这是常用的数字，很有用的啊，建议大家学习

这时一道关于优化算法的题目，本人费劲周折终成大果！拿来分享！-youhuasuanfa

用SPH方法编写的激波管程序，开发语言C-SPH method used to prepare the shock tube procedures, the development of the language C

Unix下的复数运算，实现了复数的加减、开方运算-Unix complex operation, realized the plural number addition and subtraction, the root has operated

常用算法的C程序。主要内容包括多项式的计算、复数运算、随机数的产生、矩阵运算、矩阵特征值与特征向量的计算、线性代数方程组的求解、非线性方程与方程组的求解、插值与逼近、数值积分、常微分方程组的求解、数据处理、极值问题的求解、数学变换与滤波、特殊函数的计算、排序和查找。-Commonly used algorithm of C procedures. Include polynomial terms, complex computation, random number generation, matrix operations, matrix eigenvalue and eigenvector calculations, linear algebra equations, nonlinear equations with the equations, interpolation and approximation, numerical integration, solving ordinary differential equations, data processing, for solving extremum problems, mathematical transformation and filtering, the calculation of special functions, sorting and search.

利用fisher线性判别分析进行数据降维-using linear discriminant analysis of data dimensionality reduction

*   To find a solution to the equation f(x) = 0*   given initial approximations p0 and p1:**   INPUT:   initial approximation p0, p1; tolerance TOL;*            maximum number of iterations N0.**   OUTPUT:  approximate solution p or*            a message that the algorithm fails.*

列主元法求解高次线性方程-main-element method high linear equations

mpi并行计算的c++代码 可用vc或gcc编译通过 可以用来搭建并行计算试验环境-mpi parallel computing available vc c code or compile gcc structures can be used to test parallel computing environment

基础算法代码解决方案 (BACS)这个包是一笔小的和已知的算法存在的问题及解决方案编码是种科学与艺术之间的一门学科。在任何时候，我们会深入到 maXbox 或 ObjectPascal 编程 （OP）。它是只是引物，以在编写一个程序中显示的第一步。另一个教训深入与第二个步骤，并显示对象、 类和事件。作为一个教练和老师，我发现没有什么教育学生误以为算法优于解决微小的、 个人的和短的问题。他们是向大脑什么俯卧撑...无论肌肉组俯卧撑是的。举个例子： 给定文本，显示按相反的顺序由奇数排名的每个字符的文本。或者，给出一组数字，显示所有成对的去乐透发电机的总和是 10 到 100 之间的数字。绝大多数我们使用类似四舍五入或 sqrt () 函数都隐含在图书馆 （或单位）。图书馆是你可以在你的程序中包含的代码的集合。通过将您常用的代码存储在库中，可以多次在不同的项目中重用的代码，并还隐藏比较难的部分，从开发人员的代码。一旦一个单位测试它是稳定使用。

近邻传播(Affinity Propagation,AP)聚类具有不需要设定聚类个数、快速准确的优点,但无法适应于大规模数据的应用需求.针对此问题,提出了分层近邻传播聚类算 法.首先,将待聚类数据集划分为若干适合AP算法高效执行的子集,分别推举出各个子集的聚类中心;然后对所有子集聚类中心再次执行AP聚类,推举出整个数 据集的全局聚类中心;最后根据与这些全局聚类中心的相似度对聚类样本进行划分,从而实现对大规模数据的高效聚类.在真实和模拟数据集上的实验结果均表明, 与AP聚类和自适应AP聚类相比,该方法在保证较好聚类效果的同时,极大地降低了聚类的时间消耗.