用vc＋＋平台开发的双三次样条插值函数，具有很高的精度，能够完成对面上的点的插值...

用一个具有52个元素的数组（如char p[52][5]）存放这52张牌的内容，如P_i表示黑桃、H_i表示红桃、C_i表示梅花、D-i表示方块；程序中可以首先初始化该数组，然后显示菜单等待用户选择输入，用户选择“发牌”，程序调用“发牌”函数；在发牌函数中，可使用C 中的产生随机数的函数（参看rand(),srand(),random()等函数的使用说明）一个随机数m，选取一张牌{p[m]}，将其与最前面的牌交换位置，即将选取的牌放在最前面；然后对数组p余下的牌重复选取操作，直到所有牌均重排列；最后按13行*4列输出发牌结果

大数运算库-Treasury operations of large numbers

工程中微分方程数值积分经常需要使用的Newmark法-Differential equations numerical integration project often requires the use of the Newmark method

这是硕士生计算机软件专业组合数学的一个换位法算法演示，仅供参考。-This is the master computer software professional combination of a mathematical algorithm law transposition demonstration purposes only.

Tony Jpeg Lib _ 演示

银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法银行家算法

这是使用 c++/c.The Banker 的 Banker 算法： 仿真算法算法是由 Edsger Dijkstra，通过模拟的预先确定最大可能数量的所有的资源，分配安全测试，然后使"s 状态"检查挂起的所有其他活动可能死锁条件的试验开发资源分配和死锁避免算法然后才决定是否应该允许分配继续。

vb2008从入门到精通例子代码，清华大学出版社，著名计算机图书作家精心编著，配合最新工具全面升级，大量可重阳的范例代码

VC实现的MD5加密算法源码，包括完整的VC代码，可用VC6打开，编译调试，还包括测试数据和测试用例，可直接拿来使用，有很高的利用价值。也是从其他地方下载的，忘记是哪里下载的了。

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