C++实现乘子法最优化算法

一个贪吃蛇AI的js实现，基本思想：先模拟一条蛇使用去吃食，若吃到食物后（广度优先寻最短路径）蛇处于安全状态，则让真蛇去吃；若不安全，则跟着蛇尾走（广度优先寻最长路径），没走一步都需进行一次上述判断。注：只要能找到蛇头到蛇尾的路径，则蛇安全。 上述算法仍可能导致蛇进入死循环，则没有安全路径可以吃到食物，该情况发生在大部分食物已经吃完的时候，目前没找到解决办法，若有兴趣或有更好的解法，欢迎联系。

无线传感器网络LEACH (Low Energy Adaptive Clustering Hierarchy)路由算法C++源码

c语言算法 。。。。可以对考试很有用 可以用来被-c language algorithm. . . . Can be useful for the examination can be used to be

RANSAC为RANdom SAmple Consensus的缩写，它是根据一组包含异常数据的样本数据集，计算出数据的数学模型参数，得到有效样本数据的算法。它于1981年由Fischler和Bolles最先提出。该资源是利用MATLAB编写的 RANSAC 直线 椭圆 圆 拟合程序 

一个黄金分割法求最优区间-golden section method

viterbi译码算法是一种卷积码的解码算法。优点不说了。缺点就是随着约束长度的增加算法的复杂度增加很快。约束长度N为7时要比较的路径就有64条，为8时路径变为128条。 (2

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

数值分析中的循环赛程表问题，程序中含有运动员人数输入界面，在界面中可进行运动员人数的输入。-Numerical analysis of the issue cycle calendar, the program contains a number of athletes input interface, the interface can input the number of athletes.

系统辨识中，递推最小二乘估计（RLS）是辨识模型阶次的一个重要的算法。该程序通过实现该算法，得到模型阶次的估计值以及相关参数值。-system identification, recursive least squares estimation (RLS) identification model is of the order of an important algorithm. The program through the realization of the algorithm, to be model order and the estimated value of the relevant parameters.

以我的近似 = INTEGRAL((F(X) DX)) 从 A 到 B： 输入： 终结点 A、 B ；整数 N。 输出： 阵列 R.（R(2,N) 是对我的近似）。 R 是由行 ； 计算只有 2 的行保存在存储中