算法的分类——高级与不高级

在我心里Paxos是个高级算法，作者自己定义了问题核心，设计了算法，证明了算法，并且
威力强大。也许更多的是我觉得Paxos的作者强大。计算机中要调换两个值而用到第三个容
器的方法就不高级，只不过是受制于物理限制产生的方法。

问题建模、统计方法和算法

Modeling结果越纯粹结果越好，越容易使用对算法。Modling的中心在要解决的问题，问题问得越单纯越好，因为杂糅被去掉，形式化的算法对留下的核心更具适用可能性。同时越单纯的问题，更具有一般性能带来更多启示。标准正态分布的发现过程就是一个绝佳例子，将问题的核心严格纯粹的保留下来，导致广泛地用途。对不同问题既可以用成熟模型和算法，也可以观察探索。数理统计方法和算法之间的法是怎样不同的？(答：可以用算法实现一种数理统计方法)

算法实现和本文重点

可以用计算机实现算法，也可以在现实中用算法调换两个液体瓶子中装的内容。还有我不知道方式。
不过，本文重点在探讨一些算法为什么可以这么做，可以在什么地方做。
主要内容分为三块：问题描述、算法定理描述、数据结构描述。
--------------------------------------------------------------------------------------------------------------------------------------------------------
问题描述Problem Description：

Dijkstra算法——单源最短路径问题：
\[\begin{cases} &给定赋权图G=(V,E)和特定顶点s,通过每条边(v_i,v_j)的代价是c_{i,j},则路径v_1v_2 \cdots v_N的无权路径长N-1,\\&有权路径长\sum_{i=1}^{N}c_{i,j},求s到G中其他任何一点的最短赋权路径。\\ \end{cases}\]
标号算法
Prim算法：
Kruskal算法：
贪婪算法：
分治算法：
动态规划：
随机化算法：
回溯算法：
蒙特卡洛方法：统计试验、求解问题。
EM算法：
KNN法：
k平均聚类：
k近邻算法：
AP聚类算法：
人工神经网络：感知机、Hopfild网络、Boltzman机、自适应共振理论、反向传播网络(批量梯度下降求解神经网络)
贝叶斯聚类：
决策树：
生存模式：
回归：线性就是乘法增长；相加是等可能增长。
树回归：
支持向量机：
向量空间模型：
牛顿法：
共轭梯度算法：
模拟退火算法：
黎曼高斯牛顿方法：
拉格朗日方法：
Wand算法：
Kuhn Munkres算法:
Paxos算法：
最小二乘法：对线性问题。
禁忌搜索：tabu search
遗传算法：
蚁群算法：

算法&定理描述Algorithm Description：

Dijkstra算法

Prim算法：
Kruskal算法：
贪婪算法：
分治算法：
动态规划：
随机化算法：
回溯算法：
蒙特卡洛方法：统计试验、求解问题。
EM算法：
KNN法：
k平均聚类：
k近邻算法：
AP聚类算法：
人工神经网络：感知机、Hopfild网络、Boltzman机、自适应共振理论、反向传播网络(批量梯度下降求解神经网络)
贝叶斯聚类：
决策树：
生存模式：
回归：线性就是乘法增长；相加是等可能增长。
树回归：
支持向量机：
向量空间模型：
牛顿法：
共轭梯度算法：
模拟退火算法：
黎曼高斯牛顿方法：
拉格朗日方法：
Wand算法：
Kuhn Munkres算法:
Paxos算法：
最小二乘法：对线性问题。
禁忌搜索：tabu search
遗传算法：
蚁群算法：


数据结构描述Data Structure Description：

Dijkstra算法

Prim算法：
Kruskal算法：
贪婪算法：
分治算法：
动态规划：
随机化算法：
回溯算法：
蒙特卡洛方法：统计试验、求解问题。
EM算法：
KNN法：
k平均聚类：
k近邻算法：
AP聚类算法：
人工神经网络：感知机、Hopfild网络、Boltzman机、自适应共振理论、反向传播网络(批量梯度下降求解神经网络)
贝叶斯聚类：
决策树：
生存模式：
回归：线性就是乘法增长；相加是等可能增长。
树回归：
支持向量机：
向量空间模型：
牛顿法：
共轭梯度算法：
模拟退火算法：
黎曼高斯牛顿方法：
拉格朗日方法：
Wand算法：
Kuhn Munkres算法:
Paxos算法：
最小二乘法：对线性问题。
禁忌搜索：tabu search
遗传算法：
蚁群算法：