二维粒子滤波算法程序

k-means 算法的工作过程说明如下：首先从n个数据对象任意选择 k 个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；不断重复这一过程直到标准测度函数开始收敛为止。-k-means algorithm process as follows: First of all, the object data from the n choose k object as initial cluster centers and the remaining for the other object, then according to their cluster center with those of the similarity (distance) respectively assigned to them with the most similar (represented by cluster center) clustering obtained and then calculated for each new cluster center clustering (all objects in the cluster mean) repeated this process until the standard measure of function until the beginning of convergence.

Bisection Method - Numerical ananlysis-Bisection Method- Numerical ananlysis

Windows下使用C语言实现在dos界面下的五子棋小程序，拥有能够接受的界面。                                                                                 

二维三节点有限元计算程序 输入单元及节点信息，计算结构位移。最大单元数5000，最大节点数2000，能够处理集中力、体积力、已知位移等荷载。 采用迭代、回代算法计算线性方程组。能够生成节点的位移、应力及应变值，应力包括个应力分量及主应力值和主应力方向

固定分区模拟,按"回车"可以随机加入进程,对未获资源的进程自动排序,等待调度-Fixed partition simulation, press the Enter can be random to join the process has not been the resources of the process of automatic sorting, awaiting scheduling

国际象棋是古印度舍罕王的宰相达伊尔发明，舍罕王问宰相要什么赏赐。宰相就说：第一个格子放一粒麦子、第二个格子放两粒麦子、第三格子放四粒麦子.......依次知道64个格子 问舍罕王能实现吗？

很 经典 的 矩阵算法 知道 的 就下 -Very classic matrix algorithm to know on the next

A星寻路算法Lua版 算法原理描述,百度一下一大堆，参考http://blog.sina.com.cn/s/blog_6612d09b0100ve1z.html 其实很简单， 1. 我们无法直接知道怎么到达目的地，但是我们能够知道怎么样从起始点到达相邻的格子，还能从相邻的格子再到相邻格子的相邻的格子。 2.我们不停的找相邻的格子，相邻格子的相邻格子....总有一天，我们会发现其中一个相邻的格子就是我们的目的地,于是我们找到了这条路。 3.在此基础上，我们加入 预估值来提高寻找的效率，我们总是优先寻找预估值低的那些相邻的格子。 其中 f= g+h g 是实际耗费的值 h 是预估值，从当前位置到达目标位置所耗费的移动值，预估有几种算法，这边用的是 对角线估价法 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 打分 发表评论 暂无评论

这是扬辉三角的算法-Jan- 1.30 Algorithm

本文实现了C4.5的算法，在ID3的基础上计算信息增益，从而更加准确的反应信息量。其实通俗的说就是构建一棵加权的最短路径Haffman树，让权值最大的节点为父节点。ID3算法：ID3算法的核心是：在决策树各级结点上选择属性时，用信息增益（information gain）作为属性的选择标准，以使得在每一个非叶结点进行测试时，能获得关于被测试记录最大的类别信息。其具体方法是：检测所有的属性，选择信息增益最大的属性产生决策树结点，由该属性的不同取值建立分支，再对各分支的子集递归调用该方法建立决策树结点的分支，直到所有子集仅包含同一类别的数据为止。最后得到一棵决策树，它可以用来对新的样本进行分类。