-
电脑游戏的网格路径规划
人工智能技术变得越来越重要的计算机游戏、 自主路径规划和搜索算法在网格上。
通过在战略游戏中，如横扫千军，Pacman 地形移动。网格的阻止和取消阻止细胞通常用于表示地形。
- 2023-08-21 13:15:03下载
- 积分：1
-
MS-PS算法实现
MS-PS是data mining 的实用算法之一。其有多个minimum support， 对数据进行更有利的提取。得到想要的association rule 和sequential pattern.
- 2022-11-26 22:30:04下载
- 积分：1
-
全波形反演程序
本程序使用forten编写的，内容详细,可运行得到反演结果，解压后，主要程序在名为src的文件夹中，正演部分采用交错网格有限差分法，反演基于共轭梯度实现
- 2022-09-09 17:45:03下载
- 积分：1
-
acm中的导弹防御算法
acm中的导弹防御算法-acm of missile defense Algorithm
- 2022-10-19 01:10:03下载
- 积分：1
-
UNIX系统之下的快速傅立叶变换包
UNIX系统之下的快速傅立叶变换包-UNIX system fast Fourier transforms the package
- 2023-01-16 16:10:03下载
- 积分：1
-
用牛顿法解非线性方程组(包括论文及源程序)
用牛顿法解非线性方程组(包括论文及源程序)-with Newton method for solving systems of nonlinear equations (including papers and source)
- 2022-06-20 22:43:06下载
- 积分：1
-
割线算法;
数值计算算法：割线算法的数学写的帕斯卡尔要找到解决方程f（x）=0 给定的初始近似值P0和P1： 输入：初始近似值P0，P1;公差TOL; 迭代N 0的最大数目。 输出：近似解p或 该算法失败的消息。
- 2022-02-10 14:26:53下载
- 积分：1
-
用对半分法计算f(x)=0
用对半分法计算f(x)=0-Semi-used method of calculating f (x) = 0
- 2022-01-26 07:29:51下载
- 积分：1
-
大地坐标到平面坐标的转换――高斯
大地坐标到平面坐标的转换――高斯-格吕特变换-geodetic coordinates to the coordinates of the plane conversion-- Gaussian- Gruetter Transform
- 2023-05-02 13:40:03下载
- 积分：1
-
C++ ItemCF
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
- 2022-03-26 08:57:57下载
- 积分：1
