古階演算法
㈠ 台階計算公式
一、台階的計算方法：
1、現澆混凝土台階按水平投影面積計算。
2、素土墊層=台階面積*墊層厚度。
3、灰土墊層=台階面積*墊層厚度。
4、砼墊層=台階面積*墊層厚度。
5、台階體積=台階面積*台階平均高度。
二、台階的計算難點：
1、異型台階工程量不好計算。
2、散水、台階、坡道往往交織在一起，手工計算面積和長度均不好計算 。
(1)古階演算法擴展閱讀：
台階用磚、石、混凝土等築成的一級一級供人上下的建築物，多在大門前或坡道上。工程量的計算中一般會涉及到台階的工程量的計算。
一、台階引證解釋：
1、三台星亦名泰階，故稱台階。古人以為有三公之象，因以指三公之位或宰輔重臣。
釋義：三台星也叫做泰階，所以說台階。古人認為有三公的象徵，通過用手指三公的職位或宰輔重臣。
2、用磚、石、混凝土等砌成的階梯。
3、比喻某種途徑或機會。如：給他一個台階，別把話說死了。
㈡ 數據挖掘十大經典演算法及各自優勢
數據挖掘十大經典演算法及各自優勢
不僅僅是選中的十大演算法，其實參加評選的18種演算法，實際上隨便拿出一種來都可以稱得上是經典演算法，它們在數據挖掘領域都產生了極為深遠的影響。
1. C4.5
C4.5演算法是機器學習演算法中的一種分類決策樹演算法,其核心演算法是ID3演算法. C4.5演算法繼承了ID3演算法的優點，並在以下幾方面對ID3演算法進行了改進：
1) 用信息增益率來選擇屬性，克服了用信息增益選擇屬性時偏向選擇取值多的屬性的不足；2) 在樹構造過程中進行剪枝；3) 能夠完成對連續屬性的離散化處理；4) 能夠對不完整數據進行處理。
C4.5演算法有如下優點：產生的分類規則易於理解，准確率較高。其缺點是：在構造樹的過程中，需要對數據集進行多次的順序掃描和排序，因而導致演算法的低效。
2. The k-means algorithm 即K-Means演算法
k-means algorithm演算法是一個聚類演算法，把n的對象根據他們的屬性分為k個分割，k < n。它與處理混合正態分布的最大期望演算法很相似，因為他們都試圖找到數據中自然聚類的中心。它假設對象屬性來自於空間向量，並且目標是使各個群組內部的均 方誤差總和最小。
3. Support vector machines
支持向量機，英文為Support Vector Machine，簡稱SV機（論文中一般簡稱SVM）。它是一種監督式學習的方法，它廣泛的應用於統計分類以及回歸分析中。支持向量機將向量映射到一個更 高維的空間里，在這個空間里建立有一個最大間隔超平面。在分開數據的超平面的兩邊建有兩個互相平行的超平面。分隔超平面使兩個平行超平面的距離最大化。假 定平行超平面間的距離或差距越大，分類器的總誤差越小。一個極好的指南是C.J.C Burges的《模式識別支持向量機指南》。van der Walt 和 Barnard 將支持向量機和其他分類器進行了比較。
4. The Apriori algorithm
Apriori演算法是一種最有影響的挖掘布爾關聯規則頻繁項集的演算法。其核心是基於兩階段頻集思想的遞推演算法。該關聯規則在分類上屬於單維、單層、布爾關聯規則。在這里，所有支持度大於最小支持度的項集稱為頻繁項集，簡稱頻集。
5. 最大期望(EM)演算法
在統計計算中，最大期望（EM，Expectation–Maximization）演算法是在概率（probabilistic）模型中尋找參數最大似然 估計的演算法，其中概率模型依賴於無法觀測的隱藏變數（Latent Variabl）。最大期望經常用在機器學習和計算機視覺的數據集聚（Data Clustering）領域。
6. PageRank
PageRank是Google演算法的重要內容。2001年9月被授予美國專利，專利人是Google創始人之一拉里·佩奇（Larry Page）。因此，PageRank里的page不是指網頁，而是指佩奇，即這個等級方法是以佩奇來命名的。
PageRank根據網站的外部鏈接和內部鏈接的數量和質量倆衡量網站的價值。PageRank背後的概念是，每個到頁面的鏈接都是對該頁面的一次投票， 被鏈接的越多，就意味著被其他網站投票越多。這個就是所謂的「鏈接流行度」——衡量多少人願意將他們的網站和你的網站掛鉤。PageRank這個概念引自 學術中一篇論文的被引述的頻度——即被別人引述的次數越多，一般判斷這篇論文的權威性就越高。
7. AdaBoost
Adaboost是一種迭代演算法，其核心思想是針對同一個訓練集訓練不同的分類器(弱分類器)，然後把這些弱分類器集合起來，構成一個更強的最終分類器 (強分類器)。其演算法本身是通過改變數據分布來實現的，它根據每次訓練集之中每個樣本的分類是否正確，以及上次的總體分類的准確率，來確定每個樣本的權 值。將修改過權值的新數據集送給下層分類器進行訓練，最後將每次訓練得到的分類器最後融合起來，作為最後的決策分類器。
8. kNN: k-nearest neighbor classification
K最近鄰(k-Nearest Neighbor，KNN)分類演算法，是一個理論上比較成熟的方法，也是最簡單的機器學習演算法之一。該方法的思路是：如果一個樣本在特徵空間中的k個最相似(即特徵空間中最鄰近)的樣本中的大多數屬於某一個類別，則該樣本也屬於這個類別。
9. Naive Bayes
在眾多的分類模型中，應用最為廣泛的兩種分類模型是決策樹模型(Decision Tree Model)和樸素貝葉斯模型（Naive Bayesian Model，NBC）。 樸素貝葉斯模型發源於古典數學理論，有著堅實的數學基礎，以 及穩定的分類效率。同時，NBC模型所需估計的參數很少，對缺失數據不太敏感，演算法也比較簡單。理論上，NBC模型與其他分類方法相比具有最小的誤差率。 但是實際上並非總是如此，這是因為NBC模型假設屬性之間相互獨立，這個假設在實際應用中往往是不成立的，這給NBC模型的正確分類帶來了一定影響。在屬 性個數比較多或者屬性之間相關性較大時，NBC模型的分類效率比不上決策樹模型。而在屬性相關性較小時，NBC模型的性能最為良好。10. CART: 分類與回歸樹
CART, Classification and Regression Trees。 在分類樹下面有兩個關鍵的思想。第一個是關於遞歸地劃分自變數空間的想法；第二個想法是用驗證數據進行剪枝。
以上是小編為大家分享的關於數據挖掘十大經典演算法及各自優勢的相關內容，更多信息可以關注環球青藤分享更多干貨
㈢ 窮舉九宮格演算法
九宮格標個號1-9個格
循環給1-9這9個數字取一個1-9的隨機數
建一個長度9的數組做標記,每一個格被分配了之後就標記下,循環的時候重復了就重新給這個數分配.直到所有的9個數都被分配.
srand(time(0));
int nFlag[9]; //記錄9個格是否已經被分配
int nLocation[9]; //記錄1-9個數的位置
memset(nFlag, 0, sizeof(int)*9);
memset(nLocation, 0, sizeof(int)*9);
for(int i = 0; i < 9; ++i)
{
nLocation[i] = rand()%10;
if(nFlag[ nLocation[i] ] == 1)
{
//如果此格被分配過則重新分配此數字位置.
i--;
}
else
{
//如果沒有則分配
nFlag[i] = 1;
}
}
㈣ 誰知道行列式演算法怎麼來的
就是在解方程的時候，弄出來的這個啊。
比如解一個
ax+by=e
cx+dy=f
我們通過相加相差，得到
x=(de-bf)/(ad-bc)
y=(af-ce)/(ad-bc)
於是他們就想定義一些東西來表示ad-bc之類的。
就記為
|a b|
|c d|
㈤ 九宮格的演算法是怎樣的
所有的基數的平方宮圖進行排列。古代計量數字的方法之一。在中國古典文獻中記載了洛書的傳說：公元前 23世紀大禹治水之時，一隻巨大的神龜出現於黃河支流洛水中，龜甲上有9種花點的圖案，分別代表這9個數，而3行、3列以及兩對角線上各自的數之和均為15，世人稱之為洛書。中國漢朝的數術記遺中，稱之為九宮算，又叫九宮圖.宋數學家楊輝著《續古摘奇演算法》把類似於九宮圖的圖形命 名為縱橫圖，書中列舉3、4、5、6、7、8、9、10階幻方。其中所述三階幻方構造法：「九子斜排，上下對易，左右相更，四維挺出，戴九履一，左七右三，二四為肩，六八為足」，比法國數學家Claude Gaspar Bachet提出的方法早三百餘年。
㈥ 古代數學著作《詳解九章演算法》作者是誰
南宋末年楊輝所撰
楊輝，字謙光，錢塘(今浙江杭州》人，其生平事跡、生卒年月則無可詳考。只能由一些有關著述推測其某些行蹤。楊輝《日用演算法》之陳幾先序稱：「錢塘楊輝以廉飭已，以儒飾吏，吐胸中之靈機，續前賢之奧旨。」依此可知，楊輝可能在南宋擔任過某些地方官吏，又由《田畝比類乘除捷法》卷上五次引用台州(今浙江臨海縣)量田圖來猜測．楊輝可能在台州工作過。再根據楊輝《續古摘奇演算法》卷上稱：「輝伏睹京城見用官斛號杭州百合，浙郡一體行用。」其卷下稱：「輝因到姑蘇，有人求三七差分，繼答之。」可見楊輝足跡曾遍歷蘇、杭。
楊輝生平事跡雖然知道甚少，但其著作流傳至今者卻較磊，共有五種二十一卷，即： 《詳解九章演算法》十二卷，宋理宗景定二年(1261年)；《日用演算法》二卷，宋理宗景定三年(1262年)；《乘除通變本末》三卷，宋度宗咸淳十年(1274年)；《田畝比類乘除捷法》二卷，宋恭宗德祜元年(1275年)；《續古摘奇演算法》二卷，宋恭宗德韋占元年(1275年)。其前兩種乃是楊輝早年著述，其後期所作三種一般稱之為《楊輝演算法》。
楊輝《詳解九章演算法》序稱：「輝雖慕此書，未能貫理，妄以淺也。聊為編述，擇八十題以為矜式，自餘一百六十六問，無出前意，不敢廢先賢之文，刪留題次，習者可以聞一知十，……，凡題法解白不明者，別圖而驗之，編乘除諸術，以便入門，篡法問類次見之章末，總十有二卷」。可見現傳本已面目全非，除保留有「篡類」外，而「篡類」雖附合楊輝原意，但其「圖」及「乘除演算法」今已不存，且次序也非原貌。從楊輝《詳解九章演算法》編排上看，首先，是解題，即是對《九章》原題作詳細解釋，有的則輔以評論和校勘；其次，即是細草，或叫圖草，先列演算法，後列算草，有圖附圖，有表附表，如楊輝說「以圖參法，取用可知」；最後，即是比類，一方面列出與原演算法相同的例題，一方面列出與原演算法可比擬的例題。例如在商功章給予六道比擬的垛積題，即
S=a×b+(a+1)(b+1)+(a+2)(b+2)+……+c×d.
=h／6E(2b+d)a+(2d+b)c]+h／6(c—a)．
S=12+22+32+……+n2一n／3(n+1)(n+1／2)．
S=a2+(a+1)2+(a+2)2+……+b2
=h／3{a2+b2十ab+(b—a)／2}．
S=1+3+6+10+……+n(n+1)／2.
=1／6n(n+1)(n+2)．
等。雖然楊輝給出六道垛積題，但基本上都是沈括「隙積術」的特例。在楊輝其他算書中，也有垛積題即高階等差級數求和的問題，如清代顧觀光說：「堆垛之術詳於楊氏(楊輝)、朱氏(朱世傑)二書，而創始之功，斷推沈氏(沈括)。」
楊輝《詳解九章演算法篡類》序說：「向獲善本，……，以魏景元元年劉徽等……注釋，聖宋右班(殿)直賈憲撰草。」可知楊輝曾參考過劉徽及李淳風對《九章》的注文，也參考過賈憲的著作《黃帝九章演算法細草》。賈憲是北宋天算家楚衍之弟子，活動於北宋乾興、皇祐年間，著有《演算法敦古集》二卷和《黃帝九章演算法細草》九卷，此二書均已失傳，幸喜楊輝在《詳解九章演算法》引錄賈憲之說，才使賈憲學說得以流傳。
㈦ 農歷的演算法是怎麼算的
農歷一年為12或13個月，每個月天數依照月亮圍繞地球運行周期而定，為29或30天，閏年為13個月，中國農歷年平年為353或354天，閏年為384或385天，平均每年約為365.2422天（即地球環繞太陽一周的時間）。
農歷基本上以19年為一周期，由於農歷一年約為355日，與地球年相差約11日左右，所以每3年要置一閏月，每19年要置7個閏月。有閏月的年份也叫閏年，具體閏哪個月，則要視節氣情況靈活而定。如公歷的2001年5月27日、1982年5月27日和1963年5月27日這個日子，都是閏四月初五。
閏月加到哪個月，以農歷歷法規則推斷，主要依照與農歷的二十四節氣相符合來確定。自冬至開始，逢單數為節氣，逢雙數為中氣，如輪到一個月只有節氣沒有中氣，即為上一個月的閏月。農歷的閏月天數與正常月份天數一樣，為29或30天。
(7)古階演算法擴展閱讀：
農歷的優點：
1.農歷是定歷，它具有天文年歷的特性，能很好地和各種天象對應，如它的節氣嚴格對應太陽高度，歷日較嚴格地對應月相，閏月的不發生頻率和發生頻率對應地球近日點和遠日點，其它天象如日出日沒，晨昏蒙影，五星方位，日月食，潮汐等，就連歷月也大致對應太陽高度；
2.農歷歷月的天數只有29日和30日兩種，且由定朔日規定，人為因素最小，不易隨意改動；
3.歲首有較強的天文學意義，具有陰月陽年的天文學意義；
4.陰陽合歷，最體現漢民族天人合一、陰陽和諧的傳統文化；
5.干支紀年和十二生肖紀年循環使用；由於它包含節氣十分利於四季劃分，由於它包含月相，所以也十分反映潮汐，日月食等天象和月亮對氣候的影響。
參考資料來源：農歷（中國傳統歷法）-網路