u012737193的博客

传统的n后问题使用的是回溯法解决的，但是一旦问题的规模过大，那么计算时间复杂度是不能够接受的，这里有一种启发式局部搜索的n皇后问题，由sosic和顾均提出，可以计算皇后数量超过1000，当皇后数量超过1000的时候，计算时间反而会下降，每一次运行的时间为O（n^2），算法伪代码为输入：皇后数量N输出：解t(i)BeginDo(1)  产生一个随机解t(i)(i=1,2,3,

我发现模拟退火算法的过程和随机化算法里面的蒙特卡洛算法很像，都是选择初始值s，能量函数e(s)，初始能量是很高的，比如在解方程的时候，随机生成初始解s，解出来的值和目标值的差为其能量e(s)，一开始能量是很高的，也就是差值是很高的，一开始有一个随机倍数k，一开始k很高，然后随机生成一个数a，a为-k~k之间，然后将s`=s+a，评估e(s`)也就是s`的能量，如果能量降低了，说明接近最终解了,取s

灰色预测模型(Gray Forecast Model)是通过少量的、不完全的信息，建立数学模型并做出预测的一种预测方法灰色预测模型适用于小样本，含有不确定性因素的系统首先，假如给定一组数据X1={x11,x12,x13…x1n}，你需要预测x1(n+1)的值是多少这里可以使用灰度预测模型也就是GM(1,1)来进行预测首先生成累加序列X2，x21=x11,x22=x11+x12….x2(n)=x11...

现在给你一组数据{ a 1 ,a 2, ⋯ ,a n}，比如这组数据表示的是第1个月到第n个月的电量使用情况现在让你根据这组数据使用KNN算法去预测a n+1的值，也就是第n+1个月的电量使用情况由于任何一个月的用电量总是和前几个月的用电量关系最密切 , 所以 , 用长度为 m 的向量 β 0 = { a n - m +1 , a n - m +2 ,⋯ , a n - 1 , a n} 来预测 ...

首先需要明白SVM（支持向量机）的原理SVM（支持向量机）分类器的原理是利用“分类超平面”来实现数据分类。在利用“分类超平面”对数据进行划分时，遵循“间距最大”原则。例如，将二维平面内的两组数据分类，可以确定很多个“分类超平面”，在二维维度下，超平面退化为一条直线：上图中使用绿线将蓝色圆圈和红色方块进行分类，可以有多种方式。那么根据SVM原理，哪一条线是最佳分类线呢？答案是，最佳分类线因该是距离蓝...