Реальные внедрения “классических алгоритмов”

Существует ли преимущество для нашего dayjobs в знании этих алгоритмов и структур данных, когда существуют тонны библиотек, платформ и API, которые дают Вам ту же функциональность?

Библиотека не знает то, что Ваша проблемная область и не сможет, выбрал корректный алгоритм, чтобы сделать задание. Именно поэтому я думаю, что важно знать о них: затем можно сделать верный выбор алгоритмов для решения проблемы.

Ну, кто-то должен записать библиотеки. При работе в отображающейся компании-разработчике программного обеспечения я реализовал Dijkstra, а также деревья двоичного поиска, B-деревья, деревья не, деревья книги и скрытые модели Маркова.

Кроме того, если все, что Вы хотите, является единственным 'известным' алгоритмом, и Вы также хотите свободу специализировать его и оптимизировать его, если это становится очень важным для производительности, включая целую библиотеку походит на плохой выбор.

Существует ли преимущество для понимания Ваших инструментов, вместо того, чтобы просто знать, что они существуют?

Да, конечно, существует. При взятии тривиального примера разве Вы не думаете, что существует преимущество для знания, что различием является Список (или эквивалентная реализация динамического массива Вашего языка) и LinkedList (или эквивалент Вашего языка)? Довольно важно знать, что у каждого есть постоянное время произвольного доступа, в то время как другой линейно. И каждый требует копий N, если Вы вставляете значение посреди последовательности, в то время как другой может сделать это в постоянное время.

Разве Вы не думаете, что существует преимущество для понимания, что тот же алгоритм сортировки не всегда оптимален? Это для почти отсортированных данных, quicksort сосет, например? Наивно просто вызов Вида () и надежда на лучшее могут стать смехотворно дорогими, если Вы не понимаете то, что происходит под капотом.

Конечно, существует много алгоритмов, в которых Вы, вероятно, не будете нуждаться, но несмотря на это, просто поняв, как они работают, может помочь себе придумать эффективные алгоритмы для решения другого, не связанного, проблемы.

На моем предыдущем рабочем месте, которое было компанией EDA, мы реализовали версии алгоритмов Чопорного и Dijsktra, непересекающихся структур данных набора,* поиск и т.д. Все они имели значение реального мира. Я полагаю, что это зависит от проблемной области - некоторые домены более интенсивны алгоритмом и немного меньше.

Однако существует тонкая грань для обхода - я не вижу бизнес-оснований для перереализации Дженерики Java или STL. Во многих случаях стандартная библиотека лучше, чем "изобретение колеса". Чем больше Вы около своего базового приложения, тем больше может быть необходимо реализовать алгоритм учебника или структуру данных.

Мы используем реализацию собственной разработки p-генератора-случайных-чисел от Knuth SemiNumeric как помощь в некоторой статистической обработке

* для pac клона человека. Мне потребовались недели для реального получения, но по сей день я считаю это вещью красоты.

Если Вы никогда не работаете с критическим по отношению к производительности кодом, считаете себя удачливыми. Однако я считаю этот сценарий нереалистичным. Проблемы производительности могли произойти где угодно. И затем необходимо знать, как решить ту проблему. Очевидно, просто знание нескольких названий алгоритма не достаточно здесь – если Вы не хотите реализовать их всех и испытать их один за другим.

Нет, при знании (по крайней мере часть из) внутренние работы различных алгоритмов важны для измерения их достоинств и недостатков и для анализа, как они обработали бы ситуацию.

Очевидно, если существует библиотека, уже реализовав точно, в чем Вы нуждаетесь, Вы невероятно удачливы. Но давайте столкнемся с ним, даже если существует такая библиотека, использование его часто не абсолютно просто (по крайней мере, интерфейсы и представление данных часто должны быть адаптированы), таким образом, все еще хорошо знать, что ожидать.

Я должен был реализовать некоторые классические алгоритмы от числового анализа. Было легче записать мое собственное, чем соединиться с существующей библиотекой. Кроме того, я должен был записать вариации на классические алгоритмы, потому что типичный случай не соответствовал моему приложению.

Для классических структур данных я почти всегда пользуюсь стандартными библиотеками, такими как STL для C++. Одно время недавно, когда я думал STL, не имело структуры, в которой я нуждался ("куча"), я прокрутил свое собственное, только чтобы сделать, чтобы кто-то указал почти сразу, что я не должен был делать этого.

Классические алгоритмы я использовал в фактической работе:

• Топологический вид

• Красно-черное дерево (хотя я признаюсь, что только должен был реализовать вставки для того приложения и оно только привыкло в прототипе). Это привыкло для реализации 'заказанного dict' структура типа в Python.

• Приоритетная очередь

• Конечные автоматы различных видов

• Вероятно, один или два других я не могу помнить.

Относительно второй части вопроса:

Понимание того, как алгоритмы работают, их сложность и семантика, привыкает на довольно регулярной основе. Они также сообщают дизайну систем. Иногда нужно сделать вещи, включающие парсинг или обработку протокола или некоторое вычисление, это немного умно. Наличие практического знания того, что делают алгоритмы, как они работают, насколько дорогой они и где можно было бы найти их лежащий вокруг в коде библиотеки, имеет большое значение для знания, как постараться не изобретать велосипед плохо.