【编程训练】旅行商问题(TSP) - 遗传算法 注意！此题目版权归本人指导老师卢鹏所有，禁止外传！ 问题描述 某公司计划在某个地区做广告选宣传，推销员从城市 1 出发，经过各个乡镇，再回到城市 1，城镇的坐标位置见下表。为节约开支，公司希望推销员走过这 50 个城镇的总距离最少，请你使用 LINGO 和 MATLAB 软件编程求出最少总距离及其路径（需画出最后的线路图）。 数学模型： min 2022-04-27 MATLAB 旅行商问题 TSP 遗传算法
【编程训练】登山问题 - 梯度上升法 注意！此题目版权归本人指导老师卢鹏所有，禁止外传！ 问题描述 有一座小山，其表面方程可以用 z=1−x2−2y2z=1-x^2-2y^2z=1−x2−2y2 底部为 xOyxOyxOy ，记起点为 P(0.7,0.5,0.01)P(0.7,0.5,0.01)P(0.7,0.5,0.01) ，从该起点开始爬山，要求登山线路沿着梯度方向前进。试着研究一 2022-04-27 梯度上升 梯度下降 MATLAB
2022—蓝桥杯C++A组复盘 链接 补题传送门 参考的博客 题目列表 非常失败的一次比赛…… A - 裁纸刀 √ 题意： 一张纸上打印了20 2020行22 2222列共440 440440个二维码，至少需要裁多少次可以全部裁出。如下图，2 22行3 33列共需要裁9 99次。 #include<bits/stdc++ 2022-04-27 日志 C++
2022—GPLT程序设计天梯赛复盘 注：本文1-4题因为没有保存源码，使用的是下述参考博客的代码，其他代码均为本人比赛场上的ac代码。 链接 比赛官网 参考的博客 题目列表 L1-1 今天我要赢 (5 分) 题目大意： 2018 年我们曾经出过一题，是输出“2018 我们要赢”。今 2022-04-27 日志 C++
2022—SWJTU寒假选拔赛第五场复盘 又是一篇迟到许久的复盘，终于在回到学校的第一天补上了。 链接 2022—SWJTU寒假选拔赛第五场 题目列表 A - CodeForces 114E 很强的素数 × 题目大意： 给定区间[L,R]，求区间内满足条件的数的个数： 条件1）z是素数 条件2）z=x2+y2 x和y为任意的正整数 解题思路： 其实就是求满足费马定理的数的个数。 费 2022-02-26 日志 C++
典型相关分析 典型相关分析 （Canonical Correlation Analysis ，CCA） 是为了研究两组变量（向量）之间的关联关系，其目的是找出两组变量的各自的 rrr 组线性组合，线性组合的相关性从大到小排列，以主成分思想衡量两组变量之间的线性关系。 [x1,x2,⋯ ,xp],[y1,y2,⋯ ,yq][\boldsymbol{x}_1,\boldsymbol{x}_2,\dotsb,\bol 2022-02-21 相关系数矩阵 典型相关分析
因子分析 因子分析（Factor Analysis，FA） 用少数几个假象变量来表示其根本的数据结构，能反应原来众多变量的主要信息。因子分析的前提条件是观测变量间有较强的相关性，这样才能有共享因子。 步骤 选择分析变量 计算所选原始变量的相关系数矩阵 提取公共因子，确定因子数目 因子旋转，解释因子 计算因子得分 模型 本文的变量名大体可分为三种：大写粗体、大写、小写。 大写粗体一般表示整个矩阵， 2022-02-18 相关系数矩阵 因子分析
主成分分析 主成分分析（Principal Component Analysis，PCA） 目的是用较少的变量代表解释原有的变量。将相关性高的变量转换为相互独立的变量[1]。 原理：降维，有关联的变量反映的信息有一定的重叠。对于原有变量，将重复的变量（关系紧密的变量）删去，建立尽可能少的新变量，使得新变量是两两不相关的[3]，且能尽可能保持原有的信息（方差最大化）和解释原有变量，使样本具有相对较好的区分性。 2022-02-15 主成分分析 相关系数矩阵
聚类分析 聚类分析（Cluster Analysis） 又称为群分析，是对多个样本(或指标)进行定量分类的一种多元统计分析。对样本进行分析称为Q型聚类分析，对指标进行分类称为R型聚类分析[1]。聚类与分类的不同在于，聚类所要求划分的类是未知的。 聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性[2]。组内相似性越大，组间差距越大，说明聚类效果 2022-02-13 类距离 K-均值聚类 层次聚类 DBSCAN算法
分类模型 判别分析是在已知研究对象分成若干类型并已经取得各种类型的一批已知样本的观测数据，在此基础上根据某些准则建立判别式，然后对未知类型的样品进行判别分析。 0-1回归 即采用逻辑回归(logistic regressio) 把观测数据作为因变量对虚拟变量(0,1)进行回归，将y看作事件0发生的概率。 模型构造 构造线性概率模型 yi=β0+β1x1i+β2x2i+⋯+βkxki+μiy_{i}=\ 2022-02-12 0-1回归 Fisher线性判别