Hanoi汉诺塔

本程序采用fortran编写，为用Jacobi法求实对称矩阵的特征值与特征向量-This procedure using fortran prepared for the Jacobi method using realistic symmetric matrix eigenvalue and eigenvector

这是程序使用指针和结构来保存和重新调用数据 主要的选择是： 添加新的学生数据、 删除学生数据、 编辑学生数据、 显示所有学生数据

图像特征点提取，对于学习图像处理非常有帮助。用于初学者学习还是不错的！

离散事件系统仿真程序CPU_scheduler说明： 1.仿真功能与要求： 1.1 单CPU系统，系统有10个终端输入任务，如果一个任务的执行时间大于规定的时间片，则该任务执行一个时间片之后退出CPU，并重新参加排队，直到执行完退出CPU，然后才允许相应终端重新输入一个新的作业。任务排队的原则是在CPU中执行次数越少的越排在前面，如果两个任务执行的次数相同，按照FIFO原则排队。 1.2 每个终端输入任务的时间满足均值为25秒的指数分布。每个任务需要CPU执行的时间满足均值为0.8秒的随机指数分布。CPU的时间片长度为0.1秒，任务间切换需要0.015秒任务的个数为1000时终止仿真，计算每个任务的平均相应时间和队列中的平均任务个数。-err

资源描述1、双击 SDKdlldllsetup.bat 文件，安装 ExtOpenCV 动态库。 2、创建VC工程，将 SDKExtOpenCV文件夹 和 SDKExtOpenCV.h头文件 拷贝到工程目录下。 3、添加 ExtOpenCV.h头文件 到工程即可使用 CExtOpenCV 类库和 OpenCV 中的所有函数。 4、ExtOpenCV 函数功能详细说明见 ManualExtOpenCV参考手册。另附OpenCV中文手册。 5、具体使用方法可参看 Demo 程序，内有主要功能演示。

应用背景对于才入门学习c++的朋友可能往往不容易上手，所以这份代码能够简单的带领大家入门，由浅入深，逐步走进深处，所以这份代码是才入门学习 的好实例。关键技术这是一分c++实例代码，能够帮助初学者掌握基本技能，代码基本算法清晰，入门教学的良好选择，通过实例的学习，可以自行尝试修改，从而提高编程基础技能。

设有n个件工作分配给n个人。将工作i分配给第j个人所学要的费用为Cij。试设计一个算法，为每个人都分配1件工作，并使总费用达到最小-With n-pieces of work assigned to the n individuals. Will be allocated to the first j of work i personally have learned to cost Cij. Try to design an algorithm for each person assigned a work, and to minimize the total cost of

三次样条插值函数的具体应用程序，主要应用于热敏电阻的温度和阻值之间的换算-Cubic spline interpolation function of the specific applications, mainly used in thermistor temperature and resistance of the conversion between

Numerical algorithm for Complex numbers -Numerical algorithm for Complex numbers

应用背景背包问题和背包问题是一个问题组合优化：给定一组项目，每一个有一个重量和一个值，确定每个项目的数目，以包括在集合中，以便总重量小于或等于一个给定的限制和总的值是尽可能大。它的名字来自于一个被人所面对的问题受限于一个固定大小的背包，必须用最有价值的项目。问题往往出现在资源分配，有财务约束和在组合数学领域等，学习计算机科学，复杂性理论，密码学与应用数学。背包问题已经研究了一个多世纪，与早期的作品约会远1897。它不知道如何命名“背包问题”起源，但问题被称为在早期的作品数学家托拜厄斯丹（1884–1956），这表明这个名字可能在民间传说中存在的数学问题已经完全定义。并；https://en.wikipedia.org/wiki/knapsack_problem并；关键技术代码是用matlab遗传算法。在人工的领域智能，遗传算法（遗传算法）是一种模拟的搜索启发式自然选择过程。这种启发式（有时也被称为启发式）通常用于生成优化有用的解决方案搜索问题。遗传算法属于大类进化算法（环境），它生成的解决方案，优化问题利用自然进化启发的技术，如遗传、突变，选择和交叉。https://en.wikipedia.org/wiki/genetic_algorithm