快速推算法

㈠ 快速排序算法原理与实现

快速排序的原理：通过一趟排序将要排序的数据分割成独立的两部分，其中一部分的所有数据都比另外一部分的所有数据都要小。

然后再按此方法对这两部分数据分别进行快速排序，整个排序过程可以递归进行，以此达到整个数据变成有序序列。

假设要排序的数组是A[1]……A[N]，首先任意选取一个数据（通常选用第一个数据）作为关键数据，然后将所有比它的数都放到它前面，所有比它大的数都放到它后面，这个过程称为一躺快速排序。一躺快速排序的算法是：

1、设置两个变量I、J，排序开始的时候I：=1，J：=N；

2、以第一个数组元素作为关键数据，赋值给X，即X：=A[1]；

3、从J开始向前搜索，即由后开始向前搜索（J：=J-1），找到第一个小于X的值，两者交换；

4、从I开始向后搜索，即由前开始向后搜索（I：=I+1），找到第一个大于X的值，两者交换；

5、重复第3、4步，直到I=J。

(1)快速推算法扩展阅读：

设要排序的数组是A[0]……A[N-1]，首先任意选取一个数据（通常选用数组的第一个数）作为关键数据，然后将所有比它小的数都放到它前面，所有比它大的数都放到它后面，这个过程称为一趟快速排序。

值得注意的是，快速排序不是一种稳定的排序算法，也就是说，多个相同的值的相对位置也许会在算法结束时产生变动。

一趟快速排序的算法是：

1、设置两个变量i、j，排序开始的时候：i=0，j=N-1；

2、以第一个数组元素作为关键数据，赋值给key，即key=A[0]；

3、从j开始向前搜索，即由后开始向前搜索(j--)，找到第一个小于key的值A[j]，将A[j]的值赋给A[i]；

4、从i开始向后搜索，即由前开始向后搜索(i++)，找到第一个大于key的A[i]，将A[i]的值赋给A[j]；

5、重复第3、4步，直到i=j； (3,4步中，没找到符合条件的值，即3中A[j]不小于key,4中A[i]不大于key的时候改变j、i的值，使得j=j-1，i=i+1，直至找到为止。找到符合条件的值，进行交换的时候i， j指针位置不变。

㈡ 十二生肖快速推算法有哪些

前提当然是知道年龄哈，伸出左手，边缘正好是十二个格（含指肚），从无名指最下面的一个格开始，顺指针转，依次是子、丑、……戌、亥。如果今年是龙年，就从龙那一年开始顺时针数（别的是什么年就从那一年开始数），龙那数1，然后隔一个格，数11，依次数，比如你算45属什么，就数到41，然后逆时针一个一个的数，42，,43,44，45，停！你所停的位置就是他的属相！这是按虚岁的算的，如果他说的是周岁，你在他的岁数加一就行了！算卦的就是这么算的！

㈢ 11x11至25x25点快速算法是什么

可以借助规律进行背诵，具体规律如下：

先记住11的平方是121，然后依次接下来的数的平方依次增加 23、25、27、29、31、33、35、37、39，就能知道11到20的平方了，如11的平方是121，121+23=144就是12的平方，144+25=169是13的平方，以此类推。

(3)快速推算法扩展阅读：

相传印度有位外来的大臣跟国王下棋，国王输了，就答应满足他一个要求：在棋盘上放米粒。第一格放1粒，第二格放2粒，然后是4粒，8粒，16粒…直到放到64格。国王哈哈大笑，认为他很傻，以为只要这么一点米。

按照大臣的要求，放满64个格，需米

粒。这个数是18446744073709551615，是二十位的数字。这些米别说倾空国库，就是整个印度，甚至全世界的米，都无法满足这个大臣的要求！

㈣ Mallat算法

6.9.1.1 尺度空间的有限分解

MRA框架表明f（t）∈L²（R）可分解为无穷个小波分量的直和，但在实际应用中，仅知道f（t）的近似函数。为不失一般性，可假设原信号是在a=1或j=0的分辨率下测得的，用f⁰（t）表示，它属于子空间V₀。而子空间V₀又可分解成两个子空间。因此，在MRA框架下理解为f⁰（t）∈V₀，这样就有如下的尺度空间的有限分解表现

V₀=V₁⊕W₁=（V₁⊕W₁）⊕W₀=（V₂⊕W₂）⊕W₁

=（V_j⊕W_j）⊕W_j-1⊕W_j-2⊕…⊕W₁

︙

=V_J+W_J⊕W_J-1⊕W_J-2⊕…⊕W₁

其中子空间及分量分别为

地球物理信息处理基础

V₀的有限分解关系仅是MRA无穷分解中的一部分。因此，就子空间而言、就函数分量而言以及就频率范围而言，有限分解的含义都与MRA相同。例如，V₀中的元素f⁰（t）是有限频率范围的，f^J（t）∈V_J是f⁰（t）的最低频表现，W_j中元素δ^j（t）是具有特定带宽的，它们互不重叠，这些频带的总和就是f⁰（t）的频率范围。

为了数字计算和分析处理的目的，需要将f^j（t）和δ^j（t）用离散数据来表示。显然，｛c_j，k｝∈l²是合适的，因为

表明f^j（t）∈V_j和｛c_j，k｝∈l²是一一对应的，或者说利用｛c_j，k｝就一定可恢复f^j（t）。根据同样的理由，可用数据｛d_j，k｝∈l²来表示δ^j（t）∈W_j，这类数据｛c_j，k｝和｛d_j，k｝对应着特定的离散表现，j表示尺度方面的2进制规则离散，k表示整节点标记的时移离散。

6.9.1.2 分解算法

分解算法要实现的目标是：在｛φ（t-k）｝是标准正交基条件下，已知｛c_j-1，k｝、｛h_k｝和｛g_k｝，求出｛c_j，k｝和｛d_j，k｝。

ψ（t）关于φ（t）的两尺度关系式（6-95）提供了一条由尺度函数φ（t）构造母小波ψ（t）的途径。根据尺度函数

地球物理信息处理基础

和小波函数

地球物理信息处理基础

得到

地球物理信息处理基础

用l取代2k+l，上式成为

地球物理信息处理基础

计算f（t）∈L²（R）与上式两端的内积，便得到如下计算小波级数系数的一个公式

地球物理信息处理基础

式中c_j-1，l=＜f^j，φ_j-1，l＞=＜f，φ_j-1，l＞是信号f（t）与φ_j-1，l（t）的内积，即c_j，l=＜f，φ_j，l＞。信号在V_j的正交投影

，将两尺度关系式的φ_j，k（t）代入定义式φ_j，k（t）=2^-j/2φ（2^-jt-k），有

地球物理信息处理基础

由此可以计算f（t）与φ_j，k（t）的内积，即

地球物理信息处理基础

在数学上，f^j（t）是平方可积连续函数，它是L²（R）的元素；c_j，l（l∈Z）是平方可和序列，它是平方可和序列矢量空间l²（Z）中的元素。

说明f^j（t）与c_j，k（k∈Z）有等效对应关系，在数学上称l²（Z）与L²（R）之间存在着同构关系。显然，c_j，k比f^j（t）更适合于在计算机上运算。c_j，k称为在分辨2^j下的f（t）离散逼近，因此，可以把f⁰（t_k）=f（t_k）的采样值作为｛c_j，k｝的初始数据，即｛c_0，k｝=｛f（t_k）｝。

综合式（6-109）和（6-110），得到一般的分解公式

地球物理信息处理基础

式（6-111）的实现过程如图6-26所示，每个尺度j所存储的数据｛c_j，k｝都是按整数编号的。以j尺度层为基础来观察j-1尺度层，j尺度层的采样节点编号k对应着j-1尺度层上编号为2k的采样节点，或者说。j-1尺度的采样节点是在j尺度采样节点基础上均匀加密的结果；若以j-1尺度层为基础来观察j尺度层，则j-1尺度层上隔2取样（“隔1取1”）的节点正好对应着j尺度层上的采样节点。图6-26表明了由j-1尺度向j尺度的变换过程，｛h_k｝可看做滤波器的单位冲激响应（权系数）。假设｛h_k｝仅有6个元素，则式（6-111）所表明的变换过程相当于把｛h_-2，h_-1，h₀，h₁，h₂，h₃，｝作为权值，其中心点h₀对准｛c_j，k｝后再作加权平均，即

地球物理信息处理基础

这一实现过程是非常快捷的，相当于先计算序列c_j-1，k（k∈Z）与

的卷积，然后抽取偶数下标（隔1抽1）的卷积结果，即得到逼近级数的系数c_j，k（k∈Z）。

图6-26 分解算法计算｛c_j，k｝示意图

图6-26虽然仅表明由｛c_j-1，k｝计算｛c_j，k｝的变换过程，它同样也表明了由｛c_j-1，k｝计算｛d_j，k｝的变换过程，只不过要将｛h_k｝换成｛g_k｝而已。对正交小波而言，g_k=（-1）^kh_-k+1是由｛h_k｝决定的。

由c_0，k开始，利用式（6-111）进行迭代运算，陆续计算出c_1，k、c_2，k等等，与此同时，利用c_0，k、c_1，k、c_2，k等值，同样不断计算出d_1，k、d_2，k等小波级数系数值。

式（6-111）所表明的计算过程由算子表示会更简单些。记A^j=｛c_j，k｝，D^j=｛d_j，k｝。记算子H：l²➝l²，其运算意义如式（6-111）的第1式所示，即

地球物理信息处理基础

同样，记算子G：l²➝l²，其运算意义如式（6-111）的第2式所示，即

地球物理信息处理基础

采用算子表示后，式（6-111）所表明的分解算法结构如图6-27所示。它表明

A^j=H^jA⁰；D^j=GH^j-1A⁰

即A⁰经H算子j次作用后即可获得A^j，A⁰经H算子j-1次作用后再经G算子作用1次即可获得D^j。

图6-27 分解算法结构示意图

图6-27还表明，只要在细密采样间隔的尺度层次上给定A⁰，就可利用分解算法快速地获得较粗采样间隔尺度层上的有关数据A^j和D^j（0＜j≤J）。假设实际问题中A⁰有N个数据，则2尺度层上的A¹和D¹各有N/2个数据，依此类推；还假设｛h_k｝和｛g_k｝分别有M个数据；那么，用A⁰计算A¹和D¹共需2MN/2次运算，从2到3尺度层共需2MN/4次运算，依此类推可知，要得到A^j和D^j（0＜j≤J）共需2MN（2^-1+2^-2+…2^-J）次运算。由此可见，分解算法是快速的。

原信号f⁰（t）具有下列唯一分解

地球物理信息处理基础

δ_j是信号在W_j（j=1，2，…，J）各子空间上的正交投影，它们是从一个较精细的逼近变成较粗略的逼近（两个逼近的分辨率相邻近）时所丢失的信息，即

地球物理信息处理基础

可将这一不断降低逼近分辨率的过程看成是“一层又一层地把信号进行剥皮”的过程。当J选得足够大时，“剥”下来的信息总和

地球物理信息处理基础

足够多，将足以精确表示原信号f⁰（t），而最终的逼近信号f^J（t）的分辨率已经非常低，这样反而可以把式（6-113）当成原信号的估计，而把f^J（t）看成是估计误差。这就是说，用小波级数在所有分辨率下的全部系数（j=1，2，…，J）来代替原信号，其误差f^J（t）可以任意小。按照这种解释，式（6-111）算法就是将f⁰（t）的信息（c_0，k是它的离散表示）表示成c_1，k～c_J，k等信息和一个估计误差（实际上它是在分辨率最低即2^J下的逼近）c_J，k。这一过程实际上是在一次又一次地改变着正交基（或子空间）。

6.9.1.3 信号重构算法

重构算法是分解算法的逆过程。此时已知数据｛c_j，k｝和｛d_j，k｝（0≤j≤J），希望利用这些数据快速准确地重构出原始数据。

一般而言，相邻两分辨率下的逼近信号存在着下列关系：

地球物理信息处理基础

计算上式左右两端与φ_j-l，k（t）的内积，得

地球物理信息处理基础

为了便于讨论运算过程，在上式中令m=p-2k，所以信号重构公式为

地球物理信息处理基础

根据式（6-115）计算｛

｝的过程见图6-28所示。为了理解式（6-115）和图6-28所示的计算过程，应注意下面两点：一是j-1尺度层偶数编号的采样点对应着j尺度层上的采样点，二是示意图中假设｛h_k｝的有限数据为｛h_-2，h_-1，h₀，h₁，h₂，h₃，｝。

可以看出，计算｛

｝可分为两步进行：

地球物理信息处理基础

第一步计算j-1尺度层上的偶数编号采样点处的｛

｝，此时可对j尺度层采样节点循序推进，所用数据为｛h_-2，h₀，h₂，｝，按公式

地球物理信息处理基础

计算出j-l尺度层上偶数编号节点处的相应值。

第二步计算j-1尺度层上的奇数编号的采样点处的｛

｝，其循序推进过程仍同于第一步，但需另用｛h₃，h₁，h_-1｝，且按公式

地球物理信息处理基础

图6-28也表明了式（6-115）中｛d_j，k｝计算｛

｝的过程，此时要采用｛g_k｝，计算式应为

地球物理信息处理基础

为了更清楚地表明｛c_j，p｝和｛d_j，p｝，0≤ j≤J-1重构｛c_0，p｝的关系，与前述的分解情况一样，记A^j=｛c_j，p｝，D^j=｛d_j，p｝，采用算子的记号H^*：l²➝l²，其运算意义为

地球物理信息处理基础

记G^*：l²➝l²，其运算意义为

地球物理信息处理基础

在这些重构算子意义下，式（6-115）可表示为

地球物理信息处理基础

于是从尺度层j=J到尺度层j=0的重构算法过程可用图6-29表示。重构算法也是快速的，现估计其计算量。设｛h_m｝和｛g_m｝分别有M个数据，0尺度层｛c_j，0｝有N个数据，则尺度层1上｛c_j，1｝有N/2个数据，用｛c_1，p｝计算｛

｝的偶节点值和奇节点值分别需要（M/2）N/2次运算；由｛c_1，p｝计算｛

｝共需MN/2次运算；｛d_1，p｝计算｛

｝也需MN/2次运算；由1尺度层数据重构0尺度层数据共需MN次运算。可依此类推出其它相邻尺度层之间采用重构算法的运算量，最后，得总运算量为

2MN（2^-1+2^-2+…2^-J）

图6-29 信号重构算法示意图

图6-30所示的是信号分解与重构算法的计算流程示意图，图中的“

”表示“按因子2抽取”或“隔1抽1”运算。符号“

”表示，“按因子2内插”或“两相邻样本间内插一个零样本”。输入是c_0，k，相当于原信号的离散表示；输出是不同尺度下的小波级数系数c_j，k（j∈Z）以及信号在子空间V_J的正交投影c_J，k。这是在做信号分析，其分解公式见（6-111）。与此相反，当输入是d_j，k（j∈Z）和c_J，k，输出是c_0，k时，为信号重建或合成，此时有

地球物理信息处理基础

将合成与分析算法合起来画成图6-30所示的形式，称之为Mallat算法。

图6-30 信号分解与重构算法示意图

6.9.1.4 Mallat算法实现中的一些问题

Mallat算法是一种纯数字的快速递推算法，在使用Mallat算法时，有一些具体问题需引起注意。

（1）对正交尺度函数φ（t）而言，Mallat算法中仅需数据｛c_0，k｝和｛h_k｝可进行快速的分解和重构递推运算。要存储的数据为｛c_J，k｝和｛d_j，k｝，0＜j≤J，这些有用的数据的存储量等于｛c_0，k｝的数据存储量。特别值得强调的是，Mallat算法中隐含着两类关系，一类是关于多分辨分析方面的，例如对0＜j≤J，有

地球物理信息处理基础

f^j-1（t）=f^j（t）+δ^j（t）

地球物理信息处理基础

另一类关系是由于尺度函数φ（t）平移正交性产生的，例如

c_j，k=＜f，φ_j，k＞；d_j，k=＜δ^j，ψ_j，k＞

g_k=（-1）^kh_-k+1，0＜j≤J

Mallat算法正是利用了这些关系，在算法实施过程中不需尺度函数φ（t）和小波函数ψ（t）的具体形式，只要求它们存在并找出｛h_k｝，就可以顺利地进行分解和重构处理了。因此，只要查得正交尺度函数双尺度方程的传递系数｛h_k｝，就可以应用Mallat算法了。

顺便指出，如果尺度函数φ（t）（例如样条函数）不是平移正交的，它虽然可以生成MRA，但由此构造出的样条小波ψ（t）仅关于尺度正交，没有平移正交性。此时

地球物理信息处理基础

所以Mallat算法不再适用，必须另行推导相应的分解和重构算法。

（2）初始数据｛c_0，k｝的选用，在正交小波分解中，φ（t）是正交尺度函数，0尺度层上的展180开系数｛c_0，k｝=＜f（t），φ_0，k（t）＞，用复杂的计算来确定初始数据｛c_0，k｝是不合算的，应采用变通处理办法，即简单采用｛c₀，k｝=｛f（t_k）｝，用细尺度层上的采样值作为初始数据｛c_0，k｝。这种做法似乎有些不严密，但可以证明，虽然｛f（t_k）｝作为｛c_0，k｝的近似值时有微小误差，但数据｛f（t_k）｝同样有效地表现了f⁰（t）的变化波动状况和有效的频率范围，这种替代不会影响对f⁰（t）的时频分析；同时还应看到，用｛f（t_k）｝作初始数值，不仅可使问题简单化，而且也可使Mallat算法准确地分解和重构初始数据。总之，用｛f（t_k）｝替代｛c_0，k｝是实用方便的。

（3）分解层数和采样间隔的关系，这个问题主要从以下几方面考虑便可得出结论。

第一，因为最细的0尺度层的采样间隔T决定了f⁰（t）的频率范围，由取样效应可知，最大的频率范围为｜ω（f⁰）｜≤1/（2T）；同样，最粗的J尺度层的采样间隔为J=2^JT，最低的频率范围为｜ω（f^J）｜≤1/（2T）=2^-J｜ω（f⁰）｜。于是可从需要分辨的最高频率和需要分辨的最低频率这两个指标来决定最细尺度层的采样间隔和数据分解的层数。

第二，在最细的0尺度层上，应取用多少个数据才能满足J个层次的数据分解呢？在Mallat算法中，｛c_1，k｝的数据量仅为｛c_0，k｝数据量的一半，依此类推。同样，在J尺度层至少要取用N_J个数据才能表现低频量，于是推知，在0尺度层，至少取用N=2^JN_J个数据，才能满足J个分解层次的需要。

（4）在Mallat算法的运算中，需用到所存储的数据外面的数据（见图6-31），图中实线框内数据是要存储的。在分解算法中，若｛h_k｝仅有6个数据，由图6-26可知，要用到实线框外的数据c_0，-2和c_0，-1才能计算出c_1，-1，要用到c_0，N0+1、c_0，N0+2和c_0，N0+3才能计算出c_1，N1，其它层次的情形类似。由于细密采样层（图6-31中对应着j=0的尺度层次）中的近似函数f⁰（t）∈L²（R），当t➝∞时，f⁰（t）➝0，实线框内足够多的采样数据｛c_0，k｝，k=0，1，…，N₀，已反应了f⁰（t）的基本特性，f⁰（t）在图6-31实线框外的数据几乎消失，因此在实际分解过程中可简单地令实线框外的数据为零。同样，重构过程也会用到实线框以外的数据（见图6-28），也可以简单地令实线框外的数据为零。

图6-31 Mallat算法涉及没有存储的数据示意图

另一种办法也是常用的。在最细尺度层上较多地取用数据，在计算过程中适当地多存储些数据，如图6-31中虚线框所示。此时应以实线框存储数据作为分解重构算法和进行数字分析的依据。

6.9.1.5 Mallat 算法所表现的频域分解特点

有限尺度空间的正交小波子空间的直和分解关系，例如，

V₀=V₁⊕W₁=V₂⊕W₂⊕W₁=V₃⊕W₃⊕W₂⊕W₁

在Mallat算法中是通过算子H和G来表现的。数据A^j表征f^j（t）∈V_j，数据D^j表征δ^j（t）∈W_j，那么在Mallat算法中，A^j=HA^j-1；D^j=GA^j-1，从而实现了子空间的分解。这种子空间分解和算子H与G之间的关系示意于图6-32中（以V₀分解成3层为例）。

图6-32 Mallat算法所确定的数据分解和子空间分解的对应关系

因为f^j-1（t）和f^j（t）都是有限频率范围的，f^j（t）的频率范围仅是f^j-1（t）的相对低频部分，δ^j（t）的频率范围是f^j-1（t）的相对高频部分，所以δ^j（t）是f^j-1（t）的关于高频带的分量。换成子空间来描述，V_j-1所表现的频率范围被分解为两部分，一部分是由V_j表现的低频部分，另一部分是由W_j表现的频带部分。因此，V₀尺度空间的直和分解，表明把f⁰（t）的频率范围分解为由W₁、W₂、W₃和V₃所表现的频带，且这些频带是互不重叠的。这里所说的W₂所表现的频带宽度，也就是其基函数ψ_2，k（t）（窗函数）的频窗宽度。由aD_ω可知，W₂所表现的频带宽是W₁的一半，尺度指标增加，则小波子空间所表现的频带宽分半减小。由于对任意尺度而言，小波子空间所表现的时频窗面积是恒定不变的常数，所以对时频窗的时窗宽度而言，尺度指标增加，则相应的时窗宽度成倍增加。图6-33表示了正交小波分解用于分析t^*处局部时域信号时，在各个频带的时频窗表现。

图6-33 正交小波分解在各频带的时频窗示意图

㈤ 快速算法是什么

快速心算法，简称“快心算”，也叫“口算”，数学教学方法之一。一种只凭思维及语言活动不借任何工具的计算方法。它能培养学生迅速的计算技巧,发展学生的注意、记忆和思维能力。口算熟练后有助于笔算,且便于在日常生活中应用。

语音

快心算真正与小学数学教材同步的教学模式：

1：会算法——笔算训练，现今我国的教育体制是应试教育，检验学生的标准是考试成绩单，那么学生的主要任务就是应试，答题，答题要用笔写，笔算训练是教学的主线。与小学数学计算方法一致，不运用任何实物计算，无论横式，竖式，连加连减都可运用自如，用笔做计算是启动智慧快车的一把金钥匙。

2：明算理—算理拼玩。会用笔写题，不但要使孩子会算法，还要让孩子明白算理。 使孩子在拼玩中理解计算的算理，突破数的计算。孩子是在理解的基础上完成的计算。

3：练速度——速度训练，会用笔算题还远远不够，小学的口算要有时间限定，是否达标要用时间说话，也就是会算题还不够，主要还是要提速。

4：启智慧——智力体操，不单纯地学习计算，着重培养孩子的数学思维能力，全面激发左右脑潜能，开发全脑。经过快心算的训练，学前孩子可以深刻的理解数学的本质（包含），数的意义（基数，序数，和包含），数的运算机理（同数位的数的加减，）数学逻辑运算的方式，使孩子掌握处理复杂信息分解方法，发散思维，逆向思维得到了发展。孩子得到一个反应敏锐的大脑。

㈥ 求快速算法

1、如果按“单利”计算；如果月利率是 0.1%
每月存款额=未来本息和/【期数+ 月利率*（期数-1）*期数/2】
每月存款额=100000/（60+0.1%*59*30）

=1618.91元
---------------------
2、如果按“复利”计算；月利率是 0.1%
年金=未来本息和*利率/【(1+月利率)^期数 -1】
=100000*0.1%/【(1+0.1%)^60 -1】
=1618元

㈦ 生辰八字中日柱的快速推算法

是公历日期可以计算出来

㈧ 1+49，2+48，以此类推，一直到加50，有什么办法快速算出来吗

我们先来看看规律哈
1+49；
2+48；
3+47；
4+46；
5+45；
。。。一直到50+0
其实是有规律的，你没发现加起来的和是50吗，所以只要算出来有多少组就行
那么就是算1-50有多少个数字，很简单：50组
所以快速算法就是：50*50=2500》
（个人计算思路，如有问题，可以相互讨论）

㈨ 快速算法是什么

快速算法是1998-07-01国防科技大学出版社出版的一本书。

内容介绍

快速算法是数字信号处理的支柱。本书是我国第一本综合论述数字信号处理中快速算法设计与分析的着作。

它深入而系统地论述了卷积和离散富里叶变换的各种经典和现代的快速算法，Winograd富里叶变换算法，多项式变换及其应用，离散余弦变换和w变换的快速算法，有关Toeplitz矩阵及Toeplitz系统的快速算法，格与树搜索的快速算法等。本书所论及的算法，大部分已在实际应用中起着非常重要的作用。

教学模式

快心算真正与小学数学教材同步的教学模式：

1：会算法——笔算训练，现今我国的教育体制是应试教育，检验学生的标准是考试成绩单，那么学生的主要任务就是应试，答题，答题要用笔写，笔算训练是教学的主线。与小学数学计算方法一致，不运用任何实物计算，无论横式，竖式，连加连减都可运用自如，用笔做计算是启动智慧快车的一把金钥匙。

2：明算理—算理拼玩。会用笔写题，不但要使孩子会算法，还要让孩子明白算理。使孩子在拼玩中理解计算的算理，突破数的计算。孩子是在理解的基础上完成的计算。