遗传算法程序

模式识别的各种计算方法，包括贝叶斯等方法-Pattern recognition of various calculation methods, including Bayesian methods such as

课题内容和要求 1、系统的基本功能及要求 （1）写一个类BigInteger，并有如下成员函数operator+/ operator-/ operator*/ operator，即整数的四则运算并重载运算符。 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

中缀表达求后缀表达式及其值-expression for which there is a suffix expression and values

看论坛上有个要钱的关于数学运算表达式的东西，之前写过一个关于数学表达式的单元，现免费发给大家了，当然因为只是临时用才写的，有些粗糙，请原谅。-Have a look forum money on things mathematical expressions, written before the mathematical expression on the cell, is distributed free to the U.S., of course, because it is only a temporary use only written, some rough, please forgive me.

该文件是自己在做点阵汉字字体变换时所写的函数，主要包括整数放大，倾斜，加粗，颠倒，镜像和旋转操作。

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

这是代码执行在 matlab 中的，用于研究水平集的 cv algorithm.and 需要的迭代次数草签完毕

1.绘制三维lorenz信号图 2.lorenz信号图在三个平面的投影 3.lorenz信号三个方向的时间序列

数学中的混沌扰动仿真，其中的参数可以任意修改，参数的不同，混沌的效果也不同，这种混沌扰动可以应用到算法改进和扩大多样性中去，改程序经过测试，可以直接运行，上面的图片就是仿真结果，这个程序是我之前看的一篇文献当中的，拿下来学习一下，曾改进过算法，有很好的效果，希望能帮到大家。

线段树的基本操作，个类oj题目，有源代码，可以相互学习