灰的演算法
一、理論部分
二、代碼(摸索著寫的，網路沒有python的最後自己寫的，獻丑了)
A=pd.DataFrame(A,columns=[1,2,3,4,5])#書號，所有數據在一個標簽頁里
T=[]
for Y in range(2001,2006):
M = []#最終變數的矩陣
N = []#預測變數的矩陣
B=pd.read_excel('9門總滿意度.xlsx',sheetname=str(Y))#滿意度
K = np.arange(len(A)*(len(B.columns)+1),dtype='float32').reshape(len(A), len(B.columns)+1)#創建相關變數與目標變數的共同矩陣，相關變數元素加1
M=list(A.ix[:,Y-2000])#獲取當年的平均書號
K[:,0]=M#將最終變數送入判斷矩陣第一列
for x in range(0,len(A)):#將判斷變數送入判斷矩陣
N=list(B.ix[x])
K[x,1:]=N
K=K.T #轉置，下面是灰色關聯演算法的具體步驟
for i in range(0,len(N)+1):
K[i,:]=K[i,:]/K[i][0]
K=K.T
S=np.arange(len(N)*len(M),dtype='float32').reshape(len(M),len(N))
for i in range(0,len(N)):
S[:,i]=abs(K[:,i+1]-K[:,0])
Q=[]
for i in range(0,len(N)):
Q.append(S[:,i].max())
R = S
maxone=max(Q)
R[:,:]=maxone*0.5/(S[:,:]+maxone*0.5)
R=R.T
for i in range(0,len(N)):
T.append(R[i].mean())
print(T)
T=pd.DataFrame(T)
#T.to_excel(str(Y)+'.xls')
② Matlab灰色預測演算法
程序一般都有針對性，不是隨便一個程序你都能用於你的問題的，最好能把要求說得再詳細點，或把數據帖出來看看。
③ 《漫畫演算法：小灰的演算法之旅》epub下載在線閱讀，求百度網盤雲資源
《漫畫演算法：小灰的演算法之旅》（魏夢舒）電子書網盤下載免費在線閱讀
資源鏈接：
鏈接：
書名：漫畫演算法：小灰的演算法之旅
作者：魏夢舒
豆瓣評分：8.6
出版社：電子工業出版社
出版年份：2019-5
頁數：280
內容簡介：
《漫畫演算法：小灰的演算法之旅》通過虛擬的主人公小灰的心路歷程，用漫畫的形式講述了演算法和數據結構的基礎知識、復雜多變的演算法面試題目及演算法的實際應用場景。
第1章 介紹了演算法和數據結構的相關概念，告訴大家演算法是什麼，數據結構又是什麼，它們有哪些用途，如何分析時間復雜度，如何分析空間復雜度。
第2章 介紹了最基本的數據結構，包括數組、鏈表、棧、隊列、哈希表的概念和讀寫操作。
第3章 介紹了樹和二叉樹的概念、二叉樹的各種遍歷方式、二叉樹的特殊形式——二叉堆和優先隊列的應用。
第4章 介紹了幾種典型的排序演算法，包括冒泡排序、快速排序、堆排序、計數排序、桶排序。
第5章 介紹了10餘道職場上流行的演算法面試題及詳細的解題思路。例如怎樣判斷鏈表有環，怎樣計算大整數相加等。
第6章 介紹了演算法在職場上的一些應用，例如使用LRU演算法來淘汰冷數據，使用Bitmap演算法來統計用戶特徵等。
作者簡介：
魏夢舒（@程序員小灰）：微信公眾號「程序員小灰」的作者，多年的軟體行業從業經驗，先後在京東金融和摩拜科技從事研發工作，對演算法有一定的興趣和經驗。
④ 《漫畫演算法：小灰的演算法之旅》pdf下載在線閱讀，求百度網盤雲資源
《漫畫演算法：小灰的演算法之旅》魏夢舒電子書網盤下載免費在線閱讀
鏈接：https://pan..com/s/13oQaP8nXh3Bshe2cdpCJ0A
提取碼：ee0y
書名：漫畫演算法：小灰的演算法之旅
作者名：魏夢舒
豆瓣評分：8.6
出版社：電子工業出版社
出版年份：2019-5
頁數：280
內容介紹：
《漫畫演算法：小灰的演算法之旅》通過虛擬的主人公小灰的心路歷程，用漫畫的形式講述了演算法和數據結構的基礎知識、復雜多變的演算法面試題目及演算法的實際應用場景
作者介紹：
魏夢舒（@程序員小灰）：微信公眾號「程序員小灰」的作者，多年的軟體行業從業經驗，先後在京東金融和摩拜科技從事研發工作，對演算法有一定的興趣和經驗。
⑤ 灰土的計算方法
白灰粉的密度：600kg/m3，素土的密度：1800kg/m3
6%灰土則有：白灰質量/素土質量=0.06
設Y%(比如6%，Y=0.06)灰土中的白灰體積為X，則600*X/[1800*(1-X)]=Y，計算得X=3Y/(1+3Y)
6%灰土=二八灰土
⑥ 什麼叫灰度演算法
把顏色的紅綠藍都設成一個值,這個值就是原來RGB的平均值.
例如:
臨時變數=(原紅色值*30+原綠色值*59+原藍色值*11)/100;
原紅色值=臨時變數;
原綠色值=臨時變數;
原藍色值=臨時變數;
這個演算法是別人寫的圖象處理程序源碼上演算法.
⑦ 石灰土中灰量的計算方法
乾料質量=濕料質量/（1+含水量）進行計算。
石灰劑量混合料組成的計算要求，乾料質量=濕料質量/（1+含水量）；干混合料質量=300g/(1+最佳含水量）；干土質量=干混合料質量/[1+石灰（或水泥）]；干石灰（或水泥）質量=干混合料-干土質量。
濕土質量=干土質量X（1+土的風干含水量）；濕石灰質量=干石灰X（1+石灰的風干含水量）『石灰土中應加入的水=300g-濕土質量-濕石灰質量。
石灰在建築上的用途主要有：
（1）石灰乳塗料 石灰加大量的水所得的稀漿，即為石灰乳。主要用於要求不高的室內粉刷。
（2）砂漿 利用石灰膏或消石灰粉可配製成石灰砂漿或水泥石灰混合砂漿，用於抹灰和砌築。
（3）灰土和三合土消石灰粉與黏土拌合後稱為灰土，再加砂或石屑、爐渣等即成三合土。灰土和三合土廣泛用於建築物的基礎和道路的墊層。
（4）硅酸鹽混凝土及其製品 以石灰與硅質材料（如石英砂、粉煤灰、礦渣等）為主要原料，經磨細、配料、拌合、成型、養護（蒸汽養護或壓蒸養護）等工序得到的人造石材。常用的硅酸鹽混凝土製品有蒸汽養護和壓蒸養護的各種粉煤灰磚、灰砂磚、砌塊及加氣混凝土等。
(7)灰的演算法擴展閱讀
石灰土還有個最明顯的劣勢：即干縮及溫縮特性十分明顯，容易導致道路基層開裂。故現階段，石灰土已嚴禁用於高等級道路基層，如高速公路、一級公路、二級公路及城市快速路、主幹路。但可以用於各級道路的底基層。其適用性不如水泥穩定土。
石灰土的形成
石灰土的形成深受母岩影響，石灰岩在熱帶亞熱帶溫暖濕潤的環境條件下，極易進行溶蝕風化，石灰岩新風化物和崩解碎片以及含有碳酸鹽的地表水源源不斷地進入土體中，這就延緩了土壤中鹽基成分的淋失和脫硅富鋁化作用的進行，使石灰土一直處於幼年階段。
⑧ 灰色預測，
灰色預測是灰色系統理論的數學應用，其數學基礎，從根本上區別於傳統數學預測模型，典型傳統數學預測模型，就是那些基於統計數據的數理模型，如一元線性回歸、多元回歸、Logistic等。 這些統計模型對給定數據採取自變數與因變數相對應的簡單處理方式，也就是說，先行假定這些量及其數據之間具有這樣一些形式的對應關系，採用數學方式表達這種形式關系，就是統計回歸模型。但是，灰色預測模型則認為，量及其數據同其他量及數據之間、甚至一個量的多個序列數據值之間所具有的關系，並不必然顯現為那種明確的統計回歸關聯，而是總帶有內部聯系，而這種聯系又並不能確定無疑地表達出來，而只能表達出這種聯系在數據上呈示給我們的那種數列關系，於是，這種呈示出來的關系，其實已經是該量多個數據值內部發生關系所產生出來的結果 所以，要列出這些數據值之間的關系，就並不是無隱藏的統計關系，而應該是隱含著原因在結果數據值之中的那種關系，那也就是微分方程，其實這也是微分方程的實際意義。灰色預測的數據理論基礎，簡而言之，集成了中等數學中的數列理論、高等數學中的微分方程、線性代數、數理統計等理論。在近年來，灰色預測的發展還體現在以上那些數學理論基礎與最新人工智慧演算法、進化演算法、生物仿生演算法的相融合上，具體而言，已經涉及到較深的研究領域了。
⑨ 灰色系統預測演算法
function x=gmadd(x0,k)
n=length(x0);%求出原始數據的長度
x=ones(k,n);
x(1,:)=x0;
for j=1:k
x1(1)=x0(1); %計算出依次累加的矩陣，命名為x1
for ii=1:n-1
x1(ii+1)=x1(ii)+x0(ii+1);
end
%求出數據向量Y矩陣
y=ones(n-1,1);
for ii=2:n
y(ii-1)=x0(ii);
end
%構造出數據矩陣b
b=ones(n-1,2);
for ii=1:n-1
b(ii,1)=(-0.5)*(x1(ii)+x1(ii+1));
end
%確定參數a和u
w=inv(b'*b)*b'*y;
a=w(1,1) ;
u=w(2,1) ;
%計算模型x11
m=u/a;
g=x0(1)-m;
x11=ones(n,1);
x11(1)=x0(1);
for ii=1:n
x11(ii+1)=exp(-a*ii)*g+m;
end
%進行下一次循環
for ii=1:n
x0(ii)=x11(ii+1)-x11(ii);
end
x(j,:)=x0;
end