前言host端当然可以用cstdlib中的rand()函数生成随机数，但设备端如何使用这些随机数？每调用一次rand()，就通过cudaMemcpy传递给显存吗？显然不是，这会消耗太多I/O时间；先调用n次，一次性传到device中吗？虽然可行，但并不是最优解。能否用一种方法，让主机仅仅传给设备一个信号，使得多个随机数在device端被生成，这样就能避免过多的I/O带来的耗时问题；或者调用一个设备

柯西-施瓦茨不等式其实是有四种不同的形式的，如果只知道其中一种，看论文的时候肯定会陷入迷惑，下面我们来看看柯西-施瓦茨不等式的四种形式：一，在实数域中设 ai,bi∈R (i=1,2,..,n)\ a_i,b_i\in R\ (i=1,2,..,n) ai​,bi​∈R (i=1,2,..,n)，则∑i=1nai2∑i=1nbi2≥(∑i=1naibi)2\

正定函数定义：若对域 Ω\OmegaΩ 中所有的非零向量 x\boldsymbol{x}x，恒有 V(x)>0V(\boldsymbol{x})>0V(x)>0，且在 x=0\boldsymbol{x}=0x=0 处有 V(0)=0V(0)=0V(0)=0，则称标量函数 V(x)V(\boldsymbol{x})V(x) 在域 Ω\OmegaΩ 内是正定的，V(x)V(\bold

什么是时间复杂度？时间复杂度并不是表示一个程序解决问题需要花多少时间，而是当程序所处理的问题规模扩大后，程序需要的时间长度对应增长得有多快。也就是说，对于某一个程序，其处理某一个特定数据的效率不能衡量该程序的好坏，而应该看当这个数据的规模变大到数百倍后，程序运行时间是否还是一样，或者也跟着慢了数百倍，或者变慢了数万倍。不管数据有多大，程序处理所花的时间始终是那么多的，我们就说这个程序很好，具有 O

1 否定定义：设P为一命题，P的否定是一个新的命题，记作¬\neg¬P。若P为T，¬\neg¬P为F；若P为F，¬\neg¬P为T。P¬\neg¬PTFFTLaTex公式：$\neg$2 合取定义：两个命题P和Q的合取是一个复合命题，记作P∧\wedge∧Q，当且仅当P、Q同时为T时，P∧\wedge∧Q为T，在其他情况下，P∧\wedge∧Q的真值都是FPQP∧\wedge∧QTTTTFFFTF

parfor 是并行循环计算多重循环的嵌套，只能在其中一层循环使用parfor并行计算，因为parfor就是让几个worker同时干活，比如一个循环中，i=1:30,那么一个worker做i=1:5,一个做i=6:10····不同的循环变量之间完全独立，所以当然可以一起干活，在里面在嵌套parfor,相当于把里面的工作还要分给6个人，很容易混乱不清，出现问题，如果再继续嵌套就更没法独立地界限清晰地

向量的范数向量的1-范数∥X∥1=∑i=1n∣x1∣\|X\|_1=\sum_{i=1}^n{|x_1|}∥X∥1​=i=1∑n​∣x1​∣意义：各个元素的绝对值之和向量的2-范数 (l2−norml_2-norml2​−norm)∥X∥2=(∑i=1nxi2)12=∑i=1nxi2\|X\|_2=(\sum_{i=1}^{n}{x_i^2})^{\frac{1}{2}}=\sqrt {\sum_

1 定义迹运算返回的是矩阵对角元素的和：Tr(A)=∑iAiiTr(A)=\sum_iA_{ii}Tr(A)=i∑​Aii​若不使用求和符号，有些矩阵运算很难描述，而通过矩阵乘法和迹运算符号可以清楚地表示。例如，迹运算提供了另一种描述矩阵Frobenius范数的方式：∣∣A∣∣F=Tr(AAT)||A||_F=\sqrt{Tr(AA^T)}∣∣A∣∣F​=Tr(AAT)​2 性质用迹运算表示表达式

（参考文献：Quantum Bridge Analytics I: a tutorial on formulating and using QUBO models）一般形式The Quadratic Unconstrained Binary Optimization model (QUBO)根据二元的特性，可以将线性部分转化为二次部分The linear part can be transform

（参考文献：Quantum Bridge Analytics I: a tutorial on formulating and using QUBO models）一般形式The Quadratic Unconstrained Binary Optimization model (QUBO)根据二元的特性，可以将线性部分转化为二次部分The linear part can be transform