n阶方阵的克劳特（crout）分解matlab实现

任意相互不捕捉皇后生成源程序（类似相互不捕捉八皇后）-not arbitrary mutual capture Queen"s generation source (similar to each other to capture 8 Queen)

这是一个程序，用分形方法构建一个简单的树（生长王涛） 运行该程序，并双击鼠标在客户端领域，那么 简单的树将被显示在屏幕上。一个有趣的事情是，如果你 再次双击，用不同的appreance一个新的树将建成。

回溯算法求解0-1背包问题、旅行售货商问题、青蛙换位问题、骑士巡游问题。

#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

分枝定界法，运筹学-branch-and-bound method, and operations

图论中使用分支与界法求解旅行商问题，直接在vc中编译可运行-graph theory with the use of branch and bound for traveling salesman problem, which directly vc compiler can run

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

一个VC编写的显示地球小程序员,可随鼠标移动转动-a show prepared by the Earth small programmers, with the rotational mobile mouse

用贪心设计策略来完成带有期限的作业的FasterJob排序算法

应用背景 java实现的几个推荐算法：slopeone SVD,RSVD,ItemNeighborSVD  由于只是为了看看RMSE效果，因此很多功能都没完善 这个代码是我从网上看到的,感觉对我学习推荐算法很有用,因此放上了大家共享,希望对大家会有用. 关键技术  如果需要跑起来看效果，那么你需要 1. 下载movielens数据集，建议使用 1000W数据集  http://www.grouplens.org/sites/www.grouplens.org/external_files/data/ml-10m.zip 2. 查看修改regeneration.py 重新生成一遍数据集。再修改运行common下的DataConverter生成算法需要的格式 3. 根据需要修改test目录里的代码，运行。参数配置可先不动，