彭文偉問題及演算法庫
這是乙個排列組合和引數優化的問題：
選擇因子方案（採用動態規劃）：
從n個因子中，任意選擇c~d個因子。其c~d中，有a~b個因子，其引數將在本階段運算中完全消耗，
剩下的（c~d-a~b）個因子，其引數將在本階段運算中部分消耗，剩下的進入下一階段選擇。如此
遞迴到下一階段，直到n個因子的引數全部消耗完畢。其中 1+(n-c)/a <= 階段數 <= 1+(n-d)/b。
各階段引數優化運算方案（採用廣度搜素）：
首先求全過程平均值，其值mean==累加n個因子的（引數值【i】*最大範圍【i】）。
如果本階段選擇了c個因子，其中有a個因子是完全消耗，其值sum1==累加a中各因子的（引數值【i】*最大範圍【i】）。
剩下c-a個因子其消耗值要根據演算法要求只消耗一部分，其值sum2==累加（c-a）中各因子的（引數值【i】*部分範圍【i】）。
求階段誤差，其值==|sum1+sum2-mean|。
最後，將各階段誤差累加，總體誤差最小值的因子及其引數選擇方案將被儲存，輸出顯示。
各階段運算有各因子的最低消耗限制。
引數優化方案可以自定義演算法，在派生類實現。
運算階段和非完全因子少時，效果好，但是階段多，非完全因子多。運算量過大而無法得到結果。故引數優化考慮採用粒子群演算法
馬爾科夫模型與隱馬爾科夫模型
隨機過程 是隨時間而隨機變化的過程。又稱為隨機函式。馬爾科夫模型 vmm 它描述了一類重要的隨機過程。乙個系統有有限個狀態集s 隨時間推移，該系統將同某一狀態轉移到另一狀態。q s1,s2,sn 為一隨機變數序列，隨機變數取值為狀態集s中的乙個狀態，設時間t時狀態為qt。對系統的描述通常是給出當前時...
隱馬爾科夫模型
隱馬爾科夫 hiddenmarkov model 簡稱為hmm，hmm資料相當豐富，推薦參見 hmm學習最佳範例與崔曉源的部落格 一文，本文只對hmm進行簡要介紹，然後說明開源ghmm實現在linux環境的搭建，hmm的開源實現有眾多不同語言的實現。馬爾科夫模型 一階馬爾科夫模型假設為 1 t l時...
隱馬爾科夫模型
一 介紹 introduction 我們通常都習慣尋找乙個事物在一段時間裡的變化模式 規律 這些模式發生在很多領域，比如計算機中的指令序列，句子中的詞語順序和口語單詞的因素修咧等等，事實上任何領域中的一系列事件都有可能產生有用的模式。考慮乙個簡單的例子，有人試圖通過一片海藻推斷天氣 民間傳說告訴我們...