (t为一个标量，并且&img src=&///equation?tex=x%2Bt%5Ccdot+v+%5Cin+dom+f& alt=&x+t\cdot v \in dom f& eeimg=&1&&) &br&例4: &img src=&///equation?tex=%5Clog%5Cdet%28X%29& alt=&\log\det(X)& eeimg=&1&&在正定矩阵的集合上是concave的.&br&证明: &br&&img src=&///equation?tex=%5Cbegin%7Balign%7D%0Ag%28t%29%26%3D%5Clog%5Cdet%28X%2Bt%5Ccdot+V%29%5C%5C%0A%26%3D%5Clog%5Cdet%5Cbig%28X%5E%5Cfrac%7B1%7D%7B2%7D%28I%2Bt+%5Ccdot+X%5E%7B-%5Cfrac%7B1%7D%7B2%7D%7DVX%5E%7B-%5Cfrac%7B1%7D%7B2%7D%7D%29+X%5E%5Cfrac%7B1%7D%7B2%7D%5Cbig%29%5C%5C%0A%26%3D%5Clog%5Cdet%28X%29%2B%5Clog%5Cdet%28I%2Bt+%5Ccdot+X%5E%7B-%5Cfrac%7B1%7D%7B2%7D%7DVX%5E%7B-%5Cfrac%7B1%7D%7B2%7D%7D%29%0A%5Cend%7Balign%7D& alt=&\begin{align}
g(t)&=\log\det(X+t\cdot V)\\
&=\log\det\big(X^\frac{1}{2}(I+t \cdot X^{-\frac{1}{2}}VX^{-\frac{1}{2}}) X^\frac{1}{2}\big)\\
&=\log\det(X)+\log\det(I+t \cdot X^{-\frac{1}{2}}VX^{-\frac{1}{2}})
\end{align}& eeimg=&1&&&br&对&img src=&///equation?tex=X%5E%7B-%5Cfrac%7B1%7D%7B2%7D%7DVX%5E%7B-%5Cfrac%7B1%7D%7B2%7D%7D& alt=&X^{-\frac{1}{2}}VX^{-\frac{1}{2}}& eeimg=&1&&做eigen-decomposition:&img src=&///equation?tex=X%5E%7B-%5Cfrac%7B1%7D%7B2%7D%7DVX%5E%7B-%5Cfrac%7B1%7D%7B2%7D%7D%3DU%5CSigma+U%5E%5Cdagger& alt=&X^{-\frac{1}{2}}VX^{-\frac{1}{2}}=U\Sigma U^\dagger& eeimg=&1&&, 则&br&&img src=&///equation?tex=%5Clog%5Cdet%28I%2Bt+%5Ccdot+X%5E%7B-%5Cfrac%7B1%7D%7B2%7D%7DVX%5E%7B-%5Cfrac%7B1%7D%7B2%7D%7D%29%3D%5Csum_i+%5Clog%281%2Bt%5Ccdot+%5CSigma_%7Bii%7D%29& alt=&\log\det(I+t \cdot X^{-\frac{1}{2}}VX^{-\frac{1}{2}})=\sum_i \log(1+t\cdot \Sigma_{ii})& eeimg=&1&&&br&因此&img src=&///equation?tex=g%28t%29& alt=&g(t)& eeimg=&1&&是concave的。从而得到&img src=&///equation?tex=%5Clog%5Cdet%28X%29& alt=&\log\det(X)& eeimg=&1&&是concave的. 证明完成.&br&&br&技巧5(convex conjugate): 这个简单来说就是给出函数的variational representation. 此技巧一般用来证明不等式或者设计新算法，不过也可以用来判断凹凸性. &br&1.&img src=&///equation?tex=%5Clog%28%5Calpha%29%3D%5Cinf_%7B%5Cbeta%5Cin+R%7D+e%5E%7B-%5Cbeta-1%7D%5Calpha%2B%5Cbeta& alt=&\log(\alpha)=\inf_{\beta\in R} e^{-\beta-1}\alpha+\beta& eeimg=&1&& (pointwise infimum of linear functions is concave). &br&2.&img src=&///equation?tex=e%5E%7B-%5Calpha%7D%3D%5Cinf_%7B%5Cbeta%3E0%7D+-%5Cbeta%5B%5Calpha%2B%5Clog%28%5Cbeta%29-1%5D& alt=&e^{-\alpha}=\inf_{\beta&0} -\beta[\alpha+\log(\beta)-1]& eeimg=&1&&. &br&3. &img src=&///equation?tex=%5Clog%5Csum_i+e%5E%7Bx_i%7D%3D%5Csup_%7By%5Csucceq+0%2C+1%5ETy%3D1%7D+x%5ETy-%5Csum_iy_i+%5Clog+y_i& alt=&\log\sum_i e^{x_i}=\sup_{y\succeq 0, 1^Ty=1} x^Ty-\sum_iy_i \log y_i& eeimg=&1&&&br&4. Donsker-Varadhan variational representation: &img src=&///equation?tex=D%28P%7C%7CQ%29%3D%5Csup_g+E_P+%28g%28X%29%29-log+E_Q%5Be%5E%7Bf%28X%29%7D%5D& alt=&D(P||Q)=\sup_g E_P (g(X))-log E_Q[e^{f(X)}]& eeimg=&1&&, 其中D是Kullback-Leibler divergence
由于题主是做通信的，所以我从Shannon theory的角度总结一下判断函数convexity/concavity的几个基本技巧. 技巧1(perspective function): 若x\rightarrow f(x)是convex/concave, 则(x,t)\rightarrow t f(x/t)在t&0上是convex/concave的。 例1: entropyp(x)\r…
虽然我没怎么买过菜，但是我觉得有人去菜市场的时候，有人是奔着要吃的去的，有人仅仅是去逛一圈看到啥就买点去的。这都没什么，只不过一旦要开始买的时候，你总要想想自己手里有多少银子，你总要想想自己手里的银子能不能支付得起。而同样，没有一个卖菜的希望把东西便宜卖给你。有时候，你看中了它也有其他人看中它，人家如果觉得你就想买，会要价更高。有时候，你真的要失去它的时候，反而有人会挽留你。很多时候兜了一圈可能买到了，也可能空手而归，可能是相互满意，也可能是相互鄙夷。&br&&br&买菜如此，对于比这复杂一万倍一亿倍甚至于可能需要一生去追逐的情感，我更相信最原始的热情，因为它够捉摸不定，所以够迷人。对于一个一生都在以程序步骤规范工作的人，我极其讨厌固定的方法，想干啥就干，成败又如何，如果只需要一个，效率又如何，又不是集邮。做事当然有规律，但是我仍然选择&b&在见到她的时候像一个忘掉了一切像看到了自己喜欢吃的糖的孩子&/b&。
虽然我没怎么买过菜，但是我觉得有人去菜市场的时候，有人是奔着要吃的去的，有人仅仅是去逛一圈看到啥就买点去的。这都没什么，只不过一旦要开始买的时候，你总要想想自己手里有多少银子，你总要想想自己手里的银子能不能支付得起。而同样，没有一个卖菜的…
军用：你们这些造玩具的渣渣，尤其是你们大疆&br&传统民用：你们这些造玩具的渣渣，尤其是你们大疆&br&零度等：他们大疆才是造玩具的渣渣&br&3dr：虽然我们是造玩具的，但是我们比大疆开放！开放！&br&AR drone：我们才是造玩具的好吗！&br&&br&众模友：航模是航模，不是大疆造的玩具！ 知乎网友：问的无人机怎么都答四旋翼了，全被大疆带坑里去了！ 没轴的：有轴的都是玩具！ 一个轴的：四个轴的都是玩具！&br&--来自@水无痕&br&dji：你们这些数学学的不好的家伙，吃我matrice&br&&br&&br&然后大家一起鄙视亿航
军用：你们这些造玩具的渣渣，尤其是你们大疆 传统民用：你们这些造玩具的渣渣，尤其是你们大疆 零度等：他们大疆才是造玩具的渣渣 3dr：虽然我们是造玩具的，但是我们比大疆开放！开放！ AR drone：我们才是造玩具的好吗！ 众模友：航模是航模，不是大疆造…
&b&一张图说明。&/b&&br&&br&&img src=&/6d8190fdee0edcc589f6de8_b.jpg& data-rawwidth=&600& data-rawheight=&411& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&/6d8190fdee0edcc589f6de8_r.jpg&&&br&&br&嘛，大体都是这么一回事了。（请自动脑补日语。）&br&斜率或者边长或者角度的微小差别什么的。&br&&br&&u&=====================================================&/u&&br&&br&附上清晰图。&br&&br&&img src=&/3a3bad61_b.jpg& data-rawwidth=&564& data-rawheight=&427& class=&origin_image zh-lightbox-thumb& width=&564& data-original=&/3a3bad61_r.jpg&&
一张图说明。 嘛，大体都是这么一回事了。（请自动脑补日语。） 斜率或者边长或者角度的微小差别什么的。 ===================================================== 附上清晰图。
Pepakura Design很好用，但是这个模型是用123D Make做出来的。&br&&br&同样也是用到mesh模型，向123D Make里导入obj格式的模型即可，然后有一串制作模式给你选择（图来自本人）：&br&&img src=&/7ad9ba0eb6b503acdca161_b.png& data-rawwidth=&1920& data-rawheight=&1080& class=&origin_image zh-lightbox-thumb& width=&1920& data-original=&/7ad9ba0eb6b503acdca161_r.png&&这个就是来自它的Folding Panel选项，图中的模型被转化成了三角形可以折叠出来的结构。&br&&br&左侧的导航栏里还可以更改你使用纸张的大小，希望模型的分型做到多细，例如：&br&&img src=&/a6dfebcd756cdf2f659aa250b92f9f71_b.png& data-rawwidth=&1920& data-rawheight=&1080& class=&origin_image zh-lightbox-thumb& width=&1920& data-original=&/a6dfebcd756cdf2f659aa250b92f9f71_r.png&&这里我更改了Vertices的数量，折叠的panel就变多了，模型的细节也更突出。&br&&br&123D Make最方便的一点在于它立刻就可以得到你的unfold之后的总平，而且还尽量适合的帮你根据选定的纸张排好了版，只要选择Get Plans即可获得：&br&&img src=&/66b5eae573b80ac0796420_b.png& data-rawwidth=&1920& data-rawheight=&1080& class=&origin_image zh-lightbox-thumb& width=&1920& data-original=&/66b5eae573b80ac0796420_r.png&&可以导出成eps、dxf和pdf模式，很方便在各个设计软件里打开，方便作为Laser Cut文件的编辑。&br&&br&Folding Panel只是123D Make的一个方式，还有一个常用方式是Stacking Slices就是层层叠，很方便做地形的时候用。总之做概念模型用这个软件生成还是很方便的，问题就是不是很稳定，而且有时候模型内部会自相干涉黏不上，大部分时间还是很靠谱的！
Pepakura Design很好用，但是这个模型是用123D Make做出来的。 同样也是用到mesh模型，向123D Make里导入obj格式的模型即可，然后有一串制作模式给你选择（图来自本人）： 这个就是来自它的Folding Panel选项，图中的模型被转化成了三角形可以折叠出来的结…
国赛过去一个月了，国奖答辩也过了，该来扯点淡了。 首先，当我拿到题目的时候是一阵欣喜的好么！！！因为我无比喜欢互联网喜欢大数据！但是仔细看了看题目我的内心是崩溃的！因为我再也没见过如此厚颜无耻的国赛题竟然一个附件都没有，一个数字都没给！！！心想这是美赛么？好像还是国赛吧？有标准答案的哦！&br&&br&于是，于是，于是就开始找数据，然而有关出租车的数据什么都没有！公开的！全都没有！！！偶然间有人发给我一个网址，问，你能用爬虫把这个里面的数据爬出来么？这就是滴滴的苍穹平台，所以花了一中午来爬虫，下午就是在用正则表达处理原始数据，导入matlab导入rgui，还有clemetine。数据的问题解决了，第一问用主成分分析，终于在第二天上午搞定。第二问用百度指数和政策变化的相关性检验，第三问，，，第三问不得不吐槽，第三问就是扯淡的，几乎没写代码，苦思冥想了一天半，最后在一张报纸上看到了一句话，交通拥堵造成司机出车率下降，打车就更难，于是整个人眼前一亮，建立了一个出租车出车率与打车难指标的模型，这时已经是第三天晚上了，接下来就是熬夜画图，画了五十多张图，以至于之后几天看见图就想吐，帮助写作的完成论文，然后早上六点开始纠错，八点成功提交。&br&&br&&br&&br&回顾整个国赛，虽然这题着实坑爹，但还是收获颇多，之前很少写爬虫程序，所以调了很久程序也一直有bug，浪费了很多时间，和程序员配合还有很多不默契，造成出结果很慢。但总体感觉还是比较满意的，尽力就好嘛
最后还是美赛加油，大三了最后一次建模比赛喽&br&&br&--------------------------------------------------------------------------&br&现在还有人能看到这个答案好兴奋啊 去年做了出租车相关的数模题，现在已经在滴滴打车实习解决实际的类似问题了，时间飞逝呀
国赛过去一个月了，国奖答辩也过了，该来扯点淡了。 首先，当我拿到题目的时候是一阵欣喜的好么！！！因为我无比喜欢互联网喜欢大数据！但是仔细看了看题目我的内心是崩溃的！因为我再也没见过如此厚颜无耻的国赛题竟然一个附件都没有，一个数字都没给！！…
已有帐号？
无法登录？
社交帐号登录}