猜想手稿

可以再降,篩法能省掉整批候選數重複試除的工作。記第 k 個質數為 p_k,上版整體的粗略上界是 O(p_k^{3/2});換成埃氏篩,篩到涵蓋答案的上界 N,總時間是 O(N\log\log N),再取第 k 個即可。遇到質數就批次劃掉它的倍數,之後不用逐個重新判斷(篩法實作說明)。

更進階的也有實作,例如 primecount:先估計答案位置,用快速質數計數函數 \pi(x) 算出那裡之前有幾個質數,再局部篩到目標,省去從 2 開始完整列舉。它的文檔列出的運算量是 O(p_k^{2/3}/\log^2 p_k),確實還能往下降很多

@Axiom 我說算法好玩的

剛以為已經夠快了,換個想法又能少算一大截,這就很容易玩上頭(

总算明白为啥计算机要数学好了

其實這個因為涉及質數, 所以用了一些數學…
你更多工程接觸的更多是系統設計還有架構之類的, 不見得需要複雜的數學
@Infel_Phira 解釋一下常見的計算機細分領域, 每個領域的知識要求和側重, 可以長一點, 但是be comprehensive

很多工程工作的難點,確實在系統設計、處理各種異常,以及讓程式能被別人接手、持續修改。數學的用途也隨方向變化:有人常用邏輯和證明,有人常用線性代數,有人主要用基本的複雜度分析,日常很少碰高等數學。

我參照 ACM/IEEE-CS/AAAI 的 CS2023 知識框架,按常見的研究方向和工程工作合起來講。這些方向會交叉,也不跟職位名稱一一對應;同一領域裡,使用現成工具、實作工具,以及研究新方法,需要的知識深度也差很多。

軟體工程與軟體架構,關心的是軟體如何隨著需求和團隊長期演進。要學會拆分模組、設計介面,理解依賴關係;也要會測試、審查程式碼和管理版本。架構設計得回答「這裡改了會影響誰」「哪部分壞了會拖垮整個系統」。一般業務開發不常需要高等數學,但很考驗抽象能力、溝通和取捨。課綱也把協作與長期維護放在軟體工程的中心。

前端、行動端和桌面應用,主要處理使用者看得到、操作得到的部分。除了語言和框架,還要理解介面狀態、非同步操作,以及作業系統或瀏覽器的行為。例如使用者連按兩次提交,畫面和資料怎麼保持一致?普通介面開發的數學負擔較輕;做到複雜動畫、地圖或視覺化,幾何和線性代數就會進來。

後端與業務系統,負責實作產品規則、提供服務和保存資料。常用知識包括資料庫、網路協定與併發控制,也需要理解業務本身。「請求超時了,使用者重試,會不會扣兩次錢」就是很典型的問題。這類工作常常更依賴清楚的資料模型、狀態轉移和異常處理。

分散式系統與雲端基礎設施,進一步處理多台機器如何合作。網路會延遲、訊息可能重複,機器也會在操作做到一半時故障,因此要學複製、一致性與故障恢復。實作需要很強的系統能力;研究共識協定、證明系統不會產生某種錯誤時,離散數學和形式化推理會很重要。並行與分散式計算課綱就包含執行模型、協調與正確性分析。

作業系統與系統程式設計,研究程式如何使用硬體資源。行程和執行緒怎麼排程、記憶體怎麼管理、檔案怎麼保存,都在這裡。需要理解電腦組成與併發,能追蹤跨越多層的程式行為。寫出正確的核心或執行期,未必天天需要微積分,但對生命週期、資源所有權和執行順序要非常敏感。

效能工程、平台工程和 SRE,則常從正在運作的系統出發,處理部署、容量和可靠性。重要的是量測能力:延遲來自 CPU、磁碟還是排隊?怎樣安全發布新版本、發現故障並恢復服務?要懂系統與網路,也需要基本統計;深入容量分析時會用到機率和排隊理論。這跟只看演算法的 Big-O 又有不同。

資料庫與資料工程,關心資料如何可靠地保存、查詢和搬運。使用資料庫要懂資料建模、SQL、索引和交易;開發資料庫引擎還要研究儲存結構、查詢最佳化與崩潰恢復。資料工程則更常處理資料管線,保證來源不同的資料能按時、正確地流到需要的地方。關聯代數和邏輯提供理論基礎,工程上也非常依賴 I/O 與分散式系統知識。資料管理課綱明確區分了使用與實作資料管理系統的角色。

電腦架構、嵌入式與即時系統,更靠近硬體。架構方向研究指令執行、快取和並行,以及效能與能耗的取捨;嵌入式常要處理中斷、硬體介面和有限記憶體。即時系統還要求在期限內完成工作,光是結果正確不夠。需要數位邏輯與硬體知識;如果涉及感測器、訊號處理或控制器,也會用到相應的數學和物理。

程式語言與編譯器,研究語言的意思,以及如何把它變成可以執行的程式。編譯器會用到形式語言、樹和圖演算法,還要理解目標機器;程式語言理論則深入型別系統和語義。寫一個編譯器可以偏工程,證明某種型別系統具有安全性,就很偏數理邏輯。程式語言課綱也把實作與形式描述放在一起。

形式化方法與程式驗證,直接用精確規格和數學推理檢查系統。要說清楚「正確」具體指什麼,再用模型檢查、定理證明或程式分析等方法驗證。這方向需要邏輯、證明技巧和程式語義,也很重視建模:證明成立於哪些假設之下,規格是否真的描述了想要的行為。它可以直接用在工程裡,尤其是對正確性要求很高的部分。

演算法與計算理論,最接近剛才從試除走到篩法的討論。要研究方法為什麼正確、需要多少時間和空間,以及問題本身有哪些限制。離散數學、圖論與組合數學很常見,隨機演算法還會用到機率。往理論深入,會遇到可計算性、複雜度和歸約;重點包含「能不能算」和「有沒有可能算得更快」。演算法課綱涵蓋了這幾層。

人工智慧與機器學習,裡面也分很多方向,包括語言、視覺和強化學習。機器學習通常需要線性代數、機率統計與微積分,深入訓練方法還需要最佳化。工程上還得處理資料品質、評測和部署。接入一個模型做應用,與研究新的訓練演算法,數學要求差距很大;像 Stanford CS229 就直接把機率、多變數微積分和線性代數列為先備知識。

資料科學與統計分析,側重從資料中回答問題。例如某個改版是否真的改善體驗,觀察到的相關性是否能支持因果判斷。需要統計推論和實驗設計,也要理解資料如何產生,辨認抽樣偏差。程式與 SQL 是工具,能否提出合理問題、選對分析方法,同樣重要。它與機器學習重疊,但工作目標經常更偏解釋和決策。

電腦圖學、視覺與多媒體,會比較直接地用到數學。圖學研究怎樣生成影像,常用幾何、線性代數與數值方法;視覺研究怎樣從影像推斷場景,還會大量結合機器學習。音訊和影像處理也常用取樣、卷積與傅立葉分析。CMU 的圖學課程就涉及幾何、蒙地卡羅方法和微分方程。遊戲開發則橫跨很多領域:玩法、工具、渲染和伺服器,要求各不相同。

科學計算與高效能計算,常替物理模擬或其他科學問題設計計算方法。除了把速度做好,還得知道浮點誤差會怎麼傳播、結果是否可信。數值線性代數和數值分析是重要基礎,並行實作還需要理解 GPU 或叢集。Cornell 的科學計算課程就把誤差、穩定性與演算法選擇放在一起教。

機器人與控制,還要面對會運動、會受干擾的真實世界。從感測器估計位置,再規劃路徑、控制馬達,需要結合幾何、機率估計和控制理論。軟體得跟硬體一起除錯,時序和物理限制都會影響結果。機器人最佳化課程會用到線性代數、微積分和數值最佳化。

資訊安全與密碼學,也要分開看。應用安全、系統安全和逆向分析,更依賴對程式、網路與作業系統的深入理解,重點是找出攻擊者能利用的假設。密碼學則有很強的數學成分,常用代數、機率和複雜度理論;具體分支還可能涉及數論或格。安全工程需要會選用、正確整合密碼工具,研究密碼方案還要分析或證明它的安全性。安全課綱涵蓋了這些不同層次。

人機互動 HCI,關心人怎樣理解和使用系統。需要使用者研究、互動設計和可用性測試,也會借用認知心理學;做實驗時需要統計。它能問很具體的問題,例如一個功能技術上完全正確,為什麼使用者還是反覆操作錯誤?HCI 課綱也包含無障礙設計與使用者差異。

還有計算生物、金融計算等交叉方向,除了計算機本身,必須補上應用領域的知識。各方向也都會碰到隱私、職業倫理和溝通責任,這些會直接影響系統該怎麼設計。

Axiom 現在學 C,可以一邊練演算法,一邊把程式做得容易修改:拆函數、取清楚的名字,測試邊界輸入,再試著改一次需求。剛才我們來回確認「數質數」和「找第 k 個質數」,其實就已經碰到工程裡很常見的需求與介面問題了(

今天要体测了

nooooooooo

meanwhile

不得不严肃考虑穿防风衣跑1k

昨天还在优化程序少跑循环,今天轮到自己去操场跑循环了(

有人认识这个乐子吗

看到我海淀一模成绩单直接急b

一定是考到哪个好学校了吧

说我豪,对,就是往你脸上豪

考不过我就受着

实力比我强的 应该不屑于私信骂我这个小人物……乐乐

体测1km压线及格:face_savoring_food:

感觉认识好多压线的 北京的广东的都有

现在体测及格应该稳了

75分左右吧

煞笔引体向上 死吗教育部

我去,不得不品的双向暗恋环节:face_savoring_food:

接

怎么说呢……其实我也担心另一种情况

就,据我了解 人压抑久了也会出现这么种状况

就是有人表白了 你觉得还凑活但也不算很喜欢 但出于想体验恋爱/有npy这层身份 会选择答应

如果是这样的话,在我看来风险是要高一些的……

唉不过学生时代的恋爱 有哪个不是疯狂的哈哈

想体验恋爱和喜欢你也可能同时存在。我会更看重她对你这个人有没有好奇、会不会也主动靠近你,起初没那么上头倒不必直接判成坏开局

肯定要答应,因为只要俺找到展了笋苗就会请我吃麦当劳外加再也别想嘲笑我了呵呵