2024年4月3日、株式会社estieとの共催で「競プロer のソフトウェアエンジニアとしてのキャリアパス」をテーマにしたキャリアイベントを開催しました。 当日は株式会社estieと当社のエンジニア計4人がパネルディスカッションを行い、競プロの知識や経験がソフトウェアエンジニアリングの業務にどう活かされているかや、将来のキャリアについての各自の考えを伝えました。 オンライン会場（Zoom）には203人、オフライン会場（株式会社estie本社・東京都港区）には35人の参加者が集まる大盛況となった本イベントの様子を前編・後編の２回に分けて紹介します。 開催背景2018年12月に創業した株式会社estieと、2021年7月に創業した株式会社ALGO ARTISは、いずれも競プロer（競技プログラマー）出身者が活躍するスタートアップとして知られています。 今回、両社は「ソフトウェアエンジニア」とし

はじめに こんにちは、through です。 先日行われた AHC029 にて Heuristic で黄色になりました！Algorithm ではなく Heuristic ではありますが、晴れてずっとなりたかった暖色コーダーを名乗ることが出来るようになりました。つい最近 Algorithm の方で入青を達したばかり (今は水色に落ちてしまいましたが…) で、2023年終盤に色変を 2 回も出来てとても嬉しい限りです。 入黄に至るまでのレート遷移 Heuristic 初参加は 2021.12.12 の AHC007 で、競技プログラミングを始めて 2 週間足らずの競技プログラミングを始めたての時だったようです。当時は AHC の問題を AC することすら出来ませんでした…。ただその次の 2022.02.26 の AHC008 にて青 performance を獲得することが出来、AHC にハマ

2023/8/10のDeNA/Go AI技術共有会の発表資料です。

問題 www.topcoder.com 提出コード https://gist.github.com/siman-man/2218aee9a4a99e3bc6c780dbb72066ba 方針 N と A の値からサンプリングの回数を決定 クエリーの投げる位置を焼きなましで調整 クエリーの結果からグリッドを生成している方程式のパラメータを焼きなましで求める N と A の値からサンプリング回数を求める サンプルの個数から大体これぐらいの mse スコアが出るよというのを事前に計算しておいて、ちょうどいい感じのサンプル個数を求める。 mse の推測値が悪かったのか N < 40 のケースだとうまくいかなかったので場合分け。もっと細かく調整できたと思うけど多分そんなスコア改善しないし面倒なのでやってない。（cover_rate は sample_count * 9 / (N * N) で計算して

7/30 追記：一部の実装を変更して高速化しました。(ビームサーチ内で毎回配列を定義するコストが無視できなかったため、一度だけ定義して毎回中身を全て消去する形にしました) ヒューリスティックコンテストでよく用いられるビームサーチという手法があります。山登り/焼きなまし法と並んで必ずと言っていいほど紹介されるビームサーチですが、実装が大変と感じている方も多いと思います。 この記事ではビームサーチを既に知っている方向けに、ライブラリ化の指針を提供したいと考えています。ビームサーチ自体については簡単に説明する程度ですのでご了承ください*1。 今回は基礎編と題して、一般に広く用いられていると思われる実装方法を紹介します。応用編*2ではrhooさんの記事などで解説されている他の実装方法を紹介したいと考えています。本記事中のソースコードは自由に利用していただいて構いませんが、万一何らかの不利益が生じて

概要 ChatGPTのいいなりになればOK はまったところ typescriptを使った設定にする必要があった。 リージョン間違いでログが何も見れなかった… ジャッジ環境のディレクトリ構成が分からなかった。 別なバケット名を設定していた。 各種パスの更新をわすれていた 同時実行数が最大で10になっていた。 最後にChatGPTによるブログ 1. AWS CDKとLambda関数の作成 2. Step Functionsの構築 3. ログの確認 4. バケットとファイルパスの確認 5. 同時実行数の調整 概要 Webやサーバー関係に詳しくなくても、良い記事をChatGPTに投げればなんとかなる。 ChatGPTのいいなりになればOK AtCoder Heuristics Contest（AHC）用にAWS Lambdaを使った自作ジャッジを作りたいなと思っていたので重い腰を上げましたがその辺

AHC020でシュタイナー木を作るような問題がでました。そこでプリム法ベースのシュタイナー木を作ることがあったのでその方法を説明します。 シュタイナー木とは グラフとターミナルと呼ばれる頂点集合が与えられたとき、ターミナルを全てつなぐ木のことをシュタイナー木といいます。 頂点A,B,Cがターミナル シュタイナー木の例 ターミナルでない頂点はつないでもつながなくても構いません。 シュタイナー木のうちコストが最小のものを最小シュタイナー木といい、これを求めるアルゴリズムとしてDreyfus-Wagner法というものがあるらしいです。しかしこの方法はとても計算量が多いです。 今回紹介するプリム法ベースのシュタイナー木は、計算量は少なくて済みますがコストが最小になるとは限りません。ヒューリスティックコンテストにおける焼きなましの最中など、厳密さより速度が優先されるようなケースでの使用を想定していま

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? Competitive Programming （その2） Advent Calendar 2015の14日目の記事です。 Topcoderマラソンマッチ初心者向け、主にTopcoderで出題される探索問題に取り組むときに重要だと思っていることを書きます。 任意のマラソン系コンテストで重要なこと まず、Topcoder MMの探索問題に限らず、マラソン系コンテストで重要なことについて。 時間で殴る BFS、DFS、Dijkstraなど基本的なアルゴリムズを使いこなせる人(ABCのC,ARCのBぐらいが解ける人)なら、時間さえかければマラ

ヒューリスティックコンテストでは、一部の数値が与えられないタイプの問題が出題されることがあります。多くの場合はインタラクティブ形式の問題で、少しずつ与えられる情報で数値を予測していくことになります。 (例：AHC003, HTTF2022予選, HTTF2023本選, AHC018) こうした推定タイプの問題では、ベイズ推定が強力な手法となることがあります。 本記事はベイズ推定を使って問題を解いてみたい方の第一歩となることを目的としています(C++での実装例も載せました)。題材はAHC003としました。問題の概要は以下です。 30×30のグリッド(上下左右が辺で結ばれている)があり、各辺の長さは与えられない。 始点と終点が与えられるので経路を出力すると、その経路の長さ(±10%の誤差を含む)が返ってくる。これを1000回繰り返す。 出力した経路が最短経路に近いほど得点が高くなる。回数を重ね

DeNAの2023/2/21のDS輪講の発表資料です。

人工知能（AI）というと機械学習や深層学習が注目されがちだが、実はそれはAIの半分にすぎない。あとの半分、いわば「アナザーAI」は企業の生産計画や物流などで重要な役割を果たす「最適化AI」だ。最適化AIを実現するための技術が、「焼きなまし法」や「ビームサーチ」などの「ヒューリスティックアルゴリズム（メタヒューリスティクス）」である。この連載では、競技プログラミングサービスを提供しているAtCoderの高橋直大社長が、アルゴリズムに対する深い知識を生かし、最適化AIを活用している企業を訪ねて取り組みを探っていく。 今回は、飲食や美容などさまざまな領域で消費者向けや企業向けのサービスを提供しているリクルートを訪問した。データ関連技術を統括する同社プロダクト統括本部 プロダクト開発統括室 データ推進室 データテクノロジーユニットの阿部直之ユニット長に、最適化AIを使ったサービスの取り組みを聞いた

この記事はアルゴリズム強化月間の一環として書かれた記事です。 はじめに こんにちは！ rhooというアカウント名で競技プログラミングをやっている者です。 半年ほど前からヒューリスティック系のコンテストにも手を出し始めました。 この記事では私がゲーム実況者xの挑戦という過去問を解くときに使った手法の解説記事となります。 要約 ビームサーチの状態の管理を差分を持った木構造で管理するとコピーコストが発生しなくなり高速になります。 前提知識 ビームサーチについての基礎的な知識と参照カウントベースのスマートポインタ(c++でのshared_ptr,weak_ptr)などについての知識を要求します。 この記事では詳しくは説明しないので、分からない場合はこれらの記事が参考になるかもしれません。 アイディア ナイーブなビームサーチでは上位M個の状態をコピーして行きますが、この実装だとコピーコストは無視でき

1. はじめに 最初に、本記事ではどのようなトピックを扱うのかについて、少し説明したいと思います。 1-1. 本記事で扱うトピック 21 世紀になり、IT 化が急速に進む今、現実社会ではいろいろなものが最適化されて動いています。これを形作るプログラミングの現場でも、例えば以下のような問題を考えたり、あるいは実際に使ったりすることもあるのではないでしょうか1。いくつか例を挙げてみましょう。 例 1. コイン問題：特定の金額をぴったり支払うために、最小で何枚の硬貨が必要か？ 例 2. 最短経路問題：地図上の A 地点から B 地点までに行くのに、最短で何メートル歩く必要があるか？ 例 3. 箱詰め問題：長方形の箱に、できるだけ多くの荷物を敷き詰めたい 例 4. 数分割問題：「できるだけ合計の値が近くなるように」2 つのグループに分割したい このように、いろいろな問題があります（もちろん名前を覚

これはどんな記事? 本記事は、私がヒューリスティック関連の知識をまとめることになった際に作成したJupyter Notebookを、Qiitaの記事へと改変したものです。 前提としてこれは梅谷俊治先生の「しっかり学ぶ数理最適化 モデルからアルゴリズムまで」という本(以下、教科書と表記)の内容に準拠しています。 そしてその内容の多くは、ありがたいことにネット上の様々な形で公開されており、梅谷先生によるスライド1やスライド2、日本オペレーションズ・リサーチ学会(以下、ORと表記)での記事1や記事2、そしてORの他の方の記事1や記事2などでも類似した内容を見ることが可能です。 (そしてそれ故に、本記事を公開させて頂いています。流石に本家の方がネット上で公開されていない内容を書くのは、例え権利的に問題がないとしても気が引けるので……) また、この記事は、それらの内容を踏まえた上で、私がネット上の様

マルコフ連鎖モンテカルロ法(MCMC)と焼きなまし法はともにヒューリスティックの分野でよくつかわれる手法だと思います． この記事では焼きなまし法を少し理論的な面から見たい人のために， MCMC の枠組みから焼きなまし法を説明することを目標とします． MCMC の基本 MCMC の目標とするところは与えられた確率分布 $p(z)$ からその分布に従ったデータの列 $z ^ {(i)}$ をサンプリングすることです．MCMCのアルゴリズムを上手に設計すれば高次元の分布からも効率的にサンプリング可能なことが知られています． 例えばマラソンでは観測結果 $X$ とそれを生成したパラメータ $\theta$ があった場合，その事後分布 $p(\theta | X) \propto p(\theta) p(X | \theta)$ から $\theta$ を MCMC でサンプリングすることで $\t

さまざまな業界でDXの重要性が叫ばれるようになり、急速に注目を集めているエンジニア採用。サポネットでは「先端IT人材特集」として先端IT人材の採用のヒントを紹介してきました。 一方で、実際に高度な専門性を持つ情報系学生を採用していくために何をすべきか、迷われる方もいらっしゃるのではないでしょうか。 今回お話を伺ったのは、特に高度な技術を備えている「競技プログラマー」の新卒採用実績が豊富なフューチャーアーキテクト株式会社の盛岡美菜さんです。 ポイントは、先端IT人材が活躍しやすい環境とカルチャー、そして自社が求める人材の特性を理解した選考デザインでした。 盛岡美菜さん フューチャーアーキテクト株式会社 人材戦略グループ ディレクター 2002年、神戸大学経営学部を卒業後、同社に新卒入社。ITコンサルタントとして金融や物流などのプロジェクトに従事。自社の知名度をもっと上げたいという思いから手を