单调栈不是一种新的栈结构，它在结构上仍是一个普通的栈，它只是栈的一种使用方法，始终保持栈内的元素是单调的，常用来解决比较问题2.当一个数入栈，和栈顶比较，若比栈顶小，则入栈；比栈顶大，则出栈，直到这个数能入栈为止注意，每个数都一定入栈！单调栈比单调队列简单，栈只有一个出入口（单调队列可见上一篇博客）这样说可能还是有点抽象， 接下来将从例题入手，详细介绍单调栈的使用及应用场景

【题目抽象过来就是】：两棵树分别从根结点1出发每棵树走一条路径，从根走到叶子只要路径上对应位置的权值一致，前缀继续，直到不一致求任意一对路径中最长的公共前缀长度【等价描述】：从树1的结点i和树2的结点j同时出发，若其子节点中存在相同权值的点，则同步走向下一个匹配点，继续搜索；否则终止，更新答案本质上就是是树上路径问题，目标是找出两棵树中一对路径，其权值前缀最长，且两个路径需从根走到某个叶子

我们常常会面临这样一类搜索问题：起点是给出的，终点也是已知的，需要确定能否从起点到达终点，如果可以，需要多少步。如果我们用常规的搜索方法，从起点开始往下搜，那得到的解答树可能非常庞大，这样漫无目的的搜索就像大海捞针。双向广搜的思想就是更换思路： 既然终点是已知的，我们何必让它闲着呢？我们完全可以分别从起点和终点出发，看它们能否相遇。

一道经典的单调队列模板题！！附详细解释和代码

线性规划只能解决一组线性约束条件下一个目标的max和min问题，但实际决策中通常要考虑多个目标，这些目标有主有次，有定性有定量，有对立有补充，此时就要用到多目标规划。将正负偏差引入目标函数，在用户给定goal的前提下尽量减少偏差（即使得严格的不等式约束尽可能小的被突破），用人话说就是给定约束条件下尽量接近或达到指定的目标值。在优化问题具有多个独立的、相互竞争的目标的情况下找到一组非支配解集合（Pa

顾名思义，即在模糊综合评价的基础上，将评价问题分解为多个层次，每个层次进行模糊综合评价，然后逐层汇总。R4（工作成绩，由单位考核组成员打分）： R4=[0.2,0.6,0.2,0,0]R2（工作能力，由部门领导打分）： R2=[0.2,0.5,0.2,0.1,0]R1（政治表现，由群众评议打分）： R1=[0.1,0.5,0.4,0,0]R3（工作态度，由部门领导打分）： R3=[0.2,0.5,

只有两个指标，且做出散点图后发现数据表现得很“DBSCAN”（簇的形状是任意的），这时候再用DBSCAN进行聚类。基于密度的聚类方法，聚类前不用预先指定聚类的个数。可以发现任意形状的簇，可以将密度足够大的相邻区域连接，有效处理异常数据。对未知类别的对象进行分类，可以更加准确的在每个类中单独使用统计模型进行估计、分析或预测；->计算每个样本与当前已有聚类中心的最短距离（值越大，该样本被选为聚类中心的

如果一句话总结ACN，它就是“把智能体当成6G的原生用户”，用新的身份、新的协议、新的组网、新的赋能平台，让无人机、机器狗、数字人、AI Bot 像今天的人类手机一样“一键入网、全球可达、安全可信、算力随取”。它既是6G的杀手级场景，也是驱动6G架构自我演进的底层动力——Agent4NET，谁先把 ACN 做成芯片和基站，谁应该就最可能拿到6G时代的“第一门票”。

大语言模型（LLM）在自然语言处理领域取得显著进展，但仍面临数据处理成本高、参数管理复杂、隐私风险、可解释性不足等挑战。十维认知演化框架（LOM）为解决这些问题提供了系统化路径，涵盖从规则驱动到集体智能融合的十个认知维度。该框架不仅推动多模态和推理能力提升，还为教育、医疗、金融等领域的应用扩展奠定基础。通过增强语言理解、视觉整合、深度推理和多范式思维，下一代大语言模型将向通用人工智能迈进，实现更灵

只有两个指标，且做出散点图后发现数据表现得很“DBSCAN”（簇的形状是任意的），这时候再用DBSCAN进行聚类。基于密度的聚类方法，聚类前不用预先指定聚类的个数。可以发现任意形状的簇，可以将密度足够大的相邻区域连接，有效处理异常数据。对未知类别的对象进行分类，可以更加准确的在每个类中单独使用统计模型进行估计、分析或预测；->计算每个样本与当前已有聚类中心的最短距离（值越大，该样本被选为聚类中心的