算法讲解第三节

❶ 数据结构这门课程第一章概述的知识点有哪些

数据结构这门课第一章概述的知识点包含章节导引,第一节数据的逻辑结构,第二节数据的物理结构,第三节算法的描述和分析,第四节小结,课后练习,。

❷ 谁能把这个数据结构算法详细的讲解一下啊

题目的算法思路是：从第一个结点开始，先设第一个结点为目标结点，然后向后遍历整个链表，看有没有与第一个结点重复的结点，如果有删除重复结点，然后按链表顺序以第二个结点为目标结点，重复上边的工作，以此类推，直至最后一个结点。对于你上边给的算法，可能是你誊写出错了，我认为有几处错误。例如
if(p->data==m){
u=p;
p=p->next；
free(u);
这里直接删掉了u结点，那么会发现从这时起链表已经断掉了。后边虽然有q-next=p;但是已是在while循环之外了。我把你这个算法整理修改了下然后加上了注释希望能帮到你。
LinkList Delete（LinkList la）{//删除以la为头结点的单链表中的重复元素
pre=la->next;//先让pre指向第一个结点（非头结点）
while(pre!=NULL){//这里开始循环，pre指向作对比的目标结点，循环跳出条件pre为空，代表已遍历整个单链表
m=pre->data;//m做为目标结点的值的载体
q=pre;//由p,q两个指针做游标遍历pre以后的单链表结点，以寻找重复结点，之所以用两个指针是为了方便删除操作
p=q->next;
while(p!=NULL){//开始循环遍历
if(p->data==m){//如果遇到重复结点，进行删除操作
u=p;//以u为删除的载体，因为p还要接着使用所以不便删除
p=p->next；//p向后走一步
q-next=p;//绕过u把p和q相连，从而使链表在删除结点后不断
free(u);//删除u，释放空间
}
else{//如果p不是与pre重复的结点，那么继续向后走
q=p;
p=p->next;
}
}//while循环结束，所有与pre重复的结点已删除，pre继续向后指进行下一次循环
pre=pre->next;
}//所有结点的重复结点删除完毕
return la;//返回头结点
}

❸ 机器学习故事汇-集成算法

机器学习故事汇-集成算法
【咱们的目标】系列算法讲解旨在用最简单易懂的故事情节帮助大家掌握晦涩无趣的机器学习，适合对数学很头疼的同学们，小板凳走起！

今天咱们就来讨论一下传说中的集成算法，之前咱们讲的算法都是单兵作战的（单个模型得到结果），但是回过头来想一想现在是不是干啥都讲究个合作共赢，所以咱们的模型也是如此。单个算法确实势单力薄，假如我们可以把它们组合起来会不会得到更好的效果呢？（算法们要揭竿起义了，今亡亦死举大计亦死。。。编不下去了）
在集成算法中，有三个核心模块，咱们就一一道来，先来概述一下：
Bagging集成：并行的构造多个基础模型（随机森林），每一个基础模型都各自为政，然后把它们的结果求一个平均就好！
Boosting集成：串行的构造多个基础模型（Xgboost），每一个基础模型都要严格筛选，在前面的基础上加进来的新模型后，它们整体的效果起码得没加这个新的基础模型前要强吧！
Stacking集成：多种算法群殴一起上！选择多个机器学习算法做同一件事，最后把它们的结果合并就OK啦！

先来看看第一个家伙Bagging模型，其典型代表就是随机森立了，简单来说就是并行的训练一堆树模型，然后求其平均结果，在这里我们要讨论一个问题，就是每个树模型该怎么构造呢？如果不加入任何限制，那每个树模型不都差不多嘛，那最后的平均结果又会有什么变化呢？所以为了结果的泛化能力更强，必须要使得每个树模型表现出多样性，也就是尽可能的让每个树模型都不一样！

这该怎么做呢？什么影响模型呢？数据绝对是最大的影响因子，这里的森林很好理解了，就是把树放在一起，那么随机又是什么呢？为了保证每个树的多样性，在构建模型时，我们做了二重随机（我自创的词。。。）第一重就是对样本的选择，每次随机的有放回的选择部分样本作为一棵树的训练样本（比如选择百分之八十作为训练集）。第二重还要考虑特征了，既然样本数据能随机，那么特征也是一样的，每棵树选择的特征也是不一样的随机选择部分特征来建模！

随机的意义非常重要，这是随机森林的精神所在！

随机森林作为灰常经典的机器学习算法，优势自然少不了，当我们建模完之后，还可以对特征进行重要性评估，其实简单来说一个特征的重要与否可以取决于建模的时候如果把这个特征换成噪音特征再去看看结果的错误率是不是显着上升，如果显着上升，那么这个特征自然很重要，如果没变化，那这个特征就没啥用了，因为它和噪音没啥区别！

随机森林中树的个数是不是越多越好呢？理论上越多的树效果应该会更好吧，但是实际上我们把树的个数增加到一定的时候比如100棵了已经，再往上增加树的个数结果也只会发生小范围的浮动，基本也就稳定了！

Boosting集成中典型的代表就属Xgboost啦，一个大杀器，这个算法由于涉及的数学比较多，咱们后续来一个专题去讲Xgboost，我们先来看看简单些的Adaboost。

Adaboost算法概述来说就是，首选我有一个非常简单的模型，比如深度为1的树模型，然后我去预测一下结果，在结果中我发现某些样本预测错了，这个时候第二个简单的树模型就来了，还是同样的任务只不过数据的权重发生了变换，一开始所有的数据都是相同的权重，但是第二次会把前面那次预测错的数据的权重增大，相对来说预测对的数据的权重就会减小。说白了就是让后面的模型更注重我之前哪些数据分错了，这回好能分对它！（好比我们在考试前都会复习之前做错的题）

最后来看一下堆叠模型吧，社会我Stacking，人狠话不多，不需要多解释，做了一堆算法，然后把它们的结果堆叠起来，每个算法都有自己的预测结果，这些结果组合在一起那不相当于一个新的特征嘛，再把它们结果组成的特征去做一个分类或者回归，又得到了一个唯一的结果。

❹ 十二地支讲解：天干地支最正确的算法

天干地支计算方法
一、年干支计算公元后年份的口诀是：
“公元年数先减三，除10余数是天干，基数改用12除，余数便是地支年”。
以2010年为例，年份减3得基数2007,除以10得余数7,对查天干次序（甲、乙、丙、丁、戊、已、庚、辛、壬、癸）。
得”庚“,再将基数2007除以12得余数为3,再循环对查地支次序（子、丑、寅、卯、辰、巳、午、未、申、酉、戌、亥）得”寅“,故2010年为庚寅年。（若得0可理解为1之前即12）

二、月干支月的地支是固定的如正月起寅之类，只计算月干。
月干=年干数乘2+月份例：2010年（庚寅）三月（辰月）的天干=7*2+3=17,天干10为周期，就去掉10，得7，天干第7位为庚，则此月干支为庚辰。

三、日干支1900——1999年日干支基数=（年尾二位数+3）*5+55+（年尾二位数-1）除42000——2099年日干支基数=（年尾二位数+7）*5+15+（年尾二位数+19）除4（只用商数，余数不用，数过60就去掉60）

例：2010年4月12日星期一日干支基数=（10+7）*5+15+（10+19）/4=47（已去掉60的倍数）这就是1月1日的干支数。从1月1日到4月12日为47+31（1月天数，下类推）+28+31+12=149，去掉60的倍数得29、天干去10的倍数余9为壬，地支去12的倍数余5为辰，今天的干支就是壬辰。

四、时干支时干=日干序数*2+日支序数-2

五、倒推年龄法从今年的干支推出任何年龄的干支，即年龄去掉60为基数，去掉10的倍数为天干倒推数，去掉12的倍数为地支倒推数。

如今年为庚寅年，56岁生年的干支这样推：56去50余6，天干从庚倒推6位是乙，地支为56去掉48余8，从寅倒推8位是未，生年就是乙未年。65岁生年去掉60余5，从今年的天干倒推5位丙，从今年的地支倒推5位戌，生年就是丙戌年。

【结束语】古人的智慧是不是令人赞叹呢？在哪种科学技术不发达的时代，能相想出如此精密的算法，真是一绝。为古人的智慧点赞！！

❺ kmp 算法原理

朴素算法
先看看最“朴素”的算法： ///find a template in a string. #include<string.h> #include<stdio.h> int Index(char *S, char *T, int pos) { int k=pos, j=0; while(k <strlen(S) && j<strlen(T))//未超出字符串的长度 { if (S[k] == T[j]) { ++k; ++j;} //如果相同，则继续向后比较 else {k = k-j+1; j =0;} //如果不同，就回溯，重新查找 } if (j == strlen(T)) return k-strlen（T）; else return 0; }
编辑本段KMP算法
一种由Knuth(D.E.Knuth)、Morris(J.H.Morris)和Pratt(V.R.Pratt)三人设计的线性时间字符串匹配算法。这个算法不用计算变迁函数δ，匹配时间为Θ(n)，只用到辅助函数π[1，m]，它是在Θ(m)时间内，根据模式预先计算出来的。数组π使得我们可以按需要，“现场”有效的计算(在平摊意义上来说)变迁函数δ。粗略地说，对任意状态q=0，1，…，m和任意字符a∈Σ，π[q]的值包含了与a无关但在计算δ(q，a)时需要的信息。由于数组π只有m个元素，而δ有Θ(m∣Σ∣)个值，所以通过预先计算π而不是δ，使得时间减少了一个Σ因子。[1] KMP算法是通过分析子串，预先计算每个位置发生不匹配的时候，所需GOTO的下一个比较位置，整理出来一个next数组，然后在上面的算法中使用。
编辑本段KMP算法的讲解
当我们分析一个子串时，例如：abcabcddes. 需要分析一下，每个字符x前面最多有多少个连续的字符和字符串从初始位置开始的字符匹配。然后+1就行了（别忘了，我们的字符串都是从索引1开始的）当然，不要相同位置自己匹配，默认第一个字符的匹配数是0。
编辑本段定义
设字符串为 x1x2x3...xn ,其中x1，x2，x3，... xi，... xn均是字符，设ai为字符xi对应的整数。则a=m，当且仅当满足如下条件：字符串x1x2...xm equals 字符串x(i-m+1)...xi-1 xi 并且x1x2...xm x(m+1) unequals x(i-m) x(i-m+1)...xi-1 xi。
编辑本段举例
abcabcddes 0111234111 |----------------------默认是0 --| | |-----------------不能自己在相同位置进行字符匹配，所以这里认为没有匹配字符串，所以0+1 =1，继续从1开始匹配 ------| | |-----------前面的字符和开始位置的字符相同，所以是2,3,4 -----------| | | |-------不匹配只能取1。 希望能明白的是，如果开始字符是 Ch1的话，那么我们就是要在串中第2个Ch1后面的位置开始自己和自己匹配，计算最大的吻合度。 程序写出来就是： void GetNext(char* T, int *next) { int k=1,j=0; next[1]=0; while( k〈 T[0] ){ if (j ==0 || T[k] == T[j]) { ++k; ++j; next[k] = j; } else j= next[j]; } } 但是这个不是最优的，因为他没有考虑aaaaaaaaaaaaaaaaaaab的情况，这样前面会出现大量的1，这样的算法复杂度已经和最初的朴素算法没有区别了。所以稍微改动一下： void GetNextEx(char *T, char *next) { int k=1,j=0; next[1] = 0; while(k < T[0]) { if (j == 0 || T[k] == T[j]) { ++k; ++j; if (T[k] == T[j]) next[k] = next[j]; else next[k] = j; } else j = next[j]; } } 现在我们已经可以得到这个next字符串的值了，接下来就是KMP算法的本体了： 相当简单： int KMP(char* S, char* T, int pos) { int k=pos, j=1; while (k){ if (S[k] == T[j]){ ++k; ++j; } else j = next[j]; } if (j>T[0]) return k-T[0]; else return 0; } 和朴素算法相比，只是修改一句话而已，但是算法复杂度从O(m*n) 变成了：O(m)
编辑本段KMP算法的伪代码
KMP-MATCHER(T，P) 1n ← length[T] 2m ←length[P] 3π ← COMPUTE-PREFIX-FUNCTION(P) 4q ← 0△Number of characters matched. 5for i ← 1 to n△Scan the text from left to right. 6do while q>0 and P[q+1]≠T[i] 7do q ← π[q]△Next character does not match. 8if P[q+1]=T[i] 9then q ← q+1△Next character matches. 10if q=m△Is all of P matched? 11then print “Pattern occurs with shift” i-m 12q ← π[q]△Look for the next match. COMPUTE-PERFIX-FUNCTION(P) 1m ← length[P] 2π[1] ← 0 3k ← 0 4for q ← 2 to m 5do while k>0 and P[k+1]≠P[q] 6do k ← π[k] 7if P[k+1]=P[q] 8then k ← k+1 9π[q] ← k 10return π[1]
编辑本段KMP算法的c++实现
//c++实现的KMP算法，所有涉及字符串，其初始下标从0开始(上述算法均是从1开始) //example: char s[100],t[100];cin>>s>>t;KMP(s,t); //获取待查询模式的next数组 int* get_next(char* T, int* next){ int i = 0, j = -1; int length = strlen(T); int *temp = next; *next = -1; while(i< length){ if(j==-1 || *(T+i)==*(T+j)){ i++; j++; //优化后的get_next方法，可以防止出现形如"aaaaab"这种模式的计算退化 if(*(T+i)!=*(T+j)) *(next+i)=j; else *(next+i)=*(next+j); } else j=*(next+j); } return temp; } //KMP算法 int KMP(char *S, char *T){ int S_Length = strlen(S); int T_Length = strlen(T); //若模式长度大于字符串，则直接返回查询失败 if( S_Length < T_Length) return 0; int i = 0, j = 0; int* next = new int[T_Length]; get_next(T, next); while(i < S_Length && j < T_Length){ if(j == -1 || *(S+i) == *(T+j)){ i++; j++; } else j=*(next+j); } if(j>=T_Length) return i-T_Length; return 0; } 在此提供一个更简明的适用于字符串的kmp实现： #include<iostream> #include<string.h> int next[100]; void getnext(char b[]) { int i=1,j=0; //i是每个位子，j是回退的位子 next[1]=0; while(i<=strlen(b)) { if(j==0||b[i-1]==b[j-1]) { i++; j++; next[i]=j; } else j=next[j]; //用上一个的 回退关系 } } int kmp(char a[],char b[]) { int i=1,j=1; //i是主串中的位子 ，j匹配串的位子 while(i<=strlen(a)&&j<=strlen(b)) { if(j==0||a[i-1]==b[j-1]) { i++; j++; } else j=next[j]; } if(j>strlen(b)) return i-strlen(b); else return 0; } int main() { char a[40],b[40]; printf("要匹配的主串：\n"); scanf("%s",a); printf("要匹配的子串：\n"); scanf("%s",b); getnext(b); printf("输出next值：\n"); for(int i=1;i<=strlen(b);i++) printf("%d ",next[i]); printf("\n"); printf("%d",kmp(a,b)); system("pause"); main(); return 0; }
编辑本段串的最大匹配算法
摘要：
给定两个串S和T，长分别m和n，本文给出了一个找出二串间最大匹配的算法。该算法可用于比较两个串S和T的相似程度，它与串的模式匹配有别。
关键词：
模式匹配 串的最大匹配 算法 Algorithm on Maximal Matching of Strings Lin YuCai Xiang YongHong Zhang ChunXia Zhang JianJun （Computer Science Department of Yunnan Normal University Kunming 650092） ABSTRACT Given Two Strings S of length m and T of length n，the paper presents an algorithm which finds the maximal matching of them. The algorithm can be used to compare the similarility of the two strings S and T, it is different with the strings' pattren matching. KEY WORDS Pattern Matching Maximal Matching of Strings Algorithm
编辑本段问题的提出
字符串的模式匹配主要用于文本处理，例如文本编辑。文本数据的存储（文本压缩）和数据检索系统。所谓字符串的模式匹配[2]，就是给定两个字符串S和T，长度分别为m和n，找出T中出现的一个或多个或所有的S，在这方面已经取得了不少进展[3][4][5][6][7][8][9][10][11]。本文从文本处理的另一个角度出发，找出两个串的最大匹配，比较其相似程度[1]。它主要应用于文本比较，特别是在计算机辅助教学中。显然前者要找S的完全匹配，而后者并无此要求。例如，若S=ABCD，T=EFABCDX，那么模式匹配的结果就是找出了T中的一个ABCD，而我们算法的结果就是S能与T的ABCD完全匹配，但是T中还有3个字符是比S多出来的，也就是说在S中有100%的字符与T中的匹配，而在T中有57%的字符与S中的匹配。若S= ABCDFE，T=AFXBECDY。则在模式匹配中S与T无匹配项，但在我们的算法中就能发现T中存在A，B，C，D，但D后不存在E，F。而且S中也存在A，B，C，D，且具有顺序性。这样就能公正地评价S，T的区别。得知其相似程度。 文章的组织如下：首先介绍基本定义和问题的描述；第三节是算法设计；最后是本文总结。
编辑本段问题的描述
设∑为任意有限集，其元称为字符，w：∑→N为∑到N的函数，称为∑的权函数（注：本文仅讨论权值恒为1的情况）。∑*为∑上的有限字符串集合，那么对任意S，T∈∑*，设S=a1a2…am，T=b1b2…bn，m>0，n>0。记<m>={1,2, …,m},<n>={1,2, …,n}，则称{(i,j)∣i∈<m>，j∈<n>，ai=bj}为S与T的匹配关系集，记作M（S，T），称M为S与T的一个（容许）匹配，若对任意（i,j）, ( i',j' )∈，① i< i'，当且仅当j< j'，② i= i'当且仅当j= j'。S与T的匹配中满足 最大者，称为S与T的最大匹配。若C(i,j)为N上的m×n矩阵，且满足： 则称矩阵C为串S与T的匹配关系阵。 于是求串S与T的最大匹配，等价于求C中的一个最大独立点集M，它满足，若ci,j，ci',j'∈M，则i< i' 当且仅当j< j'，i=i'当且仅当j=j'。我们称这样的最大独立点集为C的最大C-独立点集。 例：设∑为所有字母的集合，对任意x∈∑，w（x）≡1，设S与T分别为：S=“BOOKNEWS”，T=“NEWBOOKS”。则我们可以得到S与T两个匹配： 这里=5； 这里 =4。 显然为串S与T的最大匹配。 S与T的匹配关系阵C可表示如下： 其中带圈的部分为一最大C-独立点集。
编辑本段算法设计
我们仅就权值为一的情况进行讨论。 设S和T为任意给定串，C为的S与T匹配关系阵，那么由2的讨论知，求S与T的最大匹配问题，等价于求C的最大C-独立点集问题。因而，为了解决我们的问题，只要给出求C的最大C-独立点集的算法就可以了。 显然，为了求出C的最大C-独立点集，我们可以采用这样的方法：搜索C的所有C-独立点集，并找出它的最大者。这种方法是可行的，但并不是非常有效的。这会使问题变得很繁，复杂度很大。因此，我们先对问题进行分析。 在下面的讨论中，我们把C的任一C-独立点集={ai1,j1，…，ais,js}，记作=ai1,j1…ais,js，i1 <…< is。于是可看作阵C中以1为节点的一条路，满足：对路中的任意两节点，均有某一节点位于另一节点的右下方。称这种路为右下行路。 于是求C-独立点集等价于求阵C的右下行路。这种求右下行路的搜索可以逐行往下进行。 命题1. 若 =αai,jβ和ψ=α'ai,jσ为C的两个C-独立点集，且α为α'的加细，则存在C-独立点集'=αai,jδ，满足≥。 命题2. 若 =αai,jβ和ψ=α'ai+k,jσ为C的两个C-独立点集，且≥，则存在C-独立点集'=αai,jδ，满足≥。 命题3. 若 =αai,jβ和ψ=α'ai,j+kσ为C的两个C-独立点集，且≥，则存在C-独立点集'=αai,jδ，满足≥。 由命题1知，在搜索右下行路的过程中，如果已获得了某一C-独立点集的某一初始截段αai,j和另一C-独立点集ψ的某一初始截段α'ai,j，且有≤，则我们可以停止对ψ的进一步搜索。 由命题2知，在搜索右下行路的过程中，在某一列j存在某两个C-独立点集的某初始截段=ai1,j1…ais,j和ψ=al1,m1…alt,j，如果≥，但lt>is，则我们可以停止对ψ的进一步搜索。 由命题3知，在搜索右下行路的过程中，在某一行i存在某两个C-独立点集的某初始截段=ai1,j1…ai,js和ψ=ai1,m1…ai,mt，如果≥，但mt>js，则我们可以停止对ψ的进一步搜索。 由此可见，并不要求搜索所有C的最大C-独立点集，而可以采用比这简单得多的方法进行计算。那么按照我们上面的三个命题，来看如下实例： 首先我们得到=B（在上的节点用①表示），我们向右下方找路，可以发现，在第4列有两个1，根据命题2，我们选择上面的一个1，也就是说选择第1行的那个1，而不要第2行的那个1。同时我们也发现在第1行也有两个1，由命题3知，我们选择左边的那个1，即第4列的那个1。此时=BO。但是当我们的算法运行到第4行时，=BOOK，由于K在第3行第6列，而本行的1在第1列，在路最后一个节点K的左边，那么我们必须新建一条路ψ，因为我们并不能确定是否以后就有≥，当算法运行到第6行时，=BOOK，ψ=NEW，=4，=3，我们将S链到路上，此时我们得到最长右下行路=BOOKS，=5。这样我们就可以计算出这两个字符串的匹配程度。 在我们的算法设计过程中，用到了两个技巧。技巧之一，矩阵C不用存储，是动态建立的，节省了空间。技巧之二，本算法并不要求所有的S与T中所有的元素都相互进行比较，也并不存储所有的右下行路，节省了时间和空间。由矩阵中1的出现情况可见，本算法所需的空间和时间都远小于O（mn）
编辑本段结束语
本文给出了一个与模式匹配不同的，具有若干应用的，串的最大匹配算法，该算法已经在机器上实现，达到了预期的效果。本文仅讨论权值恒为1的情况，对于权值任意的情形不难由此得到推广。
编辑本段C语言代码(C Code)
#include<stdio.h> #include<string.h> void getnext(int next[],char s[],int l) { int i=1,j=0; next[1]=0; while(i<l) { if(j==0 || s[i]==s[j]) { i++;j++; next[i]=j; } else j=next[j]; } } int KMP(char s1[],char s2[],int l1,int l2,int next[]) { int i,j; i=j=1; while(i<=l1 && j<=l2) { if(j==0||s1[i]==s2[j]) { i++;j++; } else j=next[j]; } if(j>l2) return(i-l2); return 0; } int main() { int next[10001],ans; char s1[10001],s2[10001],l1,l2; scanf("%s",s1+1); scanf("%s",s2+1); l1=strlen(s1+1); l2=strlen(s2+1); getnext(next,s2,l2); ans=KMP(s1,s2,l1,l2,next); if(ans!=0) printf("%d\n",ans); else printf("No!\n"); system("pause"); return 0; }
编辑本段KMP算法的pascal实现
var next:array [1 ..1000001] of longint; s,t:ansistring; procere get_next(t:ansistring); var j,k:integer; begin j:=1; k:=0; while j<length(t) do begin if (k=0) or (t[j]=t[k]) then begin inc(j); inc(k); next[j]:=k; end else k:=next[k]; end; end; function index(s:ansistring;t:ansistring):longint; var i,j:longint; begin get_next(t); index:=0; i:=1; j:=1; while (i<=length(s))and(j<=length(t)) do begin if (j=0)or(s[i]=t[j]) then begin inc(i); inc(j); end else j:=next[j]; if j>length(t) then index:=i-length(t); end; end; begin readln(s); readln(t); writeln(index(s,t)) end.
编辑本段KMP播放器
K-multimedia player的缩写
来自韩国的影音全能播放器，与Mplayer一样从linux平台移植而来的Kmplayer(简称KMP)几乎可以播放您系统上所有的影音文件。通过各种插件扩展KMP可以支持层出不穷的新格式。强大的插件功能,直接从Winamp继承的插件功能，能够直接使用winamp的音频 ，输入，视觉效果插件，而通过独有的扩展能力，只要你喜欢，可以选择使用不同解码器对各种格式进行解码。 KMPlayer The Professional Media Player! 它支持 Winamp 2/5 的输入、常规、DSP、视觉效果、媒体库插件。无须注册表支持直接调用 Directshow 滤镜！FFdshow 的视觉特效系统~超强的 GUI 界面~安装电视卡后可以直接代替原软件直接收看电视~支持播放 DVD/VCD 以及绝大多数电脑的媒体文件（AVI 支持 Xvid/DivX/3vid/H264 OGG/OGM/MKV 容器/AC3/DTS 解码~Monkey Audio 解码~）强烈推荐！此播放器除了会将自己的配置信息写入注册表外绝对绿色~ KMplayer内置目前常见的所有解码器，包括real,QT等。 另外KMplayer安装版也是目前很少见的检查流氓软件的安装方式，如果一旦有恶意的汉化小组汉化并捆绑了流氓软件。该安装程序自动会识别，并作出提示，建议用户不要安装，虽然不是特别准确，但KMplayer的无广告及第三方插件的特点使其深受好评。 目前韩国官方已经在Kmplayer里自带了中文字库，只要用户是中文系统，软件就会自动识别，十分方便。 KMP版本: KMPlayer3.0.0.1439

❻ 讲解计算机二进制算法

你这不是2进制啊。。计算机的二进制是逢2进1。即只有0和1两个数字组成。就跟平时的十进制是的，所有数字组成是从0到9，而十是用1和0组合表示。
按你1-2-4-8。。后面应该是16-32-64-128。。。这都是2的n次方，

❼ 用遗传算法求解配送路线优化问题时，交叉率和变异率怎么设定

以下是问题的详细回答，文字有些长，请你耐心看希望对你有帮助。
传算法可以很好的解决物流配送路径优化问题。但是由于遗传算法交配算子操作可能会使最好解遗失，所以将遗传算法和模拟退火算法结合来解决这一问题。实验结果表明：用这种有记忆功能的遗传模拟退火算法求解物流配送路径优化问题，可以在一定程度上解决上述问题，从而得到较高质量的解。
一 物流系统简介
物流系统是以客户满意为目标，根据顾客的要求条件，从生产地到销售地，在仓储、包装、配送、运输、装卸等环节有机整合所形成的实物、服务以及信息的流通过程所组成的一个复杂的系统。
物流配送是现代化物流管理中的一个重要环节。它是指按用户的定货要求，在配送中心进行分货、配货，并将配好的货物及时送交收货人的活动。本文讨论物流配送中的路径优化问题，并且通过结合模拟退火算法来解决遗传算法在解决此类问题时的不足。
二 系统模型设计
物流配送路径优化问题可以按这样的情况进行描述：从某物流配送中心用多辆配送车辆向多个客户送货。每个客户的位置和货物需求量一定，每辆车的载重量一定，配送时间一定，其一次配送的最大行驶距离一定。要求合理安排车辆配送路线，使目标函数得到最优。并满足以下条件：（1）每条配送路径上各客户需求量之和不超过配送车辆的载重量；（2）每条配送路径的长度不超过配送车辆一次配送的最大行驶距离；（3）每次配送的货物不能超过客 户要求的时间； （4）每个客户的需求必须满足，且只能由一辆配送车送货。设配送中心需要向k个客户送货，每个客户的货物需求量是g （i＝1，2，…..k），每辆配送车的载重量是q，且g 下面建立此问题的数学模型：c 表示点i到点j的运输成本，t 表示从i到s所允许的最大时间。配送中心编号为0，各客户编号为i（i＝1，2，….，k），定义变量如下：
x = 1 或 0（其中，当x 等于1时表示车s由i驶向j；0表示没有该路径。）。
y = 1 或 0（其中，当y 等于1时表示点i的货运任务由s车完成；0表示没有。）。
根据上述变量定义可得到的数学模型如下所示：
min Z ＝ ； （1） ；（2）
＝ 1或 m（其中，当 i = 1，2，……，k时为1，否则为0。）；（3）
＝ y ，j = 1，2，……，k；s = 1，2，……，m； （4）
＝ y ，i = 0，1，……，k；s = 1，2，……，m； （5）
t > 0；且t t ， j = 1，2……，s-1； （6）
上述模型中，式（2）为汽车容量约束；式（3）保证了每个客户的运输任务仅由一辆车完成，而所有运输任务则由m辆车协同完成；式（4）和式（5）限制了到达和离开某一客户的汽车有且仅有一辆。式（6）对配送时间做了约束，即物品到达指定地点的时间不能大于其最大允许时间。
上述模型中还要考虑时间问题，即每个客户对所送物品的时间要求各不相同，故需加入一个时间参数t 。对每个运输路径都加上时间参数t （t 的值可由客户需求中得知，并记录到数据库。），在每个规定的时间内（如一个月），优先配送t 值小的物品，每次在用遗传算法求解前，遍历规定时间内的所有t ，按照t 值由小到大排列染色体，然后再求出最优解，根据最优解制定配送方案。
三 引入退火算法改进求解过程
针对遗传算法的一些不足，将模拟退火算法与之结合，并加入记忆装置，从而构造了物流配送路径优化问题的一种有记忆功能的遗传模拟退火算法。该算法的特点是扩大了原有遗传算法的搜索邻域，在一定概率控制下暂时接受一些恶化解。同时利用记忆装置保证了在一定终止条件下所得的最终解至少是搜索过程中曾得到所有解中的最优解。该算法通过在常规的遗传算法基础上加入模拟退火算子和记忆装置而得到。下面首先介绍此有记忆功能的遗传模拟算法的步骤。根据参考文献[3],给出下面的算法实现步骤：
STEP1 给定群体规模maxpop，将初始群体按照t 所指定的值进行分块， k=0;初始温度t ＝t ，产生初始群体pop(k)，并且初始群体的每个分块中都具有t 满足某一属性的特征值；对初始群体计算目标值f(i), 找出使函数f (t )最小的染色体i和这个函数值f，记i =i，f =f；其中，f (t )为状态i在温度为t 时的目标值。i∈ pop( k)，即当代群体中的一个染色体；
STEP2 若满足结束条件则停止计算，输出最优染色体i 和最优解f ；否则，在群体pop(k)的每一个染色体i∈ pop(k)的邻域中随机选一状态j∈N( i )，且t 满足条件要求, 按模拟退火中的接受概率
接受或拒绝j，其中f (t )， f (t )分别为状态i，j的目标值。这一阶段共需maxpop次迭代以选出新群体newpop1；
STEP3 在newpop1(k+1)中计算适应度函数
其中，f 是newpop1(k+1)中的最小值。由适应度函数决定的概率分布从newpop1中随机选maxpop个染色体形成种群newpop2；
STEP4 按遗传算法的常规方法对newpop2进行交叉得到crosspop，再变异得到mutpop；
STEP5 染色体中的每个元素在满足t 的情况下，且具有较大t 值的元素完成时没有破坏具有较小t 值进行计算所需条件的情况下，不必按照由小到大的顺序进行排列，
STEP6 令pop(k+1)=mutpop,对pop(k+1)计算f (t ),找出使函数f (t )最小的染色体i和这个函数值f，如果f < f ,则令i = i， f =f， t ＝ d(t )，k = k+1, 返回 STEP2。
出于表示简单，计算机处理方便的目的，对于VRP问题的遗传算法编码通常都采用自然数编码。上述数学模型的解向量可编成一条长度为k＋m＋1的染色体（0，i ，i ，…,i ，0，i ,…i ，0，…0，i ,…,i ，0）。在整条染色体中，自然数 i 表示第 j 个客户。0的数目为m＋1个，代表配送中心，并把自然数编码分为m段，形成m个子路径，表示由m辆车完成所有运输任务。这样的染色体编码可以解释为：第一辆车从配送中心出发，经过i ，i ，…,i 客户后回到配送中心，形成了子路径1；第2辆车也从配送中心出发，途径i ,…i 客户后回到配送中心，形成子路径2。m辆车依次出发，完成所有运输任务，构成m条子路径。
如染色体0123045067890表示由三辆车完成9个客户的运输任务的路径安排：
子路径1：配送中心→客户1→客户2→客户3→配送中心
子路径2：配送中心→客户4→客户5→配送中心
子路径3：配送中心→客户6→客户7→客户8→客户9→配送中心。
为了使算法收敛到全局最优，遗传群体应具有一定的规模。但为了保证计算效率，群体规模也不能太大。一般取群体规模取值在10到100之间。
在初始化染色体时，先生成 k 个客户的一个全排列，再将 m＋1 个 0 随机插入排列中，其中所选的 k 个客户所要求的时间必须在某一个特定的时间段内，且完成任何一个客户配送任务时不能破坏完成其他客户配送任务的条件。需要注意的是必须有两个 0 被安排在排列的头和尾，并且在排列中不能有连续的两个0。这样构成一条满足问题需要的染色体。针对此染色体，随机选择两个位置上的元素进行交换，并用算法对其调整，使其成为新的满足要求的染色体。交换若干次，直至生成满足群体规模数的染色体。
在这里，将容量约束式（2）转为运输成本的一部分，运输成本变为：
其中M为一很大的正数，表示当一辆车的货运量超过其最大载重量时的惩罚系数。M应趋向于无穷大。考虑到计算机处理的问题，参考文献[6]，取M为1000000为宜。将此运输成本函数作为我们的目标函数。适应度函数采用一种加速适应度函数：
这种适应度函数加速性能比较好，可以迅速改进适应度的值，缩短算法运行时间。
将每代种群的染色体中适应度最大的染色体直接复制，进入下一代。种群中其他染色体按其适应度的概率分布，采用轮盘赌的方法，产生子代。这样既保证了最优者可生存至下一代，又保证了其余染色体可按生存竞争的方法生成子代，使得算法可收敛到全局最优。选中的染色体按一定的概率—交叉率，产生子代。交叉率在0.6～0.8之间，算法进化效果较好。
四 试验数据与比较
实验数据取自参考文献[6]。
实验1，随机生成1个有8个门店的VRP问题，初始数据如下：
图1八个门店的需求量及其位置
根据各仓库的需求量，计算出需要的汽车数：m=[17.82/(0.85*8)]+1=3。采用传统的遗传算法的各算子，并对其中的交叉算子进行了改造，取群体规模为20，进化代数为50，应用此程序他费时3s得到的结果为：
而我们的算法在上面的算法中加入了一个模拟退火算子，取初始退火温度为10，衰减系数取0.85使用第三节所述算法步骤，在奔腾四的计算机上计算，耗时2s，得结果如下：
实验2，随机生成1个有20个门店的VRP问题，初始数据如下：
图2 20个门店的需求量及其位置
计算得：需6辆车。用参考文献[6]中的算法取群体规模100，进化代数分别设为20，50，100，得到的结果不同：
图3 普通遗传算法的实验结果
而采用本文的算法，初始退火温度取10，衰减系数取0.85，在奔腾四的计算机上计算，则结果如下：
图4 新型算法的实验结果
从以上两个实验可以看出：采用本文中所述的算法，要得到相同的结果可以缩短进化代数，从而节约运算时间。而要增加进化代数必然得到更好的结果。
五 结论
用模拟退火算法与传统的遗传算法相结合来求解物流系统中车辆路径问题，可以使算法所需的进化代数明显减少，问题解可在最短时间内求出。因此在时间特性上有了比较好的改善，耗时较短，获得了较好的结果。根据参考资料所记载的数据表明，此算法在解决诸如车辆路径问题问题确实可行，并有较好的性能。而且随着问题规模的增大，这种对时间性能的改善效果将更加明显。这就非常有助于物流企业根据自己的实际情况科学、有效的指定物流决策，降低风险，降低成本，提高经济效益和自身的竞争力。
参考文献
[1] 郭耀煌 李军着，车辆优化调度，成都：成都科技大学，1994
[2] 邢文训 谢金星编着，现代优化计算方法，北京：清华大学出版社，1999
[3] 郎茂祥，物流配送车辆调度问题的模型和算法研究，北京：北方交通大学，2002
[4] 郎茂祥 胡思继，用混和遗传算法求解物流配送路径优化问题的研究，中国管理科学，2002
[5] 李军 谢秉磊 郭耀煌，非满载车辆调度问题的遗传算法，系统工程理论与实践，2000
[6] 唐坤，车辆路径问题中的遗传算法设计，东北大学学报（自然科学版），2002
[7] 姜大立 杨西龙 杜文等，车辆路径问题的遗传算法研究，系统工程理论与实践，1999
[8] 阎庆 鲍远律，新型遗传模拟退火算法求解物流配送路径问题，计算机科学与发展，2002

❽ 物质的量的具体算法.细致通俗的讲解一下、不懂.

首先要明确，物质的量只用于微观物体，比如原子、分子、离子等。
第二，使用时一定要指明对象，就是你说的到底是原子、分子或者是其他的。
第三，6.02*10^23 个对象就是 1mol
例如 6.02*10^23 个水分子 就是 1mol 水
6.02*10^23 这个数就叫做阿弗加德罗常数，用 NA 表示（A是下标）

NA 是一个数；物质的量是一个量，他的单位是 mol （摩尔）

❾ 高中数学书里秦九韶算法是在哪部分学得 突然找不着了

人教版是在必修三的算法部分的第三节，算法案例

29页

第

❿ 算法分析与设计这门课程第三章动态规划的知识点有哪些

算法分析与设计这门课第三章动态规划的知识点包含章节导引,第一节动态规划算法的概念,第二节动态规划算法的基本步骤,第三节动态规划算法的基本要素,第四节动态规划算法设计策略,课后练习,。