这是一段关于四种排序方法的完全源代码及其相互之间的比较,包括:Heap sort,Merge sort,Quick sort,Radix sort...

这是一个关于fuzzy的很好的代码文件，包含程序及其说明，可进行仿真，并有较好的效果。它包含模糊文件的建立，模糊规则的建立，模糊变量的建立，并选择合适的隶属度函数，并且对仿真结果进行解释说明。

路径查找代码[vc版本代码]-path search code [vc version code]

implementación del filtro de Kalman

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

程序用于产生0到1之间均匀分布的随机数序列，程序例子中产生50个-Procedures used to produce between 0-1 uniformly distributed random number sequence, the program generated 50 examples

国际象棋的骑士遍历也称跳马问题、马踏棋盘问题：在8*8方格的国际象棋棋盘上，从任意指定的方格出发，为象棋中的马寻找一条走遍棋盘每一格并且只经过一次的一条路径。程序从“深度优先”、“广度优先”两种算法思想入手，并设计了Java GUI界面，很好地展示了骑士遍历的过程。

AVL树的创建与基本操作-AVL Tree and the creation of basic operation

线性方程组求解器，用此程序包可以求解大型稀疏矩阵方程组，还可以 并行，优化提高效率，此库包含大部分线性方程组的求解方法，包括直接法、迭代法等以及一些特殊系数矩阵的求解方法。

使用TMS320F2812实验三相交流异步电机调速的程序，通过此代码可以学习DSP2812的编程框架和SPWM的产生方法。程序代码全部为C/C++语言-TMS320F2812 experiments using three-phase AC induction motor of the process, through this code can learn DSP2812 programming framework and method for the selection of SPWM. Code all C/C++ Language

通过模式匹配寻找一个字符串的所有符合匹配的字串，然后用指定任意形式的字符长短替换