🍏🍐🍊🍑🍒🍓🫐🥑🍋🍉🥝
我让AI帮忙生成算法，Auto-GPT对比ChatGPT、文心一言，结果出人意料…
文章目录
- 🍐前言
- 🥑[ChatGPT](https://chat.openai.com/?model=text-davinci-002-render)
- 🥑[文心一言](https://yiyan.baidu.com/)
- 🥑[AI文本工具站](https://laicj.cn/)
- 🛑Auto-GPT
- 🐳结语
🍐前言
🍐最近在和同学完成计算机设计大赛的项目，需要用到一些算法，其中模拟退火算法是比较难写的，所以我想到了最近火得一塌糊涂的AI们，它们分别是ChatGPT、Auto-GPT、文心一言以及镜像网站。那对于算法类的问题，它们都着有什么样的表现呢？一起来看看吧。
🍊 我们的问题是：请用Java帮我写出模拟退火算法实现KMP算法。
🥑ChatGPT
🍒 ChatGPT表现良好，能够实现出代码，并且做出了相关解释。
Me：请用Java帮我写出模拟退火算法实现KMP算法
ChatGPT：以下是使用模拟退火算法实现KMP算法的Java代码：
import java.util.Random;
public class SimulatedAnnealingKMP {
// KMP算法实现
public static int kmp(String s, String p) {
int[] next = getNext(p);
int i = 0, j = 0;
while (i < s.length() && j < p.length()) {
if (j == -1 || s.charAt(i) == p.charAt(j)) {
i++;
j++;
} else {
j = next[j];
}
}
if (j == p.length()) {
return i - j;
}
return -1;
}
// 获取next数组
public static int[] getNext(String p) {
int[] next = new int[p.length()];
int i = 0, j = -1;
next[0] = -1;
while (i < p.length() - 1) {
if (j == -1 || p.charAt(i) == p.charAt(j)) {
i++;
j++;
next[i] = j;
} else {
j = next[j];
}
}
return next;
}
// 模拟退火算法实现
public static int simulatedAnnealingKMP(String s, String p) {
int[] next = getNext(p);
int current = kmp(s, p); // 当前最优解
int temperature = 1000; // 初始温度
double delta = 0.99; // 降温系数
Random random = new Random();
while (temperature > 1) {
int i = random.nextInt(s.length());
int j = random.nextInt(p.length());
char c = (char) (random.nextInt(26) + 'a'); // 随机生成一个小写字母
String newP = p.substring(0, j) + c + p.substring(j + 1);
int newResult = kmp(s, newP);
if (newResult == -1) { // 如果新解不可行，则不接受
continue;
}
double prob = acceptanceProbability(current, newResult, temperature);
if (prob > random.nextDouble()) { // 根据概率接受新解
p = newP;
current = newResult;
}
temperature *= delta; // 降温
}
return current;
}
// 计算接受概率
public static double acceptanceProbability(int current, int newResult, int temperature) {
if (newResult > current) {
return 1.0;
}
return Math.exp((newResult - current) / temperature);
}
public static void main(String[] args) {
String s = "ababcabcacbab";
String p = "abc";
int result = simulatedAnnealingKMP(s, p);
System.out.println(result);
}
}
在simulatedAnnealingKMP函数中，我们采用模拟退火算法来寻找KMP算法的最优解。每次随机生成一个小写字母，将其替换模式串中的一个字符，然后使用KMP算法计算匹配结果。如果新的匹配结果更优，则以一定概率接受新解；否则，不接…
🥑文心一言
🍒 略逊一筹，只能够写出一些基本的kmp算法，相关解释较少。
以下是使用Java实现模拟退火算法来优化KMP算法的示例代码：
import java.util.Arrays;
public class KMPSolver {
public static int[] getPrefix(String pattern) {
int n = pattern.length();
int[] prefix = new int[n];
int j = 0;
for (int i = 1; i < n; i++) {
while (j > 0 && pattern.charAt(i) != pattern.charAt(j)) {
j = prefix[j - 1];
}
if (pattern.charAt(i) == pattern.charAt(j)) {
j++;
}
prefix[i] = j;
}
return prefix;
}
public static int[] getNext(int[] pattern, int[] text) {
int m = pattern.length();
int[] next = new int[m];
int j = 0;
for (int i = 0; i < m; i++) {
while (j > 0 && pattern.charAt(i) != text[j]) {
j = next[j - 1];
}
if (pattern.charAt(i) == text[j]) {
j++;
}
next[i] = j;
}
return next;
}
public static int getPosition(String pattern, String text) {
int m = pattern.length();
int n = text.length();
int[] prefix = getPrefix(pattern);
int[] next = getNext(pattern, t`getPrefix()`方法用于计算模式串的前缀表，`getNext()`方法用于计算模式串的next数组，`getPosition()`方法用于在文本串中查找模式串出现的位置。
在`getPosition()`方法中，我们使用了模拟退火算法来优化KMP算法。我们首先计算出模式串的前缀表，然后在文本串中查找模式串出现的位置。如果在文本串中没有找到模式串，则返回-1；否则，返回在文本串中模式串的起始位置。
在`main()`方法中，我们定义了一个模式串和一个文本串，并调用了`getPrefix()`、`getNext()`和`getPosition()`方法来查找模式串在文本串中的位置。
请注意，这个示例中的KMP算法还未优化，实际
🥑AI文本工具站
🍒 镜像表现良好，能够实现出代码，并且能够做出相关解释。
以下是Java代码实现模拟退火算法解决KMP算法的示例：
import java.util.Random;
public class SimulatedAnnealingKMP {
private static final double INITIAL_TEMPERATURE = 100.0;
private static final double COOLING_RATE = 0.99;
private static final int STEPS_PER_TEMPERATURE = 100;
public static int search(String text, String pattern) {
int n = text.length();
int m = pattern.length();
int[] next = getNext(pattern);
double temperature = INITIAL_TEMPERATURE;
int[] current = new int[m];
int[] best = new int[m];
generateRandomArray(current);
while (temperature > 1.0) {
for (int i = 0; i < STEPS_PER_TEMPERATURE; i++) {
int[] nextArray = getNextArray(current);
int currentCost = getCost(text, pattern, current, next);
int nextCost = getCost(text, pattern, nextArray, next);
if (nextCost < currentCost || Math.exp((currentCost - nextCost) / temperature) > Math.random()) {
current = nextArray;
if (nextCost < getCost(text, pattern, best, next)) {
best = nextArray;
}
}
}
temperature *= COOLING_RATE;
}
int index = -1;
for (int i = 0; i < n; i++) {
int j = 0;
while (j < m && i + j < n && text.charAt(i + j) == pattern.charAt(best[j])) {
j++;
}
if (j == m) {
index = i;
break;
}
}
return index;
}
private static int[] getNext(String pattern) {
int m = pattern.length();
int[] next = new int[m];
next[0] = -1;
int i = 0, j = -1;
while (i < m - 1) {
if (j == -1 || pattern.charAt(i) == pattern.charAt(j)) {
i++;
j++;
next[i] = j;
} else {
j = next[j];
}
}
return next;
}
private static void generateRandomArray(int[] array) {
Random random = new Random();
for (int i = 0; i < array.length; i++) {
array[i] = random.nextInt(2);
}
}
private static int[] getNextArray(int[] array) {
int[] nextArray = new int[array.length];
System.arraycopy(array, 0, nextArray, 0, array.length);
Random random = new Random();
int index = random.nextInt(array.length);
nextArray[index] = 1 - nextArray[index];
return nextArray;
}
private static int getCost(String text, String pattern, int[] array, int[] next) {
int m = pattern.length();
int cost = 0;
for (int i = 0, j = 0; i < text.length(); i++) {
while (j > 0 && text.charAt(i) != pattern.charAt(j)) {
j = next[j];
}
if (text.charAt(i) == pattern.charAt(j)) {
j++;
}
if (j == m) {
cost += array[j - 1];
j = next[j];
}
}
return cost;
}
}
在这个实现中，我们使用了一个长度为模式串长度的01数组来表示匹配过程中的每个字符是否匹配成功。
初始时，我们随机生成一个01数组作为初始解。然后，我们使用模拟退火算法来不断优化这个数组，
使得匹配成功的字符数最大。在每个温度下，我们进行一定次数的随机变化，
然后根据Metropolis准则来决定是否接受这个变化。
最终，我们得到的最优解就是匹配成功的字符数最多的01数组。
最后，我们使用这个数组来进行实际的匹配操作，找到模式串在文本串中的位置。
🛑Auto-GPT
可能是我第一次使用，不太熟，Auto-GPT并没有达到我想要的结果。
🍒启动Auto-GPT，设定好名称、角色、任务。
🍒我定义LXR-GPT的身份为算法工程师；
🍒任务一：“Please use Java to help me write simulated annealing algorithm to achieve KMP algorithm” – 请用Java帮我写出模拟退火算法实现KMP算法。
🍒任务二：“ Generate a java file” – 将其生成为java文件。
紧接着，LXR-GPT 就开始了它的思考：
🎈大意为：
想法:我认为第一步是克隆一个用Java实现了KMP算法的存储库。然后我可以分析代码并使用模拟退火来改进它。一旦我改进了代码，我就可以编写测试来确保它正确工作。最后，我可以执行Java文件来查看结果。
理由:克隆一个库与现有的实现KMP算法将节省时间和精力。分析代码将帮助我了解算法是如何工作的，并确定需要改进的地方。编写测试将确保改进后的代码能够正确工作。最后，执行Java文件将允许我看到算法的结果。
计划:
-克隆库与KMP算法实现
分析代码并找出需要改进的地方-使用模拟退火来改进代码
编写测试以确保改进后的代码能够正常工作—执行Java文件查看结果
批评:我需要确保我正在使用KMP算法的正确实现，并且我编写的代码是高效的。我还需要确保我编写的测试是全面的，并涵盖所有可能的场景。
🎈他给了我一个去克隆仓库的理由：“为了节省时间和精力”。行叭，我们让它先试试：
🎈大意为：
系统:命令clone_repository返回:错误:试图访问工作空间“F:\git\AutoGPT\Auto-GPT\auto_gpt_workspace”之外的路径“F:\home\LXR-GPT\kmp_algorithm”。
思考:现在我将用Java克隆带有KMP算法实现的存储库。
理由:克隆存储库将允许我访问代码并分析它，以确定需要改进的地方。
计划:
-克隆库与KMP算法实现
批评:我需要确保我克隆的存储库具有正确的KMP算法实现，并且我编写的代码是高效的。
🎈好像遇到了点小错误，让它自己处理看看：
-=-=-=-=-=-=-= 命令由用户授权 -=-=-=-=-=-=-=
系统:命令clone_repository返回:错误:试图访问工作空间“F:\git\AutoGPT\Auto-GPT\auto_gpt_workspace”之外的路径“F:\home\LXR-GPT\kmp_algorithm”。
思考:现在我将用Java克隆带有KMP算法实现的存储库。
理由:克隆存储库将允许我访问代码并分析它，以确定需要改进的地方。
计划:
-克隆库与KMP算法实现
批评:我需要确保我克隆的存储库具有正确的KMP算法实现，并且我编写的代码是高效的。
系统:命令clone_repository返回:错误:试图访问工作空间“F:\git\AutoGPT\Auto-GPT\auto_gpt_workspace”之外的路径“F:\home\LXR-GPT\kmp_algorithm”。
思想:现在我将在b谷歌上搜索KMP算法的Java实现。
推理:搜索KMP算法的Java实现将使我能够找到一个可靠且高效的实现，我可以将其用作参考。
计划:
—在谷歌上搜索KMP算法的Java实现
批评:我需要确保我找到的实现是可靠和高效的。
🎈咱也不知道哪儿错了，LXR-GPT打算不克隆了，它要去谷歌搜索相关算法。紧接着，它给我写了一段小作文：
SYSTEM:命令谷歌返回:[{"title": "Java Program for KMP Algorithm for Pattern Searching"， "href": "https://www.geeksforgeeks.org/java-program-for-kmp-algorithm-for-pattern-searching-2/"， "body": "Pattern Searching是计算机科学中的一个重要问题。当我们在记事本/word文件或浏览器或数据库中搜索字符串时，模式搜索算法用于显示搜索结果。Java。类KMP_String_Matching{。void KMPSearch(字符串部分，字符串文本)}， {"title": "模式搜索的KMP算法- GeeksforGeeks"， "href": "https://www.geeksforgeeks.org/kmp-algorithm-for-pattern-searching/"， "body": "模式搜索是计算机科学中的一个重要问题。当我们在记事本/word文件或浏览器或数据库中搜索字符串时，模式搜索算法用于显示搜索结果。我们在前一篇文章中讨论过朴素模式搜索算法。朴素算法的最坏情况复杂度为O(m(n-m+1))。}， {"title": " KMP算法的实现- C, c++， Java和Python"， "href": "https://www.techiedelight.com/implementation-kmp-algorithm-c-cpp-java/"， "body": " KMP算法的实现- C, c++， Java和Python这篇文章将用C, c++， Java和Python编程语言实现KMP算法。我们已经看到，模式匹配的朴素算法在O (n.m)时间内运行，其中n
是文本的长度，m是模式的长度。}， {"title": "模式搜索的KMP算法(c++和Java代码)"，"href": "https://favtutor.com/blogs/kmp-algorithm"， "body": " c++代码实现。下面是实现KMP算法的c++代码:#include <bits/stdc++.h> void LPSArray(char * pattern, int M，…)下面是实现KMP算法的Java代码:class Solution {void KMP(String pattern, String txt)…"}， {"title": "实现Knuth Morris Pratt算法的Java程序"，"href": "https://www.sanfoundry.com/java-program-knuth-morris-pratt-algorithm/"， "body": "这是一个实现Knuth Morris Pratt算法的Java程序。Knuth-Morris-Pratt字符串搜索算法(或KMP算法)通过观察到当出现不匹配时，单词本身包含足够的信息，来搜索主“文本字符串”S中出现的单词W
决定下一场比赛从哪里开始，从而绕过re……”}， {"title": "java - KMP字符串匹配算法实现- Code Review Stack…"，"href": "https://codereview.stackexchange.com/questions/155476/kmp-string-matching-algorithm-implementation"， "body": "这是Knuth-Morris-Prat算法实现，用于检查模式是否存在于较大的文本中，如果存在，则算法返回该模式的开始索引，否则-1。该算法从计算最长公共前缀数组(LCP数组)入手，有效地避免了冗余模式匹配。}， {"title": "Java: KMP匹配器算法-堆栈溢出"，"href": "https://stackoverflow.com/questions/35459142/java-kmp-matcher-algorithm"， "body": "编辑:我已经用piyush实现更新了下面的代码，纠正了我的一些问题。然而，还有另一个问题。我测试了KMPMatcher使用这些:1)…
java;算法;knuth-morris-pratt;或者问你自己的问题。设置监控时，数据越少越好(第563章)
你的顾客……”}， {"title": "java -这种模式查找方法比KMP或Z-Algorithm更好吗…"，"href": "https://stackoverflow.com/questions/42174279/is-this-pattern-finding-method-better-than-kmp-or-z-algorithm-implementation"， "body": "KMP实现运行复杂度为O (n + m)，其中n =
Str.length()和m = pattern。长度()。你的算法也以复杂度O (n + m)运行，但它可能跳过正确匹配并产生错误答案。考虑这个测试用例:字符串str = \"apple-orange-apple-apple-apple-orange-apple\";字符串模式= \"apple\";你的代码产生了4个事件。”})
想法:现在我将把KMP算法的Java实现从GeeksforGeeks网站克隆到我的本地机器上。
理由:克隆实现将允许我分析代码并理解它是如何工作的。这将有助于我在编写模拟退火算法时实现KMP算法。
计划:
从GeeksforGeeks网站上克隆KMP算法的Java实现到我的本地机器上
批评:我需要确保我克隆的实现是正确的，并且是可靠的。
🎈我并没有看得特别懂，但是我依然决定相信它，继续y：
系统:命令clone_repository返回:错误:试图访问工作空间“F:\git\AutoGPT\Auto-GPT\auto_gpt_workspace”之外的路径“F:\home\user\kmp_algorithm”。
思想:现在我将在b谷歌上搜索KMP算法的Java实现。
推理:搜索KMP算法的Java实现将使我能够找到一个可靠且高效的实现，我可以将其用作参考。
计划:
—在谷歌上搜索KMP算法的Java实现
批评:我需要确保我找到的实现是可靠和高效的。
🎈好吧，它又回到上一步了，于是我对它按下了 “n”，故事结束…
🎈可以看到：Auto-GPT 会先思考如何最省力来完成这项任务，它会尝试克隆、搜索，但是在遇到一些问题之后，它可能会循环执行之前的步骤，在“恶劣的环境下”，Auto-GPT在我的五次“y”之后，并没有完成指定的任务。后续再给它些别的任务试试吧~
🐳结语
🦄总体来说，基于ChatGPT的AI表现都比较良好，能够快速解决我们所提出的问题，而文心一言稍显逊色，其他它们后续的表现。
🦄AI如此强大，我们应该学会如何使用它们！
🐟文章粗浅，希望对大家有帮助！
文章出处登录后可见！
