NFA的確定化是編譯過程中一個重要的部分，由于本程序的輸入很多，而且有多種格式的輸入，所以輸入時必須非常小心細致。本程序比較復雜，需要使用多個結構體并使用了指針。必須將程序分解為多個子程序以降低編寫難度。想起了軟工老師的一句話：＂難事破與易＂，再復雜的事，拆成一個個簡單的小部分，逐個擊破，在拼湊起來，復雜的事也變的簡單了。適當使用全局常量可以控制有效控制內存溢出。由于程序較大，調試時多人協作能更容易易找出程序并成功修改。
上傳時間： 2014-01-09
上傳用戶：thesk123
基于人工智能的迷宮程序設計，包括程序代碼內容與說明、程序各個全局變量的聲明、主體程序的實現、執行結果演示、設計心得體會、程序源代碼。
上傳時間： 2013-12-15
上傳用戶：wff
在管理員表中初始插入數據 usn: admin, pwd: 21232F297A57A5A743894A0E4A801FC3 初始用戶賬號/密碼: admin (密碼為 md5 加密) SRC/: JAVA 程序源文件目錄 src/Conn.java 是數據庫連接的類 請先修改里面的數據庫連接 src/Gload.java 全局類 實現一些全局功能 mssqlserver.jar, msutil.jar, msbase.jar ------- SQL Server 的驅動包,請導入工程 DataBase/圖書_Data.MDF: SQL Server 2000 數據庫文件, 可直接附加 CreateTab.sql SQL Server 建表腳本
標簽： admin 743894A A743894 21232F
上傳時間： 2016-08-14
上傳用戶：libenshu01
本程序中通過變量DataSize指定了待排序序列的長度為60，順序輸出各個處理器的局部數據就可以得到全局有序的序列。
上傳時間： 2016-08-15
上傳用戶：牛布牛
本程序中通過變量DataSize指定了待排序序列的長度為60，順序輸出各個處理器的局部數據就可以得到全局有序的序列。
上傳時間： 2014-01-16
上傳用戶：gengxiaochao
這是關于電子商務發展的書籍，里面包括了縱覽全局、商務為本、主角定位、轉型之路、管理創新和業界評點6部分。
上傳時間： 2013-12-21
上傳用戶：change0329
改進的pso算法：引入變異算子，保持了種群的多樣性，并提高了算法的全局搜索能力。
上傳時間： 2013-12-23
上傳用戶：cuibaigao
在PCB設計中，布線是完成產品設計的重要步驟，可以說前面的準備工作都是為它而做的， 在整個PCB中，以布線的設計過程限定最高，技巧最細、工作量最大。PCB布線有單面布線、 雙面布線及多層布線。布線的方式也有兩種：自動布線及交互式布線，在自動布線之前， 可以用交互式預先對要求比較嚴格的線進行布線，輸入端與輸出端的邊線應避免相鄰平行， 以免產生反射干擾。必要時應加地線隔離，兩相鄰層的布線要互相垂直，平行容易產生寄生耦合。 自動布線的布通率，依賴于良好的布局，布線規則可以預先設定， 包括走線的彎曲次數、導通孔的數目、步進的數目等。一般先進行探索式布經線，快速地把短線連通， 然后進行迷宮式布線，先把要布的連線進行全局的布線路徑優化，它可以根據需要斷開已布的線。 并試著重新再布線，以改進總體效果。 對目前高密度的PCB設計已感覺到貫通孔不太適應了， 它浪費了許多寶貴的布線通道，為解決這一矛盾，出現了盲孔和埋孔技術，它不僅完成了導通孔的作用， 還省出許多布線通道使布線過程完成得更加方便，更加流暢，更為完善，PCB 板的設計過程是一個復雜而又簡單的過程，要想很好地掌握它，還需廣大電子工程設計人員去自已體會， 才能得到其中的真諦。
標簽： PCB
上傳時間： 2014-01-13
上傳用戶：凌云御清風
20 世紀70 年代以來,人們從工業過程的特點出發,尋找對模型精度要求不高而同樣能實現高質量控制性能的方法,預測控制就是在這種背景下發展起來的。預測控制技術最初由Richalet 和Cutler 提出[1 ] ,它最大程度地結合了工業實際的要求,綜合效果好,已經在理論和應用方面取得了顯著進展,各種預測控制算法不斷地產生并得到發展。預測控制算法具有三大本質特征:預測模型、滾動優化和反饋校正[2 ] 。它是不斷滾動的局部優化,而非全局最優。預測控制的特點:建模方便 采用非最小化描述的離散卷積和模型,信息冗余量大,有利于提高系統的魯棒性 采用滾動優化策略,使模型失配、畸變、干擾等引起的不確定性及時得到彌補,從而得到較好的動態控制性能 可推廣到有約束條件、大遲延、非最小相位以及非線性等過程,對模型精度要求不高,跟蹤性能良好,更適應于復雜工業過程控制。
上傳時間： 2014-01-02
上傳用戶：csgcd001
文中設計了一個3層徑向基神經網絡(RBFN)用于對企業的5項評價指標進行聚類分析，并與蟻群算法做了比較分析。RBFN由輸入層 到隱含層采用傳統的K一均值算法，隱含層到輸出層通過“模2遞減”學習速率的BP學習；蟻群算法根據信息素的分配能夠自動調整收索 路徑，從而達到數據自動聚類的目的。結果表明，與蟻群算法相比，改進RBFN具有快速收斂、自動識別奇異樣本的優點，而蟻群算法 無須教師學習，并能夠達到全局最優。
上傳時間： 2013-12-15
上傳用戶：txfyddz
<tt id="16166"></tt>