數據結構試驗報告 約瑟夫環 問題描述: 約瑟夫（Joseph）問題的一種描述是：編號為1，2，，...,n的n個人按順時針方向圍坐一圈，每人持有一個密碼（正整數）。一開始任選一個正整數作為報數上限值m，從第一個人開始按順時針方向自1開始順序報數，報到m時停止報數。報m的人出列，將他的密碼作為新的m值，從他在順時針方向上的下一個人開始重新從l報數，如此下去，直至所有人全部出列為止。試設計一個程序求出出列順序。 基本要求: 利用單向循環鏈表存儲結構模擬此過程，按照出列的順序印出各人的編號。 測試數據: m的初值為20；n=7，7個人的密碼依次為：3，1，7，2，4，8，4（正確的出列順序應為6，l，4，7，2，3，5）。
上傳時間： 2014-01-18
上傳用戶：chfanjiang
高效率的N皇后解法，其采用的思想和一般的解法有些不同，對N皇后問題的解決有一定的啟發意義
標簽： 高效率
上傳時間： 2013-12-17
上傳用戶：star_in_rain
Josephus 問題的解答。n個孩子圍成圓圈，選任一個數m，從第一個孩子開始數，數到m停止，這個孩子離開，再從第一個開始數，直到剩下一個孩子。
標簽： Josephus
上傳時間： 2014-08-27
上傳用戶：myworkpost
Josephus 問題的解答。n個孩子圍成圓圈，選任一個數m，從第一個孩子開始數，數到m停止，這個孩子離開，再從第一個開始數，直到剩下一個孩子。
標簽： Josephus
上傳時間： 2013-12-22
上傳用戶：hfmm633
最小生成樹 一．問題描述 構造一無向連通網，用Prim算法或Kruskal算法實現最小生成樹的算法 二．實驗目的 1．掌握網的基本概念和連通網的存儲結構 2．掌握最小生成樹的算法實現 三．實驗要求 1．確定邊的相鄰頂點和權植，建立無向連通網，實現最小生成樹。 2．Prim算法思想： 設G=（V，E）是一個無向連通圖，令T=（U，TE）是G的最小生成樹。T的初始狀態為U={v0}，TE={}，然后重復執行下述操作：在所有u，v的邊中找一條代價最小的邊（u，v）并入集合TE，同時v并入U，直至U=V為止。此時TE中必有n-1條邊，T就是最小生成樹。
標簽： 生成樹
上傳時間： 2016-06-28
上傳用戶：BOBOniu
某石油公司計劃建造一條由東向西的主輸油管道，這條管道要穿過n口油井的油田，每口油井通過一條次管道沿最短路徑（或南或北）直接與主管道相連。就n口油井分布的一般位置，試確定主管道位置，使得各油井到主管道的輸油管道長度總和達到最小。并驗證可在線性時間內確定主管道的最優位置。
上傳時間： 2014-01-02
上傳用戶：stvnash
Trie樹既可用于一般的字典搜索，也可用于索引查找。對于給定的一個字符串a1,a2,a3,...,an.則采用TRIE樹搜索經過n次搜索即可完成一次查找。不過好像還是沒有B樹的搜索效率高，B樹搜索算法復雜度為logt(n+1/2).當t趨向大，搜索效率變得高效。怪不得DB2的訪問內存設置為虛擬內存的一個PAGE大小，而且幀切換頻率降低，無需經常的PAGE切換。
上傳時間： 2016-07-06
上傳用戶：sk5201314
Easy CHM v3.6 *** *** *** *** *** *** *** *** *** *** *** ** Easy CHM是國華軟件推出的一款強大的CHM電子書或CHM幫助文件的快速制作工具。 使用EasyCHM只需要三個步驟就可以完成CHM的制作： 1、用戶指定一個目錄，EasyCHM會自動導入全部目錄及文件； 2、設置CHM編譯選項； 3、開始制作。 EasyCHM非常適合個人和單位制作高壓縮比的帶有全文檢索及高亮顯示搜索結果的 網頁集錦、CHM幫助文件、專業的產品說明、公司介紹、CHM電子書等等。 主要產品功能： 全自動的目錄及文件導入（可以包括子目錄）； 支持導入任意的文件類型； 自動生成CHM的目錄列表并自動生成所有目錄項； 為CHM的目錄列表自動添加多級編號； 批量更換CHM目錄各項的圖標； 支持批量查找替換多級目錄各項的標題文字內容； 允許用戶指定從文本文件的第N行自動截取標題； 易用的目錄編輯器； 豐富實用的CHM制作選項幫助用戶制作更加個性化的專業CHM電子書或CHM幫助文件。 內嵌CHM反編譯工具。 自動生成輸出Alias和Map頭文件。
上傳時間： 2013-12-20
上傳用戶：SimonQQ
產生一均勻分布的白噪聲信產生均勻分布的白噪信號，使均值為0，功率為p號u(n),畫出其波形，并檢驗其分布情況，產生零均值功率0.1且服從高斯分布的白噪聲，sinc信號，chirp信號，線性卷積
上傳時間： 2016-07-12
上傳用戶：invtnewer
K-MEANS算法: k-means 算法接受輸入量 k ；然后將n個數據對象劃分為 k個聚類以便使得所獲得的聚類滿足：同一聚類中的對象相似度較高；而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個“中心對象”（引力中心）來進行計算的。 k-means 算法的工作過程說明如下：首先從n個數據對象任意選擇 k 個對象作為初始聚類中心；而對于所剩下其它對象，則根據它們與這些聚類中心的相似度（距離），分別將它們分配給與其最相似的（聚類中心所代表的）聚類；然后再計算每個所獲新聚類的聚類中心（該聚類中所有對象的均值）；不斷重復這一過程直到標準測度函數開始收斂為止。一般都采用均方差作為標準測度函數. k個聚類具有以下特點：各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開
上傳時間： 2016-07-31
上傳用戶：youlongjian0
