-
RPSO粒子群优化算法
非常给力的RPSO非常给力的RPSO非常给力的RPSO非常给力的RPSO非常给力的RPSO非常给力的RPSO非常给力的RPSO非常给力的RPSO非常给力的RPSO非常给力的RPSO非常给力的RPSO非常给力的RPSO
- 2023-05-18 14:25:04下载
- 积分：1
-
利用只读存储器计算参数字节
Calculate Parameter Byte using ROM-BIOS
- 2022-04-07 19:31:25下载
- 积分：1
-
基于α-β剪枝法的五子棋人机对弈
应用背景主要使用α-β剪枝法应用于五子棋，AI人工智能，可以实现分好的人机对战，对于学习人机博弈算法很有好处！主要使用α-β剪枝法应用于五子棋，AI人工智能，可以实现分好的人机对战，对于学习人机博弈算法很有好处！关键技术归纳一下以上讨论，可将α-β过程的剪枝规则描述如下：
在进行α-β剪枝时，应注意以下几个问题：
（1）比较都是在极小节点和极大节点间进行的，极大节点和极大节点的比较，或者极小节点和极小节点间的比较是无意义的。
（2）在比较时注意是与"先辈层"节点比较，不只是与父辈节点比较。当然，这里的"先辈层"节点，指的是那些已经有了值的节点。
（3）当只有一个节点的"固定"以后，其值才能够向其父节点传递。
请点击左侧文件开始预览 ！预览只提供20%的代码片段，完整代码需下载后查看 加载中 侵权举报
- 2022-08-23 04:11:02下载
- 积分：1
-
一个小游戏，用delphi做的，鸡兔同笼,数学计算！
一个小游戏，用delphi做的，鸡兔同笼,数学计算！-a little game with delphi done, chickens and rabbits into the same cage, mathematical calculations!
- 2022-12-31 08:15:03下载
- 积分：1
-
声卡声压级计算
本算法主要针对声卡的声压进行测量并换算成相应的声压级，如A计权，B计权，可以直接在Matlab中进行调用计算
- 2023-08-22 00:45:04下载
- 积分：1
-
Kriging Algoritm
用克里格法计算地图值的程序，输入文件为“PISO”_数据.TXT“输出文件是”顺序文件". 使用IMSL功能。
- 2022-11-18 04:15:03下载
- 积分：1
-
两个城市之间的最短路径
此程序读取一个文件从一个国家的城市之间的距离的名字"图"，然后从输入获取的两个城市的名称。然后它计算两个城市的最短的路径。输出是路线和最短路径。
"图"文件的结构就像： 源城市目的地城市的距离。
NONAME00.cpp 创建文件"graph.dat"。
- 2022-03-16 13:02:53下载
- 积分：1
-
16 CRC-32 算法介绍,程序代码
CRC-16 CRC-32 算法介绍,程序代码-CRC-16 CRC-32 algorithm, the program code
- 2022-11-24 06:50:03下载
- 积分：1
-
C++ ItemCF
UserCF和ItemCF是协同过滤中最为古老的两种算法，在top-N的推荐上被广泛应用。这两个算法之所以重要，是因为他们使用了两个不同的推荐系统基本假设。UserCF认为一个人会喜欢和他有相同爱好的人喜欢的东西，而ItemCF认为一个人会喜欢和他以前喜欢的东西相似的东西。这两个假设都有其合理性。根据我的测试，用UserCF和ItemCF做出的推荐列表中，只有50%是一样的，还有50%完全不同。但是这两个算法确有相似的精度。所以说，这两个算法是很互补的。我一直认为这两个算法是推荐系统的根本，因为无论我们是用矩阵，还是用概率模型，我们都非常的依赖于前面说的两种假设。如果用户的行为不符合那两种假设，推荐系统就没必要存在了。因此我一直希望能够找出这两种算法的本质区别。他们有相似的精度，但是coverage相差很大，ItemCF coverage很大而UserCF很小。我还测试了很多其他指标，不过要从这些表象的指标差异找出这两个算法的本质区别还是非常困难。不过上周我基本发现了这两个算法推荐机理的本质区别。我们做如下假设。每个用户兴趣爱好都是广泛的，他们可能喜欢好几个领域的东西。不过每个用户肯定也有一个主要的领域，对这个领域会比其他领域更加关心。给定一个用户，假设他喜欢3个领域A,B,C，同时A是他喜欢的主要领域。这个时候我们来看UserCF和ItemCF倾向于做出什么推荐。结果如下，如果用UserCF, 它会将A,B,C三个领域中比较热门的东西推荐给用户。而如果用ItemCF，它会基本上只推荐A领域的东西给用户。因为UserCF只推荐热门的，所以UserCF在推荐长尾上能力不足。而ItemCF只推荐A领域给用户，这样他有限的推荐列表中就可能包含了一定数量的不热门item，所以ItemCF推荐长尾的能力比较强。不过ItemCF的推荐对某一个用户而言，显然多样性不足。但是对整个系统而言，因为不同的用户的主要兴趣点不同，所以系统的coverage会很大。显然上面的两种推荐都有其合理性，但都不是最好的选择，因此他们的精度也会有损失。最好的选择是，如果我们给这个用户推荐30个item，我们既不是每个领域挑选10个最热门的给他，也不是推荐30个A领域的给他，而是比如推荐15个A领域的给他，剩下的15个从B,C中选择。认识到这一
- 2022-03-26 08:57:57下载
- 积分：1
-
回溯法解N后的C++源码（Visual Stdio2010环境测试通过）
#include #include #include #include using namespace std;class Queen{ friend int nQueen(int);private: bool Place(int k); void Backtrack(int t); void Output(); int n,//皇后个数 *x;//当前解 long sum;//当前已找到的可行性方案数};bool Queen::Place(int k){ for (int j=1;jn) { sum++; Output(); } else { for (int i=1;i
- 2022-02-06 19:11:54下载
- 积分：1
