1. 必须熟悉 DDPG 、 PPO 、 TD3 、 SAC 等算法的原理和区别。 这四种算法是连续控制（如机器人控制）中最常用的深度强化学习算法。 PPO (Proximal Policy Optimization)   原理：PPO是一种同策略（On-policy）的策略梯度算法。它使用截断（Clipping）机制限制新旧策略的更新步长，防止策略更新“翻车”。   核心公式：    数值计算示例： 假设在时间步 ，GAE计算出的优势函数 （正数，说明这个动作很好）。 设定截断超参数 。 如果新网络过于激进，导致新旧策略概率比 （新策略采用该动作的概率是旧策略的1.5倍）：   原始目标： ...

手撕两数之和（不是力扣 是输入两个数字返回数字的和）

挺难的，感觉比上周难☹️，8 选择 + 4 编程，120 分钟。T1 签到，T2 是 sklearn 大题跳过了，T3 折半搜索经典套路，T4 笛卡尔树分治有点东西。 选择题：RAG 文档更新后检索旧内容的原因、SVM 模型压缩方法、迁移学习微调策略、CV 预训练任务选择、GBDT 特性、二分查找比较次数、度为4的树求叶结点数 T1. 风不吹雨 每个位置可以做操作1（除以2取整，最多  次总共）和操作2（减 ，最多  次总共），求最小总和。 两种操作的收益是独立的：操作1的收益是 （不管有没有做操作2），操作2的收益恒为 （不管有没有做操作1）。所以直接贪心：操作1选收益最大的  个位置，操作...