Chuyển đến nội dung chính

Bài toán tháp Hà nội

Trải nghiệm Tháp Hà Nội

Kéo thả đĩa hoặc chạm vào các nút bên dưới để di chuyển. Bạn phải chuyển toàn bộ đĩa sang cột ngoài cùng bên phải (Cột 3) mà không đặt đĩa to lên đĩa nhỏ.

Điều khiển & Chế độ

4

Thống kê ván chơi

Nước đã đi
0
Thời gian
00:00
Tối thiểu cần
15
Kỷ lục của bạn
-

Lịch sử và Nguồn gốc Truyền thuyết

Bài toán Tháp Hà Nội (hay Tháp Brahma) là một trò chơi xếp hình toán học kinh điển được giới thiệu lần đầu vào năm 1883 bởi nhà toán học người Pháp Édouard Lucas. Dù mang tên "Hà Nội", trò chơi này thực chất gắn liền với một truyền thuyết phương Đông do chính tác giả hư cấu nên để tăng phần bí ẩn.

  • Truyền thuyết đền Brahma: Chuyện kể rằng tại một ngôi đền cổ ở Benares (Ấn Độ), có một căn phòng chứa 3 chiếc cọc nạm kim cương. Trên một chiếc cọc, các vị thần đã đặt sẵn 64 chiếc đĩa bằng vàng ròng với kích thước nhỏ dần từ dưới lên trên.
  • Nhiệm vụ của các nhà sư: Kể từ khi vũ trụ hình thành, các nhà sư đã ngày đêm thực hiện việc di chuyển các đĩa vàng này sang một chiếc cọc khác, tuân thủ nghiêm ngặt quy luật: mỗi lần chỉ được chuyển 1 đĩa và tuyệt đối không được đặt đĩa to lên trên đĩa nhỏ.
  • Lời tiên tri về ngày tận thế: Truyền thuyết nói rằng, vào khoảnh khắc chiếc đĩa thứ 64 được đặt đúng vị trí, cả ngôi đền sẽ vỡ vụn, và thế giới sẽ đi đến hồi kết.
Minh họa cấu trúc bài toán Tháp Hà Nội
Mô hình trực quan của bài toán Tháp Hà Nội: Bài toán kinh điển minh họa tư duy đệ quy

Góc nhìn Toán học & Khoa học Máy tính

  • Công thức tối ưu: Để chuyển n đĩa, số bước tối thiểu cần thực hiện là 2n - 1.
  • Thời gian giải định mệnh: Với 64 đĩa, các nhà sư sẽ cần thực hiện 264 - 1 = 18,446,744,073,709,551,615 bước. Nếu mỗi giây di chuyển được 1 đĩa mà không hề mắc sai lầm, họ sẽ mất khoảng 585 tỷ năm để hoàn thành — gấp hơn 40 lần tuổi của vũ trụ.
  • Ứng dụng: Ngày nay, Tháp Hà Nội là một trong những bài toán kinh điển nhất trong Khoa học máy tính để minh họa cho thuật toán đệ quy (recursion) và được sử dụng trong tâm lý học thần kinh để kiểm tra trí nhớ làm việc (working memory) của não bộ.
© The CS Note · THE CS NOTE

Nội dung gốc thuộc tác giả. Vui lòng không đăng lại toàn văn khi chưa được phép, trừ trường hợp pháp luật hoặc giấy phép áp dụng cho phép. Nội dung của bên thứ ba tuân theo quyền và giấy phép tương ứng.

Nguồn gốc: Bài toán tháp Hà nội

Về trang chủ Về đầu bài
Labels:

Bài Đăng Phổ Biến

Bài toán phân tích cảm xúc trong văn bản

Bài toán phân tích cảm xúc (sentiment analysis) là một bài toán NLP nhằm xác định thái độ hoặc cảm xúc được thể hiện trong văn bản. Ví dụ, từ một đánh giá như “Điện thoại đẹp, chạy nhanh nhưng pin hơi yếu”, hệ thống có thể nhận biết rằng người dùng có cả nhận xét tích cực và tiêu cực. Điểm thú vị của bài toán nằm ở khoảng cách giữa cách con người hiểu ngôn ngữ và cách máy tính xử lý dữ liệu. Một hệ thống phân tích cảm xúc cần biến văn bản tự nhiên thành dữ liệu có cấu trúc, học được các mẫu ngôn ngữ từ dữ liệu huấn luyện và đưa ra dự đoán hợp lý trên những câu chưa từng gặp. 1. Bài toán phân tích cảm xúc bắt đầu từ đâu? Hãy tưởng tượng một cửa hàng trực tuyến có hàng nghìn đánh giá mỗi ngày. Con người có thể đọc từng đánh giá để biết khách hàng hài lòng hay không, nhưng việc này nhanh chóng trở nên tốn thời gian khi dữ liệu tăng lên. NLP có thể biến bài toán đó thành một bài toán phân loại. Với mỗi văn bản, hệ thống nhận vào một chuỗi ký...

KAN cho phân đoạn khối u não với bộ BraTS 2020

Kolmogorov-Arnold Network (KAN) mở ra một hướng khác với MLP truyền thống: thay vì chỉ học các trọng số vô hướng trên mỗi kết nối, KAN có thể học những hàm phi tuyến một biến trên các cạnh . Khi đưa ý tưởng này vào kiến trúc encoder-decoder như U-Net, ta có thể sử dụng convolution để giữ cấu trúc không gian của ảnh MRI và dùng KAN để thực hiện các phép biến đổi phi tuyến mạnh hơn trên representation trung gian. Một bài toán phù hợp để nghiên cứu hướng này là phân đoạn u thần kinh đệm trên BraTS 2020 . Dataset cung cấp MRI đa mô thức và yêu cầu xác định các vùng Whole Tumor (WT), Tumor Core (TC) và Enhancing Tumor (ET). Đây là bài toán 3D có sự mất cân bằng voxel lớn, hình dạng khối u rất đa dạng và ranh giới giữa các mô bệnh lý không đơn giản. Lưu ý học thuật quan trọng: U-KAN gốc được công bố cho nhiều benchmark phân đoạn ảnh y tế nhưng không báo cáo kết quả BraTS 2020. Một công trình sau đó đã mở rộng U-KAN sang 3D MRI brain tumor segmentation , nhưng đánh giá trên BraTS 2...

Tách từ trong tiếng Việt Word Segmentation

Tách từ tiếng Việt là bài toán xác định ranh giới giữa các từ trong một chuỗi văn bản. Khó khăn nằm ở chỗ khoảng trắng trong tiếng Việt thường phân cách các âm tiết , nhưng một từ hoàn chỉnh có thể gồm nhiều âm tiết như “sinh viên” , “đại học” , “công nghệ” hay “tự nhiên” . Tách từ đúng giúp các hệ thống NLP dựa trên từ biểu diễn văn bản hợp lý hơn, đặc biệt trong tìm kiếm, TF-IDF, phân loại văn bản, gán nhãn từ loại và một số mô hình ngôn ngữ tiếng Việt. Tuy nhiên, với các Transformer sử dụng tokenizer dưới mức từ như subword hoặc SentencePiece, tách từ thủ công không phải lúc nào cũng là bước bắt buộc . Việc có cần tách từ trước hay không phụ thuộc vào mô hình và pipeline cụ thể. Tóm tắt nội dung Khoảng trắng trong tiếng Việt không phải lúc nào cũng là ranh giới từ ; nhiều từ gồm hai hoặc nhiều âm tiết. Word segmentation và tokenization có liên quan nhưng không hoàn toàn đồng nghĩa. Ba hướng chính gồm dựa trên từ điển, mô hình thống kê và mô hình học sâu . Tron...

KAN là gì? Mạng Kolmogorov-Arnold khác MLP thế nào?

Kolmogorov-Arnold Network (KAN) là một kiến trúc mạng nơ-ron trong đó mỗi cạnh không chỉ chứa một trọng số vô hướng mà mang một hàm một biến có thể học được . Đây là khác biệt cốt lõi so với Multi-Layer Perceptron (MLP), nơi các cạnh chủ yếu thực hiện phép nhân với trọng số còn hàm kích hoạt thường được áp dụng tại các node. KAN được lấy cảm hứng từ định lý biểu diễn Kolmogorov-Arnold và đặc biệt đáng chú ý trong các bài toán xấp xỉ hàm, mô hình hóa khoa học và symbolic regression. Tuy nhiên, KAN không nên được hiểu là kiến trúc đã thay thế MLP trong mọi bài toán Deep Learning; khả năng biểu diễn, chi phí tính toán và mức độ phù hợp của hai kiến trúc khác nhau theo từng nhiệm vụ. Tóm tắt nội dung MLP học chủ yếu trọng số trên các cạnh , còn KAN đặt hàm một biến học được trên từng cạnh . Một KAN layer cộng kết quả của nhiều hàm cạnh để tạo activation của node tiếp theo. KAN gốc sử dụng B-spline để tham số hóa các hàm phi tuyến trên cạnh. KAN có lợi thế đáng chú ý về trực...