搜索资源列表
MyKmeans
- 实现聚类K均值算法： K均值算法：给定类的个数K，将n个对象分到K个类中去，使得类内对象之间的相似性最大，而类之间的相似性最小。 缺点：产生类的大小相差不会很大，对于脏数据很敏感。 改进的算法：k—medoids 方法。这儿选取一个对象叫做mediod来代替上面的中心 的作用，这样的一个medoid就标识了这个类。步骤： 1，任意选取K个对象作为medoids（O1,O2,…Oi…Ok）。 以下是循环的： 2，将余下的对象分到各个类中去（根据与medoid最相近的原则）； 3，对于每个类（Oi）
OI
- 用多种算法解决0－1背包问题，包括回朔法，动态规划，贪心算法等-algorithm used to solve a variety of 0-1 knapsack problem, including the retrospective method, dynamic programming, greedy algorithm
netstream
- 会的人并不很多的网络流算法源程序，打oi时写的
noi_debug
- 程序测试机，就是专门用来测试OI竞赛的数据的，省去一个个数据的手功测试的麻烦。只要输入相应的资料便可，程序执行完后会有列表清单，告诉你对了哪些题。
k_medoids
- 聚类算法：k—medoids 方法。这儿选取一个对象叫做mediod来代替上面的中心 的作用，这样的一个medoid就标识了这个类。步骤： 1，任意选取K个对象作为medoids（O1,O2,…Oi…Ok）。 以下是循环的： 2，将余下的对象分到各个类中去（根据与medoid最相近的原则）； 3，对于每个类（Oi）中，顺序选取一个Or，计算用Or代替Oi后的消耗—E（Or）。选择E最小的那个Or来代替Oi。这样K个medoids就改变了，下面就再转到2。 4，这样循环直到K个medoids固定下
DD_engi
- dd牛的usaco源代码！对学习算法，oi的人很有帮助
3
- cx lka mgewra oi arwefjasl arew awejfiwerasekjgfna-atreawoif cawektrjaingf a t oawertn gawergna lgn
oi
- 聚类和分类技术在生物信息学中的应用，不包含源代码！-Clustering and classification technology in bioinformatics applications, does not contain the source code!
2001lectures
- ACM/ICPC OI集训队 2001年所有论文（很全 很强大） ACMer 必备资料 -ACM/ICPC OI Team of all the papers in 2001 (very full very strong) ACMer necessary information
16x8_LED_Display
- Clock dong ho so ne ba con oi
beamforming
- hay nen lay file nay di cac ban oi
forniseight
- ws wsb wswysuy wswysk oi wuysywxubkjwyx ywuxywkh yywxwhyuwio ul lj ijljh
NOI1997-2005.pdf.tar
- ACM/OI资料，NOI1997-2005解题报告集合-NOI1997-2005 problem solutions
pfdl
- OI的骗分导论,绝对好用,OIer必备资料!-Introduction to OI deceived points, absolutely easy to use, OIer essential information!
optionchoose
- 在开发子函数时，matlab存在正则方法和非正则方法，正则方法非常适合一个子函数功能的不断扩展与完善，此函数为辅助函数，增加子函数的可读性 例如一个函数drawfun(x,y,z,5,6),5表示用第5种方法插值,6表示markersize为6，它显然没有drawfun(x,y,z, kriging , markersize ,6)好看懂与理解。 kriging 如何就是5可以用optionchoose(varargin{4},{ linear , spline , inverse , re
oi_TC_SB7
- lathe skt-160 pmc ladder program fanuc oi-TC controller
avl
- 一套持久化平衡树，可用于代替sgiSTL中的rope，且功能更加强大（略作修改可实现持久化动态树）使用GNUC++标准（在OI前辈fanhq指导下完成）文件内自带使用方法样例-A persistent balanced BST, can be used instead of rope in sgiSTL, and more powerful (slightly modified to achieve lasting dynamic tree) (OI seniors fanhq complete
DP
- 随着动态规划在 OI 中的广泛运用，动态规划问题已经不再停滞于能够写出 方程就能得到完美解答。如今考察我们的对于动态规划的运用往往是考察动态规 划的优化，也就是降维。我们已经知道维护方程中的决策可以选择用数据结构进 行优化，比如：Splay、线段树，等等。这样的优化仅能将方程的时间复杂度下 降一个 LogN 的级别。如果 N 的范围相当大，即使下降一个 LogN 的级别也依然 超时呢？我们引进一种更强的优化——斜率优化。-With the extensive use of d
RDPTA
- Algorithm Given are P training pairs {X1,d1,X2,d2....Xp,dp}, where Xi is (n*1) di is (n*1) No of Categories=R. i=1,2,...P Yi= Augmented input pattern( obtained by appending 1 to the input vector) i=1,2,…P In the following, k denotes the training step
20090322
- 一、算法伪码： 1、初始化： 1.1每一个空间的点映射到二维窗格，每个空间的点分配唯一的二维窗格坐标。一个窗格只能有一个点。 1.2为每一只蚂蚁在二维窗格分配唯一的地址 （第一步需要注意的是：空间上点的位置和平面窗格上点的位置完全是两回事，空间上两个点的位置来计算两点之间的距离；而平面上点的位置，主要是用来确定半径为S的区域内的点，计算两个点的空间距离，进而计算群体相似度，最后通过群体相似度来计算拾起或者放下的概率） 2、迭代tmax次 3、所有的蚂蚁运动一次