外部排序

几何图形算法库，可以在delphi5上用-Geometry algorithms library, you can use on delphi5

这 8 拼图规划求解。你输入你讨厌的小 8 拼图和它的当前状态将使用 Hillclimbing 算法来计算的你可以用来解决这一难题的动作列表。它是与交互式文本模式基于接口在 c + + 写的。请输入数字 0-8。保持你的光程长短期可以，并使节点 1 和 65536 之间的数目 （在 x86 计算机） 上。

VB源程序,层次分析算法.可以解决系统模糊评价的问题. 本算法结构清晰,适宜定量评价系统性能-VB source, the level of analysis algorithm. Fuzzy system can solve the problem of evaluation. This algorithm clear and suitable for quantitative evaluation of system performance

字符串的模式匹配(KMP算法)-string pattern matching (KMP algorithm)

一种在工程上应用广泛的高精度单步算法，由于此算法精度高，采取措施对误差进行抑制，所以其实现原理也较复杂。该算法是构建在 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

这是用于计算光子晶体能带结构的VC源程序。-This is used in the calculation of photonic crystal band structure of VC source.

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

k均值聚类算法 c语言实现的！！！！！ -k-means clustering algorithm c language to achieve! ! ! ! !

从.txt文件中读取数据，并对数据进行哈尔小波变换和压缩操作。-From. Txt file to read data, and data Haar wavelet transform and compression operations.

VC++ 实现图像中的文字提取，经试验，能成功运行，供大家分享