weixin_51020254的博客

import mathimport randomimport numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom datetime import datetime# 子程序：定义优化问题的目标函数def cal_Energy(X, nVar, mk): # # m(k)：惩罚因子，随迭代次数 k 逐渐增大 p1 = (max(0, 6*X[0]+5*X[1]-60))**2 p2 = (max(0

基于奇异值分解压缩数据 pythondata5 2 1 4 0 0 2 4 0 0 00 0 0 0 0 0 0 0 0 3 01 0 5 2 0 0 3 0 3 0 10 5 0 0 4 0 1 0 0 0 00 0 0 0 0 4 0 0 0 4 00 0 1 0 0 0 1 0 0 5 05 0 2 4 2 1 0 3 0 1 00 4 0 0 5 4 0 0 0 0 50 0 0 0 0 0 4 0 4 5 00 0 0 4 0 0 1 5 0 0 00 0 0 0 4 5

莱斯利Leslie种群模型 pythonsympy# 莱斯利Leslie种群模型import numpy as npimport sympy as spX0 = np.array([500, 1000, 500])L = np.array([[0, 4, 3], [0.5, 0, 0], [0, 0.25, 0]])X1 = L @ X0X2 = L @ X1X3 = L @ X2Ls = sp.Matrix([[0, 4, 3], [sp.Rational(1, 2), 0, 0]

pythonsympy库的使用 案例斐波那契数列''import sympy as sp# 斐波那契数列# 定义变量k、k = sp.var('k', positive=True, integer=True)# 新建符号变量时可以指定其定义域a = sp.Matrix([[0,1], [1,1]])val = a.eigenvals() # 求特征值vec = a.eigenvects() # 求特征向量P,D = a.diagonalize() # 把a相似对角化ak = P @(D**

学习笔记，仅供参考。

from scipy.optimize import fsolvefrom scipy.optimize import root# print(help(root))## fsolve 第一个参数函数表达式 ，第二个参数，解的预测估计，第三个参数，函数中的参数a, bdef fun(i): x = i[0] y = i[1] return [x ** 2 + y ** 2 - 1, x - y]s1 = fsolve(fun, [1, 1])print(

python实现K均值聚类，层次聚类，