算法视频教程 视频讲座 小波分析 遗传算法 渐进式遗传组卷算法 SVM支撑向量机 神经网络 粒子群优化 规则库推理 模糊数学入门 启发式搜索 A*算法 博弈树 alpha-beta剪枝算法 贪心
分治 算法引论 聚类算法 PCA主成分分析
算法视频教程 视频讲座 小波分析 遗传算法 渐进式遗传组卷算法 神经网络 粒子群优化 规则库推理 模糊数学入门 启发式搜索 A*算法 博弈树 alpha-beta剪枝算法 贪心 分治 算法引论PCA主成分分析 聚类算法 等等&
做这套视频的目的:&1.帮助和我同样的自学者.&& 2.赚一些小钱
感觉有些算法光靠自学,无人指导，还是非常浪费时间的(不知道以自己目前水平，应该看什么书适合，书能在哪里找到，或者碰上一两个一时转不过弯的难点，又无人指点)，相信有很多朋友会有同感，故决定将一些公开的算法作成视频讲座，呵呵，因为每个算法我都是买了大量资料，花费很多时间学习的，又精心提取出知识点，尽量用通俗的思想去从直观上去解释，花费很多心血，故视频为收费视频，主要针对公司或企业员工等知道劳动幸苦的人。 若有想免费索取并免费索取不到的人，请口下留德
凡是在论坛（非八卦论坛）发帖子宣传本视频者，每发一个帖子（不同论坛）可抵1.2元（购买视频的时候），可无限累加
羽天系列视频教程（版权所有，未经许可，严禁修改，复制，传播等侵权行为）
每集视频时间约30分钟左右，更多视频将陆续推出&& 播放器请使用KMPlayer
重点推荐&算法引论----一种创造性方法 视频教程
我的淘宝小店&第一讲 3.5元
我的淘宝小店：广西桂圆
淘宝掌柜：广西桂圆（部分视频的链接经过重新编辑后，可能链接地址发生了改变，需要的朋友可以点/ 这个链接，或直接从旺旺联系淘宝掌柜：广西桂圆）&
计算机初级算法入门系列：
学习条件：学习过数据结构，有较好的编程能力。
1.&&& Huffman编解码算法思想（羽天系列） 一集&1元
2. 状态空间搜索算法（羽天系列）&&&&&&& 12元&&&&&&&&&&&
状态空间搜索算法综述，启发式搜索算法，A*算法&，博弈树算法 与 alpha-beta剪枝
第一集&&& 过河问题的 状态空间搜索算法
第二集&&& 8数码问题的 启发式搜索算法
第三集&&& 最短路径问题的&A*算法
第四集&&& 五子棋的人机对战AI算法&&& 博弈树算法 与 alpha-beta剪枝算法
第五集&&& 五子棋的人机对战AI算法 算法如何进一步优化
3.&&& 贪心算法（羽天系列）&二集&&&&& 5元
4.分治算法（羽天系列）&一集&&&& 3元
中级算法入门系列
4.&&& 神经网络视频教程（羽天系列）
链接地址：我的淘宝小店&&&&&&&&
淘宝掌柜：广西桂圆&
目前本系列教材主要内容：
待定参数模型的算法思想与代码演示。
单层感知机的算法思想与缺陷。
如何提高感知机的表达能力，引入多层感知机
多层感知机的学习算法 (即BP算法思想)。
BP神经网络的C++编程实现与代码讲解。
BP&神经网络的Matlab编程。（包括1.matlab自带的BP神经网络。 2.用普通的神经网络来拟合曲线 3.采用特殊的基函数来拟合曲线。 4.一维时间序列的学习 ）
RBF神经网络的思想
RBF的Matlab代码讲解(2个简单的代码 其中一个是拟合曲线 )
RBF网络和普通BP神经网络的比较
C++神经网络源代码 免费
4. 遗传算法视频教程（羽天系列）&&&&&&&&
。我的淘宝小店：广西桂圆
淘宝掌柜：广西桂圆&
目前本系列教材主要内容：
遗传算法的思想与流程
一个C#的代码例子
如何设置及使用GAOT工具箱。
遗传算法的Matlab&编码
如何构造遗传算法的适应度函数。
遗传算法的特点总结。
C#遗传算法代码 免费版
5. 小波分析系列讲座视频教程（羽天系列）
原 小波分析系列讲座&google 搜索可以搜到&现加入一些内容，做成视频，更容易理解。
一共五讲&讲解了傅里叶变换和小波变换的直观意思，如何对数据进行操作等等。
版权所有，严禁复制传播。
小波分析系列讲座 旧版
EBOCT部分代码&免费版
6.粒子群优化算法视频教程（羽天系列）&
介绍了粒子群算法的思想，算法流程，相关参数的选取等等。并附上一个C++的代码例子。
&我的淘宝小店：广西桂圆
淘宝掌柜：广西桂圆&&
版权所有，严禁复制传播。
7．规则库推理系统（专家系统）视频教程（羽天系列）&
一个规则库推理系统的原理
基于规则的&非单调&可信度 的推理&， 高效简洁的算法，可以用于 数以百万的规则，数千个已知条件进行推理的场合
并可根据已知，推断出结论后，自动询问一些新的问题，更进一步确定各个结论的可信度，实现交互式诊断。(适应于疾病诊断系统的交互式询问，故障诊断系统等等)
对模型的分析，以及创造一些新算法的想法。
&我的淘宝小店：广西桂圆
淘宝掌柜：广西桂圆&
8．模糊数学入门视频教程（羽天系列）&
一共4集讲述模糊数学的一些基本概念。什么是隶属度， 模糊集。 二元模糊关系。 并讲解了一些习题。
链接地址：淘宝地址
9.渐进式遗传组卷算法视频教程（羽天系列）
前导课程----遗传算法视频教程（羽天系列）
第一讲:讲述了渐进式遗传组卷算法的思想&&&&&
第二讲：C# 代码的讲解
附上C# 可运行代码，只要在试题库中输入你的题目，即可组卷。并可把组出的试卷保存在word文档中。
可用于大规模题库组卷系统中，效率很高，性能很好。 可应用于公司的实际项目开发中。
&我的淘宝小店：广西桂圆
淘宝掌柜：广西桂圆&&
10.&&&&&&&&&&&&&&&&&&&&&&& SVM支撑向量机原理入门（羽天系列）
讲解了线性SVM , 非线性SVM及为什么使用核函数，什么是核函数
讲解了线性SVM, 非线性SVM的Matlab编程 （附上matlab代码）
讲解了一种SVM的改进算法
我的淘宝小店
11. C# 2D游戏小引擎源代码（羽天系列）&&&
代码一&&&代码二&
相关文档1 ，相关文档2
&12. PCA主成份分析（羽天系列）
一讲： 讲解了主成份分析的原理，并举了一个例子。&& & & & & & & & & & &
个人收藏的国内外经典视频教程，只刻录光碟
链接地址：我的淘宝小店
1.&&&&&&&&&& Introduction to Algorithms&（University of Washington ）&全英文视频29集&&&& 6元
2.&&&&&&&&&& Introduction to Algorithms&& （MIT麻省理工学院） &&全英文视频 24 集&&&&& 6元
3.&&&&&&&&&& Modern Analysis II&&&&&&&& 全英文视频 28 集&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 6元
4.&&&&&&&&&& Mathematical Modeling&&&& 全英文视频 27 集&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 6元
&我的淘宝小店：广西桂圆
淘宝掌柜：广西桂圆&
如果有一天
能放下所有
一羽轻天外
清风醉逍遥
无挂碍 故心无恐惧
无欲望 故神无疲惫
可惜我却因生活在尘世而挣扎 故满是欲望与挂碍 何时 能 真的解脱 真的安逸 真的颓废 仅做我所爱
友情链接：feathersky博客
&&&&&&&&& Feathersky淘宝小店
&&&&&&&&& Featherksy个人主页
文章评论 以下网友留言只代表其个人观点，不代表本网站的观点和立场。像我这种Windows程序员，随便一个linux菜鸟学会了几个命令之后都会觉得可以碾压我的
像我这种Windows程序员，随便一个linux菜鸟学会了几个命令之后都会觉得可以碾压我的
来自子话题：
&p&1. 在“应用”中清除Google的缓存和数据（不需要卸载更新） &br&
2. 开飞行模式，打开WiFi，打开VPN（使用fqrouter或GAE均可），再把“位置信息”功能关闭&/p&&p&
3. 把系统语言改为英文 &br&
4. 打开Google Now，done，再把语言换回来，位置信息功能打开即可&/p&
1. 在“应用”中清除Google的缓存和数据（不需要卸载更新）
2. 开飞行模式，打开WiFi，打开VPN（使用fqrouter或GAE均可），再把“位置信息”功能关闭
3. 把系统语言改为英文
4. 打开Google Now，done，再把语言换回来，位置信息功能打开即可
&ol&&li&王守崑，&a href=&/people/wang-shou-kun& class=&internal&&&span class=&invisible&&http://www.&/span&&span class=&visible&&/people/wang-s&/span&&span class=&invisible&&hou-kun&/span&&span class=&ellipsis&&&/span&&/a&&/li&&li&谷文栋，&a href=&/people/gu-wen-dong& class=&internal&&&span class=&invisible&&http://www.&/span&&span class=&visible&&/people/gu-wen&/span&&span class=&invisible&&-dong&/span&&span class=&ellipsis&&&/span&&/a&&/li&&li&项亮，&a href=&/people/xiang-liang& class=&internal&&&span class=&invisible&&http://www.&/span&&span class=&visible&&/people/xiang-&/span&&span class=&invisible&&liang&/span&&span class=&ellipsis&&&/span&&/a&&/li&&li&Chen Yi，&a href=&/people/chen_1st& class=&internal&&&span class=&invisible&&http://www.&/span&&span class=&visible&&/people/chen_1&/span&&span class=&invisible&&st&/span&&span class=&ellipsis&&&/span&&/a&&/li&&li&蒋长生，&a href=&/people/changsheng& class=&internal&&&span class=&invisible&&http://www.&/span&&span class=&visible&&/people/changs&/span&&span class=&invisible&&heng&/span&&span class=&ellipsis&&&/span&&/a&&/li&&li&冯沁原，&a href=&/people/feng-qin-yuan& class=&internal&&&span class=&invisible&&http://www.&/span&&span class=&visible&&/people/feng-q&/span&&span class=&invisible&&in-yuan&/span&&span class=&ellipsis&&&/span&&/a&&/li&&li&郑昀，&a href=&/people/zhengyun& class=&internal&&&span class=&invisible&&http://www.&/span&&span class=&visible&&/people/zhengy&/span&&span class=&invisible&&un&/span&&span class=&ellipsis&&&/span&&/a&，社会化推荐-玩聚SR&/li&&/ol&&br&其他的我发现了再慢慢补充吧。
王守崑，谷文栋，项亮，Chen Yi，蒋长生，冯沁原，郑昀，，社会化推荐-玩聚SR其他的我发现了再慢慢补充吧…
从官方有限的描述文字来看(&a href=&/osx/preview/advanced-technologies.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Apple - OS X Mavericks&i class=&icon-external&&&/i&&/a&)：&blockquote&With OS X Mavericks, Compressed Memory allows your Mac to free up memory space when you need it most. As your Mac approaches maximum memory capacity, OS X automatically compresses data from inactive apps, making more memory available.&br&&/blockquote&大致上是在内存不够用的时候，把非活跃应用占用的内存进行压缩。可以看出相对于把dirty的内存换出到硬盘而言，这是一种折中的方案，本质上是用CPU时间换硬盘I/O时间。虽然压缩/解压会比换出/换入占用更多的CPU，但花在硬盘I/O上的时间会大大减小。&br&&br&既然官方都强调是在内存已满的情况下才做压缩，推测在内存够用的时候是不会做这些事的（因为没必要）。&br&&br&值得顺带一提的是，微软两年前就在Windows 8里面引入了被称为&Memory Combining&的技巧(&a href=&/b/b8/archive//reducing-runtime-memory-in-windows-8.aspx& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Reducing runtime memory in Windows 8&i class=&icon-external&&&/i&&/a&)，通过合并不同进程的相同内容的内存页（有点绕口，说白了一般就是初始化为全零的BSS段）来减少内存占用，在实际发生写入时才为不同进程分配私有的内存。这项技术可以减少几十到上百M的内存占用，也算不无小补。
从官方有限的描述文字来看()：With OS X Mavericks, Compressed Memory allows your Mac to free up memory space when you need it most. As your Mac approaches maximum memory capacity, OS X automatically compresses data fro…
我觉得最大误解是银弹思想：认为存在一些不为人知的算法，或者存在一些有专利壁垒的算法，掌握了这种算法的公司可以靠他们赚大钱。最好的例子是认为Google的成功非常大的程度上是因为它发明的PageRank算法。实际上，虽然在10年前垃圾链接尚未猖獗的候，Google的PageRank的确是网页排序的一个良好的参考指标，但即便在那时它应该也只是几十种指标之一。另一方面，利用链接关系来对网页排序在那时已经是一个被广泛实验和研究的话题，PageRank只是链接排序算法中效果最好的算法之一，并没有什么神秘的。从我个人有限的知识来看，认为存在一种银弹算法，这种想法基本上都只能当作茶余饭后的谈资。&br&&br&银弹思想显然不仅存在于对算法的误解。比如多年前就流传着一种说法，可口可乐的成功是因为它的配方中有一些令人愉悦但不为人知的成分，其它公司都试图破解这个秘方。又比如一些创业者认为自己手里握有一些惊世骇俗的idea，幻想靠这些idea可以横行天下。&br&&br&很有意思的是，认为存在算法银弹的人，往往会轻视基本的算法研究工作。因为幻想着自己就是那个能碰到银弹的人，因而不太愿意在实实在在的技术工作上做投入，比如花巨资寻仙问道的秦皇汉武，再比如追概念投资到知识经济物联网云计算的各类长官高管们。&br&&br&这个和是否技术背景可能关系不大，人们对自己未知的领域多少总会有些迷信思想。对于自己不懂行的领域，我也不能免俗地怀疑是不是真有银弹存在，即便是在回答这个问题的此时此刻。比如在数据加密领域，美国人就达到了其它国家难以企及的高度。理性点看，这里也许并没有什么不为人知的方法，只是他们工作做得更细致合理而已。或许怎么把工作做得比别人更细致合理，才是唯一的银弹。
我觉得最大误解是银弹思想：认为存在一些不为人知的算法，或者存在一些有专利壁垒的算法，掌握了这种算法的公司可以靠他们赚大钱。最好的例子是认为Google的成功非常大的程度上是因为它发明的PageRank算法。实际上，虽然在10年前垃圾链接尚未猖獗的候，Goog…
来自子话题：
&b&首先问一个问题：你能说清楚豆瓣是什么吗？&/b&这恐怕连豆瓣自己都讲不清楚。&br&&br&之所以问这个问题，是因为它和我下面要说的内容有关。&br&&br&一般而言，我们在做一件事情之前总会明确目标是什么和考虑为什么要选择这个目标，接着考虑怎么做，同时制定计划，再接着就是执行和检查了。当然了，有的时候、有的人不喜欢先考虑那么多，或者条件所限，考虑不了那么多，只是根据心中所想，瞄准了一个方向先上手做。有点谋事在人，成事在天的意味。也像是在一个陌生的环境里看到一条路，虽然不知道通向哪里，但感觉应该不错，就选择了摸索下去。&br&&br&&b&这就是我想说的是第一点，豆瓣不知道自己要成为什么，但知道自己先从哪里做起，这&/b&&b&从豆瓣的《关于豆瓣》页面上可以看到答案。没有说过自己的定位，只说了自己的理想。&/b&&br&&img data-rawheight=&414& data-rawwidth=&620& src=&/fae855ff169e13b9f104bfa004c2b907_b.jpg& class=&origin_image zh-lightbox-thumb& width=&620& data-original=&/fae855ff169e13b9f104bfa004c2b907_r.jpg&&&b&看到了吗，推荐，来自人力的众包的推荐，&/b&&b&是豆瓣一开始就采用的产品策略，也是一直坚持的策略。&/b&&br&&br&&br&&b&第二点&/b&&b&，豆瓣改进自身搜索的成本高，不值得长期和持续投入。&/b&&br&&br&从我的角度来看，豆瓣不是不想改进，而是成本过高，不值得做，所以不做，为什么呢？&br&&br&豆瓣从最初的读书起家，逐渐延伸到音乐、电台、电影、博客等诸多领域，子站也开了多个，经过这么多年的积累，数据量比较大而且没有统一的标准，这就给搜索带来了难度。在原始数据处理上就存在问题，更不要说其它环节了，这些工作都不是一朝一夕能完成的，而且怎么做也赶不上Google、百度、Bing这些专门的搜索引擎。与其在这个方面浪费精力、时间和资金，不如专攻推荐。
首先问一个问题：你能说清楚豆瓣是什么吗？这恐怕连豆瓣自己都讲不清楚。之所以问这个问题，是因为它和我下面要说的内容有关。一般而言，我们在做一件事情之前总会明确目标是什么和考虑为什么要选择这个目标，接着考虑怎么做，同时制定计划，再接着就是执行…
来自子话题：
不知道这个算不算。&br&&img src=&/89eae4ecda1df465a196f5_b.jpg& data-rawwidth=&776& data-rawheight=&637& class=&origin_image zh-lightbox-thumb& width=&776& data-original=&/89eae4ecda1df465a196f5_r.jpg&&&img src=&/eecc6fc9ce04169_b.jpg& data-rawwidth=&853& data-rawheight=&500& class=&origin_image zh-lightbox-thumb& width=&853& data-original=&/eecc6fc9ce04169_r.jpg&&
不知道这个算不算。
受邀。没有记错的话，这些容器都是不规则且没有刻度的，所以只能倒满一个容器或者清空一个容器。这个条件很重要。&br&&br&接下来状态以三个整数表示，分别表示10L,7L,4L的容器中的水量。由于我上面强调的条件，每个状态都至少有一个容器空或满，(7,2,2)这种是不可能的。&br&&br&以状态为顶点，若通过一个操作可使状态A变为状态B，则添加一条从A至B的&b&有向&/b&边，由此构造出一个&b&有向图&/b&，问题转化为如何找出初始状态至目标状态的一条路径。&br&&br&你的初始状态是(0,7,4)，目标状态有四种可能(2,7,2),(9,0,2),(9,2,0),(5,2,4)&br&一条可能的路径是&br&(0,7,4)-
&br&从(2,7,2)随便到哪个目标都不难了
受邀。没有记错的话，这些容器都是不规则且没有刻度的，所以只能倒满一个容器或者清空一个容器。这个条件很重要。接下来状态以三个整数表示，分别表示10L,7L,4L的容器中的水量。由于我上面强调的条件，每个状态都至少有一个容器空或满，(7,2,2)这种是不可能…
搜索引擎非常复杂，模块很多。按最粗的分可以分成三个模块，离线系统，在线系统，相关性。&br&离线系统从网络上爬数据下来，对每一个网页的质量进行评估，把质量好的数据推送给在线系统。评估主要包括：计算pangerank，去重，反作弊。&br&在线系统分3步：&br&1.拿到数据后，对数据进行建索引，对于每一个网页分配一个docID，对所有查询词建立倒排链，倒排链由所有包含这个词的网页的docID构成。索引一般10来天进行一次全量更新，每天进行小增量更新，做的好的系统还可以进行实时更新，一旦有新数据来立刻进索引，几分钟后就能检索到新数据。&br&2.粗排：按DF和pangeRank等指标从查询词相关的几条倒排链中海选出质量比较好的几万个doc，供下一轮精排用。&br&3.精排：对粗排选出的doc进行相关性算分，把分数好的前几百条结果返回给用户。&br&相关性：yy出各种feature，对这个doc按每个feature进行算分，最后得出一个综合分。涉及一大堆数据挖掘，机器学习，用户行为分析等算法。&br&学习搜索引擎可以从这三块入手，对系统感兴趣可以研究在线系统，对算法感兴趣可以研究相关性。&br&如果只想搞个玩具搜索引擎玩玩，可以先忽略搜索效果和性能，先搭一个单机框架出来。&br&如果想从事相关职业做出实际可用的产品的话，效果和性能是两个不能回避的问题：&br&1.效果的话必然需要学习机器学习，数据挖掘等算法，这方面我不是很了解，有待专业人士解答。&br&2.性能的话，必然需要学习分布式技术，索引动辄几十TB，单机必然是存不下的，所以得把索引切成很多片，分别存在不同机器上，然后去每台机器上搜出来把结果merge起来。这样的话分布式调度系统得有吧，分布式存储也得有吧，为了加快建索引速度mapReduce也得有吧，多台机器之间得通信RPC也得有吧，机器一多定位问题调试系统的话监控系统也得有吧。分布式，大数据是大势所趋，搜索引擎便是分布式系统的最典型应用，所以掌握一些分布式技术，了解下hadoop，zookeeper神马的还是不错的。
搜索引擎非常复杂，模块很多。按最粗的分可以分成三个模块，离线系统，在线系统，相关性。离线系统从网络上爬数据下来，对每一个网页的质量进行评估，把质量好的数据推送给在线系统。评估主要包括：计算pangerank，去重，反作弊。在线系统分3步：1.拿到数据…
先看懂实现，再回头看懂证明。&br&&br&以《算法导论》为例，不能指望一遍就全都懂。先一遍，把基本算法的原理和实现搞懂；再一遍，可以关注证明。&br&&br&虽然纠结于证明也有意义，但我认为不能因为一个证明不继续下去。得不偿失。
先看懂实现，再回头看懂证明。以《算法导论》为例，不能指望一遍就全都懂。先一遍，把基本算法的原理和实现搞懂；再一遍，可以关注证明。虽然纠结于证明也有意义，但我认为不能因为一个证明不继续下去。得不偿失。
如果题主能学好初中欧氏立体几何，以及高中的数学归纳法，就不必纠结于某些算法的证明了。已经被认可的证明，相信就好。Proof 本来就是数学界的 social process。我到现在还没认真看过红黑树的算法。
如果题主能学好初中欧氏立体几何，以及高中的数学归纳法，就不必纠结于某些算法的证明了。已经被认可的证明，相信就好。Proof 本来就是数学界的 social process。我到现在还没认真看过红黑树的算法。
若元素非负，可以弄个长度为n+1的bool数组b[n+1]，初始全为false。记题中数组为num[]，迭代变量为i，&br&遍历时可以:&br&if(b[num[i]])&br& b[num[i]]=&br&&br&&br&思路就是遍历一遍数组，并将每个元素作为下标，即令b[num[i]]为true.当然，在赋值为true之前要先判断是否已经为true了，若已经是true了说明有重复元素。&br&&br&&br&若元素有负数，可考虑用hashset
若元素非负，可以弄个长度为n+1的bool数组b[n+1]，初始全为false。记题中数组为num[]，迭代变量为i，遍历时可以:if(b[num[i]]) b[num[i]]=思路就是遍历一遍数组，并将每个元素作为下标，即令b[num[i]]为true.当然，在赋值为true之前要先…
&p&用线索树来当链表，插入O(lgn)，删除O(lgn)，查找O(lgn)，从一个节点遍历到下一个节点O(1)。&/p&&br&&p&话说这还是我刚毕业进微软的时候的面试题。&/p&
用线索树来当链表，插入O(lgn)，删除O(lgn)，查找O(lgn)，从一个节点遍历到下一个节点O(1)。话说这还是我刚毕业进微软的时候的面试题。
哈哈，又没说不让用switch和面条机&br&&div class=&highlight&&&pre&&code class=&language-c&&&span class=&cp&&#include &stdio.h&&/span&
&span class=&kt&&int&/span& &span class=&n&&main&/span&&span class=&p&&(){&/span&
&span class=&kt&&int&/span& &span class=&n&&n&/span&&span class=&p&&,&/span&&span class=&n&&sum&/span&&span class=&p&&;&/span&
&span class=&n&&scanf&/span&&span class=&p&&(&/span&&span class=&s&&&%d&&/span&&span class=&p&&,&/span&&span class=&o&&&&/span&&span class=&n&&n&/span&&span class=&p&&);&/span&
&span class=&n&&sum&/span&&span class=&o&&=&/span&&span class=&n&&n&/span&&span class=&p&&;&/span&
&span class=&nl&&con:&/span&
&span class=&k&&switch&/span&&span class=&p&&(&/span&&span class=&n&&n&/span&&span class=&o&&--&/span&&span class=&p&&){&/span&
&span class=&k&&case&/span& &span class=&mi&&0&/span&:&span class=&k&&break&/span&&span class=&p&&;&/span&
&span class=&nl&&default:&/span&&span class=&n&&sum&/span&&span class=&o&&+=&/span&&span class=&n&&n&/span&&span class=&p&&;&/span& &span class=&k&&goto&/span& &span class=&n&&con&/span&&span class=&p&&;&/span&
&span class=&p&&}&/span&
&span class=&n&&printf&/span&&span class=&p&&(&/span&&span class=&s&&&%d&&/span&&span class=&p&&,&/span&&span class=&n&&sum&/span&&span class=&p&&);&/span&
&span class=&k&&return&/span& &span class=&mi&&0&/span&&span class=&p&&;&/span&
&span class=&p&&}&/span&
&/code&&/pre&&/div&默认为n&0
哈哈，又没说不让用switch和面条机#include &stdio.h&
int main(){
scanf("%d",&n);
switch(n--){
default:sum+=n;
printf("%d",sum);
&a href=&/questions/9862178/problems-with-dynamic-programming& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&algorithm - Problems with dynamic programming&i class=&icon-external&&&/i&&/a&
&a href=&http://www.hackersdelight.org/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Hacker's Delight&i class=&icon-external&&&/i&&/a&&br&留下邮箱，我可以给你pdf版。&br&&br&-----------------更新----------------------&br&下载地址：&a href=&/f94fee6292e& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&微云&i class=&icon-external&&&/i&&/a&
留下邮箱，我可以给你pdf版。-----------------更新----------------------下载地址：
磨磨叽叽&br&原来是淘宝的人啊。。。&br&问这种问题不奇怪
磨磨叽叽原来是淘宝的人啊。。。问这种问题不奇怪
探索推荐引擎内部的秘密，第 1 部分: 推荐引擎初探&br&&a href=&/developerworks/cn/web/1103_zhaoct_recommstudy1/index.html?ca=drs-& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&/developerworks/&/span&&span class=&invisible&&cn/web/1103_zhaoct_recommstudy1/index.html?ca=drs-&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&br&探索推荐引擎内部的秘密 全系列文章&br&&a href=&/developerworks/cn/views/web/libraryview.jsp?view_by=search&sort_by=Date&sort_order=desc&view_by=Search&search_by=%E6%8E%A2%E7%B4%A2%E6%8E%A8%E8%8D%90%E5%BC%95%E6%93%8E%E5%86%85%E9%83%A8%E7%9A%84%E7%A7%98%E5%AF%86&dwsearch.x=12&dwsearch.y=11&dwsearch=Go& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&/developerworks/&/span&&span class=&invisible&&cn/views/web/libraryview.jsp?view_by=search&sort_by=Date&sort_order=desc&view_by=Search&search_by=%E6%8E%A2%E7%B4%A2%E6%8E%A8%E8%8D%90%E5%BC%95%E6%93%8E%E5%86%85%E9%83%A8%E7%9A%84%E7%A7%98%E5%AF%86&dwsearch.x=12&dwsearch.y=11&dwsearch=Go&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&br&&br&这几篇文章介绍的很好。推荐。
探索推荐引擎内部的秘密，第 1 部分: 推荐引擎初探探索推荐引擎内部的秘密 全系列文章这几篇文章介绍的很好。推荐。
不可以。最短路径问题是P的，但最长路径问题是NP-hard的。见&a href=&http://en.wikipedia.org/wiki/Longest_path_problem& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Longest path problem&i class=&icon-external&&&/i&&/a&。
不可以。最短路径问题是P的，但最长路径问题是NP-hard的。见。
来自子话题：
1.先说第一个图，比较直观。&br&
刚用firefox的firebug插件提取该页面实时QQ在线人数（单位未知）：广东5184&浙江3391&山东2946&江苏2662& 北京2197&四川2049......台湾55&香港46&西藏37&澳门7&br&
集中地在东部沿海地区，四川是唯一上榜的中西部省份和北京一市相当，西部只有乌鲁木齐和阿克苏地区有两个亮点。结合各地区人口数据，总人口中QQ在线用户的比例：澳门&香港&台湾，海南人口约为台湾1/3，但亮度大得多。&br&&br&2. 第二个图基本反映了中国人一天的生活。&br&
0-2点，陆续下线睡觉，速率基本不变。&br&
2点是个转折点，再不下线基本就决定熬夜了？5点是全天最低点，5千3百万人同时在线。&br&
5点开始陆续起床，7-8点第一个小高峰，大部分人集中在8-9点上线，开始一天工作。13点达到第一个极大值：约1.55亿人同时在线。&br&
13-17点人数保持稳定，看来大部分人习惯登陆之后一直挂着QQ，17点之后约1千万人开始陆续下班，好玩的是这部分人下班回家后都重新登陆了QQ。&br&
约21：30全天最高峰，之后陆续开始睡觉，22-23点是入睡高峰，但更多人选择23-24睡觉。&br&
0点和24点数据相差无几，从动态图可以看出每天同一时刻人数很相似，所以日复一日中国人按照这样的曲线生活着。
1.先说第一个图，比较直观。 刚用firefox的firebug插件提取该页面实时QQ在线人数（单位未知）：广东5184&浙江3391&山东2946&江苏2662& 北京2197&四川2049......台湾55&香港46&西藏37&澳门7 集中地在东部沿海地区，四川是唯一上榜的中西部省份和北京一市相当…