叫分演算法

1. 什麼是分治演算法

分治法就是將一個復雜的問題分成多個相對簡單的獨立問題進行求解，並且綜合所有簡單問題的解可以組成這個復雜問題的解。
例如快速排序演算法就是一個分治法的例子。即將一個大的無序序列排序成有序序列，等於將兩個無序的子序列排序成有序，且兩個子序列之間滿足一個序列的元素普遍大於另一個序列中的元素。

2. 積分計算公式是什麼

積分計算公式包括含ax+b的積分、含√（a+bx）的積分、含有ax^2+b（a>0）的積分、含有√（a²+x^2）（a>0）的積分、含有√（a^2-x^2）（a>0）的積分、含有三角函數的積分、含有反三角函數的積分、含有指數函數的積分、含有對數函數的積分等。具體公式如下所示。

含ax+b的積分公式

∫1/(a+bx)dx=(1/b)*ln|a+bx|+C、∫x/(a+bx)dx=(1/(b^2))*(a+bx-aln|a+bx|)+C。

含有ax^2+b（a>0）的積分公式

∫1/(ax^2+b)dx=(1/√(ab))*arctan((√a/√b)*x)+C。

含有三角函數的積分公式

∫sinxdx=-cosx+C、∫cosxdx=sinx+C、∫secxtanxdx=secx+C、∫tanxdx=-ln|cosx|+C。

不定積分

設F(x)是函數f(x)的一個原函數，我們把函數f(x)的所有原函數F(x)+C（C為任意常數）叫做函數f(x)的不定積分，記作∫f(x)dx=F(x)+C.其中∫叫做積分號，f(x)叫做被積函數，x叫做積分變數，f(x)）dx叫做被積式，C叫做積分常數。

求已知函數不定積分的過程叫做對這個函數進行積分。

以上內容參考：網路-積分公式

3. 護考分數怎麼算

護資考試分數演算法是採用標准分進行計算，並不是每答對一題獲得一分。

通俗的講就是通過標准分來衡量在全國考生中的排名，相對來說比較公平。標准分也叫做z分數，等於一個分數與平均數的差再除以標准差，用公式表示就是z=(x-u)/a。
公式里x為具體分數，u為平均數，a為標准差。標准分不僅能表示原始分數在整個考試中考生分布的地位，還是以標准差為單位的等距量表，標准分演算法很復雜，涉及數量中的多種函數，不管如何算，盡量把分數考高些就好。

4. 山東省藝術生高考分數怎麼算 演算法是什麼

舞蹈類統考專業及音樂類、影視戲劇表演類、服裝表演類等聯考類別的專業，根據專業成績從高到低排序投檔；其他藝術類統考及聯考專業根據綜合成績從高到低的排序投檔，以下是綜合成績計算辦法。

山東藝術生高考分數怎麼算

美術類專業（使用統考成績），綜合成績按照專業成績佔70%、文化成績佔30%折算形成，綜合成績=專業成績*750/300*70%+文化成績*30%（綜合成績四捨五入保留兩位小數）。

文學編導類（使用統考成績），綜合成績按照專業成績佔30%、文化成績佔70%折算形成，綜合成績=專業成績*750/300*30%+文化成績*70%（綜合成績四捨五入保留兩位小數）。

書法類（使用統考成績），綜合成績按照專業成績佔40%、文化成績佔60%折算形成，綜合成績=專業成績*750/300*40%+文化成績*60%（綜合成績四捨五入保留兩位小數）。

播音主持類（使用聯考成績），綜合成績按照專業成績佔30%、文化成績佔70%折算形成，綜合成績=專業成績*750/300*30%+文化成績*70%（綜合成績分四捨五入保留兩位小數）。

航空服務藝術類（使用聯考成績），綜合成績按照專業成績佔30%、文化成績佔70%折算形成，綜合成績=專業成績*750/100*30%+文化成績*70%（綜合成績分四捨五入保留兩位小數）。

藝術生高考分數的演算法

1、要看報考的學校錄取原則。因為學校不同其演算法也是完全不一樣的，有的學校是文化分專業分的綜合分來錄取學生的，文化分和專業分的佔比都是50%。而有的學校是文化分佔比40%，而專業分的佔比是60%。而有的學校是先按照文化分過了錄取線，再通過專業分的高低來進行錄取的。

有的省份有專業統考(所在省份的專業統考成績可用於省內大部分院校) 32所獨立院校的專業需要單獨進行校考。所以大家在選擇時候，更好首先要判定一下自我的文化課分數是否有過線，是否有達到報考學校的分數線。

2.如果是藝術本科的話，是按照750滿分進行計算，不同的專業類別，計算方式也是不同，比如說，美術、音樂類的，綜合分等於考生總分乘以50%加上專業分乘以7.5乘以50%，又比如說舞蹈、影視表演的，綜合分等於考生總分乘以40%加上專業分乘以7.5乘以60%，播音主持類則是綜合分等於考生總分乘以80%加上專業分乘以7.5乘以20%，而攝制、編導類則是綜合分等於考生總分乘以92%以上。

同理，如果是專科的院校，則是以450分為基礎，公式和以上是一樣的，只要把7.5改成4.5即可。

5. 什麼是分類演算法

分類(Categorization or Classification)就是按照某種標准給對象貼標簽(label)，再根據標簽來區分歸類。

分類是事先定義好類別 ，類別數不變 。分類器需要由人工標注的分類訓練語料訓練得到，屬於有指導學習范疇。

最常用的分類演算法就是貝葉斯分類演算法，（貝葉斯分類器）
用到的知識就是概率的東西

謝謝採納

6. 橋牌怎麼計分和怎麼叫分

打橋牌，首先要按基本分來記分。基本分由墩分、獎分和罰分三部分組成。定約方完成定約後，除獲得墩分(贏墩數減6)外，還獲得獎分。

首先是墩分。低級花色每墩20分，加倍後每墩40分，再加倍後每墩80分；高級花色每墩30分，加倍後每墩60分，再加倍後每墩120分。無將定約，第一墩40分，以後每墩30分，加倍或再加倍後的得分與有將定約成倍增長的方法相同。

其次是獎分。部分定約即不成局定約的獎分為50分；成局定約無局方300分，有局方500分；小滿貫定約無局方500分，有局方750分；大滿貫定約無局方1000分，有局方1500分。已經得到了成局定約的獎分，不再加進部分定約的50分獎分；而完成了滿貫定約，除計算滿貫獎分外，還要加進成局獎分。定約方完成任何加倍定約，另得50分獎勵分；完成任何再加倍定約，另得100分獎勵分。定約方超額完成定約，其超額贏墩的得分如下：作為無局方，未加倍時得墩分，加倍時每超一墩100分，再加倍時每超一墩200分；作為有局方，未加倍時得墩分，加倍時每超一墩200分，再加倍時每超一墩400分。

定約方如未能完成定約，則由對方得分。宕得越多，罰分也越多。

7. 什麼是分支演算法

分支限界演算法：
分支定界 (branch and bound) 演算法是一種在問題的解空間樹上搜索問題的解的方法。但與回溯演算法不同，分支定界演算法採用廣度優先或最小耗費優先的方法搜索解空間樹，並且，在分支定界演算法中，每一個活結點只有一次機會成為擴展結點。

利用分支定界演算法對問題的解空間樹進行搜索，它的搜索策略是：

1 ．產生當前擴展結點的所有孩子結點；

2 ．在產生的孩子結點中，拋棄那些不可能產生可行解（或最優解）的結點；

3 ．將其餘的孩子結點加入活結點表；

4 ．從活結點表中選擇下一個活結點作為新的擴展結點。

如此循環，直到找到問題的可行解（最優解）或活結點表為空。

從活結點表中選擇下一個活結點作為新的擴展結點，根據選擇方式的不同，分支定界演算法通常可以分為兩種形式：

1 ． FIFO(First In First Out) 分支定界演算法：按照先進先出原則選擇下一個活結點作為擴展結點，即從活結點表中取出結點的順序與加入結點的順序相同。

2 ．最小耗費或最大收益分支定界演算法：在這種情況下，每個結點都有一個耗費或收益。如果要查找一個具有最小耗費的解，那麼要選擇的下一個擴展結點就是活結點表中具有最小耗費的活結點；如果要查找一個具有最大收益的解，那麼要選擇的下一個擴展結點就是活結點表中具有最大收益的活結點。

又稱分支定界搜索法。過程系統綜合的一類方法。該法是將原始問題分解，產生一組子問題。分支是將一組解分為幾組子解，定界是建立這些子組解的目標函數的邊界。如果某一子組的解在這些邊界之外，就將這一子組舍棄（剪枝）。分支定界法原為運籌學中求解整數規劃(或混合整數規劃)問題的一種方法。用該法尋求整數最優解的效率很高。將該法原理用於過程系統綜合可大大減少需要計算的方案數日。

分支定界法的思想是：首先確定目標值的上下界，邊搜索邊減掉搜索樹的某些支，提高搜索效率。

在競賽中，我們有時會碰到一些題目，它們既不能通過建立數學模型解決，又沒有現成演算法可以套用，或者非遍歷所有狀況才可以得出正確結果。這時，我們就必須採用搜索演算法來解決問題。
搜索演算法按搜索的方式分有兩類，一類是深度優先搜索，一類是廣度優先搜索。我們知道，深度搜索編程簡單，程序簡潔易懂，空間需求也比較低，但是這種方法的時間復雜度往往是指數級的，倘若不加優化，其時間效率簡直無法忍受；而廣度優先搜索雖然時間復雜度比前者低一些，但其龐大的空間需求量又往往讓人望而卻步。
所以，對程序進行優化，就成為搜索演算法編程中最關鍵的一環。
本文所要討論的便是搜索演算法中優化程序的一種基本方法棗「剪枝」。

什麼是剪枝
相信剛開始接觸搜索演算法的人，都做過類似迷宮這樣的題目吧。我們在「走迷宮」的時候，一般回溯法思路是這樣的：
1、這個方向有路可走，我沒走過
2、往這個方向前進
3、是死胡同，往回走，回到上一個路口
4、重復第一步，直到找著出口
這樣的思路很好理解，編程起來也比較容易。但是當迷宮的規模很大時，回溯法的缺點便暴露無遺：搜索耗時極巨，無法忍受。
我們可不可以在向某個方向前進時，先一步判斷出這樣走會不會走到死胡同里呢？這樣一來，搜索的時間不就可以減少了嗎？
答案是：可以的。
剪枝的概念，其實就跟走迷宮避開死胡同差不多。若我們把搜索的過程看成是對一棵樹的遍歷，那麼剪枝顧名思義，就是將樹中的一些「死胡同」，不能到達我們需要的解的枝條「剪」掉，以減少搜索的時間。
搜索演算法，絕大部分需要用到剪枝。然而，不是所有的枝條都可以剪掉，這就需要通過設計出合理的判斷方法，以決定某一分支的取捨。在設計判斷方法的時候，需要遵循一定的原則。
剪枝的原則
1、正確性
正如上文所述，枝條不是愛剪就能剪的。如果隨便剪枝，把帶有最優解的那一分支也剪掉了的話，剪枝也就失去了意義。所以，剪枝的前提是一定要保證不丟失正確的結果。
2、准確性
在保證了正確性的基礎上，我們應該根據具體問題具體分析，採用合適的判斷手段，使不包含最優解的枝條盡可能多的被剪去，以達到程序「最優化」的目的。可以說，剪枝的准確性，是衡量一個優化演算法好壞的標准。
3、高效性 設計優化程序的根本目的，是要減少搜索的次數，使程序運行的時間減少。但為了使搜索次數盡可能的減少，我們又必須花工夫設計出一個准確性較高的優化演算法，而當演算法的准確性升高，其判斷的次數必定增多，從而又導致耗時的增多，這便引出了矛盾。
因此，如何在優化與效率之間尋找一個平衡點，使得程序的時間復雜度盡可能降低，同樣是非常重要的。倘若一個剪枝的判斷效果非常好，但是它卻需要耗費大量的時間來判斷、比較，結果整個程序運行起來也跟沒有優化過的沒什麼區別，這樣就太得不償失了。
綜上所述，我們可以把剪枝優化的主要原則歸結為六個字：正確、准確、高效。
剪枝演算法按照其判斷思路可大致分成兩類：可行性剪枝及最優性剪枝。

對於分支定界演算法,上界是已求得的可行解的目標函數值中的最小者,分為初始上界和在探測過程中產生的動態上界.分支定界法在求最優解的迭代過程中, 若某結點估計的下界不小於已知的上界, 則不必從該節點往下繼續搜索. 因此若能產生一個較好的上界, 可以消除許多不必要的列舉計算.

分支定界演算法的實現
在描述分支定界演算法步驟之前, 先對演算法涉及到的有關術語進行定義如下:
p —— 分支層數;
C*—— 當前最優目標函數值;
P*—— 相應於C*的工件順序;
P1—— 當前節點(現在需要進行分支的節點)所對應的部分序列.
分支定界演算法的實施步驟如下:
步驟1 初始化: 設置p = 0, P 1 = Á (空集) , C* = ∞.設當前節點總是與P 1 相對應. 此時, 當前節點即根節點.
步驟2 計算從當前節點分支得到的各個子節點的下界, 並按下界值由小到大對各子節點排序. 令p ←p + 1.
步驟3 如果當前節點被探測盡, 令p ←p - 1, 轉步驟6. 否則, 設當前層(第p 層) 各活動子節點中具有最小下界值的節點為Q , 則在P 1末尾加入Q 對應第p 位置上的工件, 此時的當前節點轉為Q , 轉步驟4.
步驟4 因為當前節點是同層同父節點具有最小下界值的節點, 如果當前節點下界值大於或等於C* , 則不必再搜索當前節點及其同層同父的活動節點, 這樣, 當前節點的上一層節點(父節點)被探測盡, p ←p - 1, 去掉P 1 中的最後一個工件,轉步驟6. 否則, 轉步驟5.
步驟5 如果p = n, 則得到一個較優順序.令P* = P 1, C* 是當前節點的下界值, p ←p - 1,去掉P 1 中最後一個工件, 轉步驟6; 否則轉步驟2.
步驟6 若p ≠ 0, 去掉P 1 中最後一個工件,轉步驟3; 否則, 演算法停止. C* 是最優的目標函數值, P* 是最優順序.

分支結構演算法的實現(編程基礎)

我現在學到了分支結構了。又遇到問題了，不知道你還在不在,可以幫我嗎?(可以，沒問題.)
1、用Pascal語言表示下列的條件表達式：
（1）：x小於10；
（2）：0<=y<=5;(『小於等於』不會打)
（3）：x大於5或x為負數；
（4）：ch在「A」和「Z」之間（包括「A」和「Z」）；
（5）：年齡（age)不小於18，國籍(natioality)不是中國「CHINA」,也不是朝鮮「KOREA」的男性公民(sex=`maie`);
（6）：正數，在2～100之間且不能被2，或3，或5整除。
2、試寫出下列各項的Pascal語句：
（1）：如果wage大於10000，便減去10%的wage.
（2）：如果Choice的值為1，則讀取x的值，並列印x的平方；否則讀取y的值，並列印y的平方。

8. 通分簡單演算法

根據分式的基本性質，把幾個異分母的分式分別化成與原來的分式相等的同分母的分式，叫做分式的通分。
把異分母分數分別化成與原來分數相等的同分母分數，叫做通分。
把甲數與乙數的比和乙數與丙數的兩個不同的比化成甲與乙與丙的比，也稱作通分。
例如：
比較：7/9和8/11的大小
解：7/9 = 7×11/9×11 = 77/99
8/11 = 8×9/11×9 = 72/99
∵ 77/99 > 72/99
∴ 7/9 > 8/11
甲：乙=2：5=8：20
乙：丙=4：7=20：35
甲：乙：丙=8：20：35

9. 分類演算法 - 隨機森林

上次我寫了決策樹演算法，決策樹可以解決分類問題，也有CART演算法可以解決回歸問題，而隨機森林也和決策樹非常類似，採用了CART演算法來生成決策樹，因此既可以解決分類問題，也可以解決回歸問題。從名字中可以看出，隨機森林是用隨機的方式構建的一個森林，而這個森林是由很多的相互不關聯的決策樹組成。實時上隨機森林從本質上屬於機器學習的一個很重要的分支叫做集成學習。集成學習通過建立幾個模型組合的來解決單一預測問題。它的工作原理是生成多個分類器/模型，各自獨立地學習和作出預測。這些預測最後結合成單預測，因此優於任何一個單分類的做出預測。
所以理論上，隨機森林的表現一般要優於單一的決策樹，因為隨機森林的結果是通過多個決策樹結果投票來決定最後的結果。簡單來說，隨機森林中每個決策樹都有一個自己的結果，隨機森林通過統計每個決策樹的結果，選擇投票數最多的結果作為其最終結果。我覺得中國一句諺語很形象的表達了隨機森林的運作模式，就是「三個臭皮匠，頂個諸葛亮」。

我有一批100條的數據，通過顏色、長度、甜度、生長地方和水果類別，那麼我要預測在某種顏色、長度、甜度和生長地方的水果究竟是什麼水果，隨機森林要怎麼做呢？

這里的抽樣是指的在這批水果中，有放回地抽樣，比如我要生成3個決策樹來預測水果種類，那麼每棵樹要抽樣50條數據來生成，每棵樹抽取數據後數據要放回，下一棵樹抽取數據仍然要從100條數據裡面抽取。這種方法就叫做 bootstrap重采樣技術 。

每棵樹利用抽取的樣本生成一棵樹，值得注意的是，由於採用的是CART演算法，因此生成的是二叉樹，並且可以處理連續性數據。如果每個樣本的特徵維度為M，像以上提到的數據，樣本特徵維度5，指定一個常數m<<M，隨機地從5個特徵中選取m個特徵子集 （這一點非常重要，這也是隨機森林的隨機這個名字的來源，因此這樣才能保證生成的決策樹不同） ，每次樹進行分裂時，從這m個特徵中選擇最優的，並且每棵決策樹都最大可能地進行生長而不進行剪枝。
此時，一顆茂盛的決策樹就生成了。

根據3顆決策樹的結果，如果是連續型的數據最終需要求均值獲得結果，如果是分類型的數據最後求眾數獲得結果。

1）正如上文所述，隨機森林演算法能解決分類與回歸兩種類型的問題，並在這兩個方面都有相當好的估計表現

2）隨機森林對於高維數據集的處理能力令人興奮，它可以處理成千上萬的輸入變數，並確定最重要的變數，因此被認為是一個不錯的降維方法。此外，該模型能夠輸出變數的重要性程度，這是一個非常便利的功能

3）在對缺失數據進行估計時，隨機森林是一個十分有效的方法。就算存在大量的數據缺失，隨機森林也能較好地保持精確性

4）當存在分類不平衡的情況時，隨機森林能夠提供平衡數據集誤差的有效方法

5）模型的上述性能可以被擴展運用到未標記的數據集中，用於引導無監督聚類、數據透視和異常檢測

6）隨機森林演算法中包含了對輸入數據的重復自抽樣過程，即所謂的bootstrap抽樣。這樣一來，數據集中大約三分之一將沒有用於模型的訓練而是用於測試，這樣的數據被稱為out of bag samples，通過這些樣本估計的誤差被稱為out of bag error。研究表明，這種out of bag方法的與測試集規模同訓練集一致的估計方法有著相同的精確程度，因此在隨機森林中我們無需再對測試集進行另外的設置。

1）隨機森林在解決回歸問題時並沒有像它在分類中表現的那麼好，這是因為它並不能給出一個連續型的輸出。當進行回歸時，隨機森林不能夠作出超越訓練集數據范圍的預測，這可能導致在對某些還有特定雜訊的數據進行建模時出現過度擬合。

2）對於許多統計建模者來說，隨機森林給人的感覺像是一個黑盒子——你幾乎無法控制模型內部的運行，只能在不同的參數和隨機種子之間進行嘗試。