⑴ 大學計算機 NS圖演算法求解
第一個：定義一個函數求n的階乘，就是從1乘到n 然後弄個一個循環累加
第二個：窮舉法：設各有a、b、c只，然後列舉所有的abc使之等式成立，弄個三重循環就行了
第三個：參考網路
牛頓迭代法（Newton's method）又稱為牛頓-拉夫遜（拉弗森）方法（Newton-Raphson method），它是牛頓在17世紀提出的一種在實數域和復數域上近似求解方程的方法。多數方程不存在求根公式，因此求精確根非常困難，甚至不可能，從而尋找方程的近似根就顯得特別重要。方法使用函數f(x）的泰勒級數的前面幾項來尋找方程f(x) = 0的根。牛頓迭代法是求方程根的重要方法之一，其最大優點是在方程f(x) = 0的單根附近具有平方收斂，而且該法還可以用來求方程的重根、復根，此時線性收斂，但是可通過一些方法變成超線性收斂。另外該方法廣泛用於計算機編程中。
double func(double x) //函數
{
return x*x*x*x-3*x*x*x+1.5*x*x-4.0;
}
double func1(double x) //導函數
{
return 4*x*x*x-9*x*x+3*x;
}
int Newton(double *x,double precision,int maxcyc) //迭代次數
{
double x1,x0;
int k;
x0=*x;
for(k=0;k<maxcyc;k++)
{
if(func1(x0)==0.0)//若通過初值，函數返回值為0
{
printf("迭代過程中導數為0!\n");
return 0;
}
x1=x0-func(x0)/func1(x0);//進行牛頓迭代計算
if(fabs(x1-x0)<precision || fabs(func(x1））<precision) //達到結束條件
{
*x=x1; //返回結果
return 1;
}
else //未達到結束條件
x0=x1; //准備下一次迭代
}
printf("迭代次數超過預期！\n"); //迭代次數達到，仍沒有達到精度
return 0;
}
int main()
{
double x,precision;
int maxcyc;
printf("輸入初始迭代值x0:");
scanf("%lf",&x);
printf("輸入最大迭代次數：");
scanf("%d",&maxcyc);
printf("迭代要求的精度：");
scanf("%lf",&precision);
if(Newton(&x,precision,maxcyc)==1） //若函數返回值為1
printf("該值附近的根為：%lf\n",x);
else //若函數返回值為0
printf("迭代失敗！\n");
getch();
return 0;
}
⑵ 15 個開源的頂級人工智慧工具
斯坦福的專家在人工智慧報告中得出的結論："越來越強大的人工智慧應用，可能會對我們的 社會 和經濟產生深遠的積極影響，這將出現在從現在到2030年的時間段里。"
以下這些開源人工智慧應用都處於人工智慧研究的最前沿。
1.Caffe
它是由賈揚清在加州大學伯克利分校的讀博時創造的，Caffe是一個基於表達體系結構和可擴展代碼的深度學習框架。使它聲名鵲起的是它的速度，這讓它受到研究人員和企業用戶的歡迎。根據其網站所言，它可以在一天之內只用一個NVIDIA K40 GPU處理6000萬多個圖像。它是由伯克利視野和學習中心（BVLC）管理的，並且由NVIDIA和亞馬遜等公司資助來支持它的發展。
2. CNTK
它是計算機網路工具包（Computational Network Tookit）的縮寫，CNTK是一個微軟的開源人工智慧工具。不論是在單個CPU、單個GPU、多個GPU或是擁有多個GPU的多台機器上它都有優異的表現。微軟主要用它做語音識別的研究，但是它在機器翻譯、圖像識別、圖像字幕、文本處理、語言理解和語言建模方面都有著良好的應用。
3.Deeplearning4j
Deeplearning4j是一個java虛擬機（JVM）的開源深度學習庫。它運行在分布式環境並且集成在Hadoop和Apache Spark中。這使它可以配置深度神經網路，並且它與Java、Scala和其他JVM語言兼容。
4.DMTK
DMTK分布式集齊學習工具（Distributed Machine Learning Toolkit）的縮寫，和CNTK一樣，是微軟的開源人工智慧工具。作為設計用於大數據的應用程序，它的目標是更快的訓練人工智慧系統。它包括三個主要組件：DMTK框架、LightLDA主題模型演算法和分布式（多義）字嵌入演算法。為了證明它的速度，微軟聲稱在一個八集群的機器上，它能夠"用100萬個主題和1000萬個單詞的詞彙表（總共10萬億參數）訓練一個主題模型，在一個文檔中收集1000億個符號，"。這一成績是別的工具無法比擬的。
5.H20
相比起科研，H2O更注重將AI服務於企業用戶，因此H2O有著大量的公司客戶，比如第一資本金融公司、思科、Nielsen Catalina、PayPal和泛美都是它的用戶。它聲稱任何人都可以利用機器學習和預測分析的力量來解決業務難題。它可以用於預測建模、風險和欺詐分析、保險分析、廣告技術、醫療保健和客戶情報。
它有兩種開源版本：標准版H2O和Sparking Water版，它被集成在Apache Spark中。也有付費的企業用戶支持。
6.Mahout
它是Apache基金會項目，Mahout是一個開源機器學習框架。根據它的網站所言，它有著三個主要的特性：一個構建可擴展演算法的編程環境、像Spark和H2O一樣的預制演算法工具和一個叫Samsara的矢量數學實驗環境。使用Mahout的公司有Adobe、埃森哲咨詢公司、Foursquare、英特爾、領英、Twitter、雅虎和其他許多公司。其網站列了出第三方的專業支持。
7.MLlib
由於其速度，Apache Spark成為一個最流行的大數據處理工具。MLlib是Spark的可擴展機器學習庫。它集成了Hadoop並可以與NumPy和R進行交互操作。它包括了許多機器學習演算法如分類、回歸、決策樹、推薦、集群、主題建模、功能轉換、模型評價、ML管道架構、ML持久、生存分析、頻繁項集和序列模式挖掘、分布式線性代數和統計。
8.NuPIC
由Numenta公司管理的NuPIC是一個基於分層暫時記憶理論的開源人工智慧項目。從本質上講，HTM試圖創建一個計算機系統來模仿人類大腦皮層。他們的目標是創造一個"在許多認知任務上接近或者超越人類認知能力"的機器。
除了開源許可，Numenta還提供NuPic的商業許可協議，並且它還提供技術專利的許可證。
9.OpenNN
作為一個為開發者和科研人員設計的具有高級理解力的人工智慧，OpenNN是一個實現神經網路演算法的c++編程庫。它的關鍵特性包括深度的架構和快速的性能。其網站上可以查到豐富的文檔，包括一個解釋了神經網路的基本知識的入門教程
10.OpenCyc
由Cycorp公司開發的OpenCyc提供了對Cyc知識庫的訪問和常識推理引擎。它擁有超過239,000個條目，大約2,093,000個三元組和大約69,000 owl：這是一種類似於鏈接到外部語義庫的命名空間。它在富領域模型、語義數據集成、文本理解、特殊領域的專家系統和 游戲 AI中有著良好的應用。該公司還提供另外兩個版本的Cyc：一個可免費的用於科研但是不開源，和一個提供給企業的但是需要付費。
11.Oryx 2
構建在Apache Spark和Kafka之上的Oryx 2是一個專門針對大規模機器學習的應用程序開發框架。它採用一個獨特的三層λ架構。開發者可以使用Orys 2創建新的應用程序，另外它還擁有一些預先構建的應用程序可以用於常見的大數據任務比如協同過濾、分類、回歸和聚類。大數據工具供應商Cloudera創造了最初的Oryx 1項目並且一直積極參與持續發展。
12.PredictionIO
今年的二月，Salesforce收購了PredictionIO，接著在七月，它將該平台和商標貢獻給Apache基金會，Apache基金會將其列為孵育計劃。所以當Salesforce利用PredictionIO技術來提升它的機器學習能力時，成效將會同步出現在開源版本中。它可以幫助用戶創建帶有機器學習功能的預測引擎，這可用於部署能夠實時動態查詢的Web服務。
13.SystemML
最初由IBM開發，SystemML現在是一個Apache大數據項目。它提供了一個高度可伸縮的平台，可以實現高等數學運算，並且它的演算法用R或一種類似python的語法寫成。企業已經在使用它來跟蹤 汽車 維修客戶服務、規劃機場交通和連接 社會 媒體數據與銀行客戶。它可以在Spark或Hadoop上運行。
14.TensorFlow
TensorFlow是一個谷歌的開源人工智慧工具。它提供了一個使用數據流圖進行數值計算的庫。它可以運行在多種不同的有著單或多CPU和GPU的系統，甚至可以在移動設備上運行。它擁有深厚的靈活性、真正的可移植性、自動微分功能，並且支持Python和c++。它的網站擁有十分詳細的教程列表來幫助開發者和研究人員沉浸於使用或擴展他的功能。
15.Torch
Torch將自己描述為："一個優先使用GPU的擁有機器學習演算法廣泛支持的科學計算框架"，它的特點是靈活性和速度。此外，它可以很容易的通過軟體包用於機器學習、計算機視覺、信號處理、並行處理、圖像、視頻、音頻和網路等方面。它依賴一個叫做LuaJIT的腳本語言，而LuaJIT是基於Lua的。
歡迎關注~
微信公眾號： IT百戰程序員 ，免費提供人工智慧、大數據、雲計算等資料～～不管你在地球哪個方位，歡迎你的關注！
⑶ ANSYS劃分網格用哪種演算法
1 自由網格
就是使用ANSYS的網格工具，軟體內部智能劃分，對結構根據實際的建模來建立網格，一般都是滿足計算的，特別是對於一些不太規則的模型，就可以使用這種方式，但是這種劃分方式如果做不好，很容易出現較大的誤差；
2 映射網格
這個裡面的技術就多了，一般在網格的過程中首要選擇它，但是這一般也是難度比較大的；這種技術可以首先對模型中的一些關鍵線來劃分，然後映射到整個面，或者是體，從而形成網格，可是使用掃掠技術，就像樓上說的，但是這個掌握是比較困難的，也可以使用像VMESH等命令，也可以通過指定一些網格模式的方式，比如建立一個截面的網格，然後旋轉，或者是拉伸，直接生成網格，等等，映射網格的技術是非常多的。
映射網格的好處就是建立的網格都是比較規則的，這樣計算出來結果非常接近實際問題，而且可以根據做者的人的意願建立生成一定的，確定的單元個數，從而可以加快後期計算速度等；另外，映射網格技術可以避免產生一些特別畸形的單元等，也是映射的好處。
3. 拖拉、掃略網格劃分
對於由面經過拖拉、旋轉、偏移(VDRAG、VROTAT、VOFFST、VEXT等系列命令)等方式生成的復雜三維實體而言，可先在原始面上生成殼(或 MESH200)單元形式的面網格，然後在生成體的同時自動形成三維實體網格;對於已經形成好了的三維復雜實體，如果其在某個方向上的拓撲形式始終保持一致，則可用(人工或全自動)掃略網格劃分(VSWEEP命令)功能來劃分網格;這兩種方式形成的單元幾乎都是六面體單元。通常，採用掃略方式形成網格是一種非常好的方式，對於復雜幾何實體，經過一些簡單的切分處理，就可以自動形成規整的六面體網格，它比映射網格劃分方式具有更大的優勢和靈活性。
4. 混合網格劃分
混合網格劃分即在幾何模型上，根據各部位的特點，分別採用自由、映射、掃略等多種網格劃分方式，以形成綜合效果盡量好的有限元模型。混合網格劃分方式要在計算精度、計算時間、建模工作量等方面進行綜合考慮。通常，為了提高計算精度和減少計算時間，應首先考慮對適合於掃略和映射網格劃分的區域先劃分六面體網格，這種網格既可以是線性的(無中節點)、也可以是二次的(有中節點)，如果無合適的區域，應盡量通過切分等多種布爾運算手段來創建合適的區域(尤其是對所關心的區域或部位);其次，對實在無法再切分而必須用四面體自由網格劃分的區域，採用帶中節點的六面體單元進行自由分網(自動退化成適合於自由劃分形式的單元)，此時，在該區域與已進行掃略或映射網格劃分的區域的交界面上，會自動形成金字塔過渡單元(無中節點的六面體單元沒有金字塔退化形式)。 ANSYS中的這種金字塔過渡單元具有很大的靈活性：如果其鄰接的六面體單元無中節點，則在金字塔單元四邊形面的四條單元邊上，自動取消中間節點，以保證網格的協調性。同時，應採用前面描述的TCHG命令來將退化形式的四面體單元自動轉換成非退化的四面體單元，提高求解效率。如果對整個分析模型的計算精度要求不高、或對進行自由網格劃分區域的計算精度要求不高，則可在自由網格劃分區採用無中節點的六面體單元來分網(自動退化成無中節點的四面體單元)，此時，雖然在六面體單元劃分區和四面體單元劃分區之間無金字塔過渡單元，但如果六面體單元區的單元也無中節點，則由於都是線性單元，亦可保證單元的協調性。
5.利用自由度耦合和約束方程
對於某些形式的復雜幾何模型，可以利用ANSYS的約束方程和自由度耦合功能來促成劃分出優良的網格並降低計算規模。比如，利用CEINTF命令可以將相鄰的體在進行獨立的網格劃分(通常是採用映射或掃略方式)後再"粘結"起來，由於各個體之間在幾何上沒有聯系，因此不用費勁地考慮相互之間網格的影響，所以可以自由地採用多種手段劃分出良好的網格，而體之間的網格"粘結"是通過形函數差值來進行自由度耦合的，因此連接位置處的位移連續性可以得到絕對保證，如果非常關注連接處的應力，可以如下面所述再在該局部位置建立子區模型予以分析。再如，對於循環對稱模型(如旋轉機械等)，可僅建立一個扇區作為分析模型，利用CPCYC命令可自動對扇區的兩個切面上的所有對應節點建立自由度耦合條件(用MSHCOPY命令可非常方便地在兩個切面上生成對應網格)。
⑷ 常用的實時調度演算法有（ ）和（ ）
#include<stdio.h>
int main()
{
int A,B; //標記進程A,進程B的到達時間
int cycA,cycB,serveA,serveB; //進程的周期時間和服務時間
float m;
int i,j,a=0,b=0,ka=0,kb=0; //ka,kb為開關，i，j,a,b為進程下標
int numa=0,numb=0; //服務累計時間
printf("輸入進程A的周期時間，服務時間：");
scanf("%d%d",&cycA,&serveA);
printf("輸入進程B的周期時間，服務時間：");
scanf("%d%d",&cycB,&serveB);
m=(float)serveA/cycA+(float)serveB/cycB;
for(int T=0;T<=100;T++)
{
if(m-1>1e-6)
{
printf("超出CPU的處理能力!\n");
return 0;
}
if(numa==serveA) //進程A完成
{
numa=serveA+1;
printf("當T=%d時",T);
printf("進程A%d結束\n",a);
if(numb<serveB)
{
printf(" 調用進程b%d\n",b);
kb=1;
}
ka=0;
}
if(numb==serveB)
{
numb=serveB+1;
printf("當T=%d時",T);
printf("進程B%d結束\n",b);
if(numa<serveA)
{
printf(" 調用進程A%d\n",a);
ka=1;
}
kb=0;
}
if(T%cycA==0 && T%cycB==0)
{
A=B=T;
j=++a;
i=++b;
printf("當T=%d時,進程A%d和進程B%d同時產生，此時，",T,j,i);
if(cycA<=cycB)
{
printf("調用進程A%d，阻塞進程B%d\n",j,i);
ka=1;
kb=0;
}
else
{
printf("調用進程B%d，阻塞進程A%d\n",i,j);
ka=0;
kb=1;
}
numa=numb=0;
}
if(T%cycA==0&&T%cycB!=0)
{
A=T;
printf("當T=%d時",T);
printf("進程A%d產生 ",++a); //不可能與進程A競爭處理器
numa=0;
if(numb<serveB) //進程B沒有完成
if(B+cycB>A+cycA) //若進程B最早截止時間大於進程A的
{
printf("進程A%d執行。\n",a);
ka=1;
kb=0;
}
else //若進程B最早截止時間小於等於進程A的
printf("進程B%d繼續執行。\n",b);
else //進程B完成
{
printf("進程A%d執行。\n",a);
ka=1;
}
}
if(T%cycA!=0&&T%cycB==0)
{
B=T;
printf("當T=%d時",T);
printf("進程B%d產生，",++b); //不可能與進程B競爭處理器
numb=0;
if(numa<serveA) //進程A沒有完成
if(B+cycB>=A+cycA) //進程A的最早截止時間不小於B
printf("進程A%d繼續執行。\n",a);
else
{
printf("進程B%d執行。\n",b);
kb=1;
ka=0;
}
else //進程A完成
{
printf("進程B%d執行。\n",b);
kb=1;
}
}
if(ka)
numa++;
if(kb)
numb++;
}
}