在一个面向对象的方式实现一个基本粒子群算法的C++程序…

操作系统中的多级反馈队列调度算法-operating system as a multi-level feedback queue scheduling algorithm

在omnet4.0平台以上实现的tmac协议，里面有协议实现的详细代码，里面有协议的所有性能测试，只需要新建一个项目然后import一下重新编译即可运行。仿真网络为网格网络

本文提出了一种全向立体对的校正方法。提出了几种校正方法，并介绍了一种新的校正方法&赤平校正法。在论文的第二部分中，我们提出了一种利用任意方法矫正立体对的三维重建方法。提出了一种基于赤平校正的基本矩阵精度判定方法。在论文的最后，给出了利用OmniRect MATLAB工具箱进行图像对校正的几个例子。

GUASS算法的C源代码-GUASS algorithm C source code

基于Householder transformation的QR分解。 其使用需要调用Householder transformation程序。-Householder transformation based on the QR decomposition. The use of Householder transformation procedures need to call.

这是硕士生计算机软件专业组合数学的一个黄金分割算法演示，仅供参考。-This is the master computer software professional combination of a mathematical algorithm 0.618 demonstration purposes only.

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

bble 排序，有时被误称为下沉排序是一个简单的排序算法，通过反复逐句通过列表进行排序的工作，比较每一对相邻的项目和交换他们，如果他们是以错误的顺序。列表中的通过重复，直到没有全部门办法需要的这表明对列表进行排序。该算法到列表的顶端，从方式较小的元素"的泡沫"获取其名称。因为它只使用比较对元素进行操作，它是一种比较排序。虽然该算法很简单，大部分的其他排序算法的效率是更有效的大型列表。冒泡排序具有最坏情况以及平均复杂度两个 О(n2)，其中 n 是要排序的项的数目。极大地更好最坏的情况或平均复杂度是 O (n，log n) 存在很多的排序算法。即使其他 О(n2) 排序算法，如插入排序，倾向于有更好的性能，比冒泡排序。因此，冒泡排序不是一种实用的排序算法在 n 很大时。冒泡排序的唯一重大的优势超过大多数其他实现，甚至快速排序，但不是插入排序，是到算法有效地建立了检测对列表进行排序的能力。此列表已排序 （最好），冒泡排序的复杂性时只有 o (n)。与此相反的是，大多数其他算法，即使是那些具有更好的平均情况复杂性、 执行他们整个的排序过程对集和因而是更复杂。然而，不单止没有插入排序这一机制也有，但是它还更好地执行极大地进行排序 （具有反演一个小的数目） 的名单上。在大型集合的情况下，应避免冒泡排序。它不会有效时相反的顺序

51单片机超声波测距，亲测能够使用，解释详细。主要技术参数：1.使用电压：DC5V 2.静态电流：小于2mA3：电平输出：高5V 4：电平输出：低0V5：感应角度：不大于15度 6：探测距离：2cm-450cm 7:高精度：可达3mm接线方式，VCC、trig（控制端）、 echo（接收端）、 GND地线使用方法：一个控制口发一个10US以上的高电平,就可以在接收口等待高电平输出.一有输出就可以开定时器计时,当此口变为低电平时就可以读定时器的值,此时就为此次测距的时间,方可算出距离.如此不断的周期测,就可以达到你移动测量的值了.模块工作原理：(1)采用IO触发测距，给至少10us的高电平信号;(2)模块自动发送8个40khz的方波，自动检测是否有信号返回；(3)有信号返回，通过IO输出一高电平，高电平持续的时间就是超声波从发射到返回的时间．测试距离=(高电平时间*声速(340M/S))/2;

在给定初始近似值X（0）的情况下求解AX=B：