GLPKで楽しく最適化しよう！
since 2004/05/01 last update 2005/04/08 access: new! 最新版 glpk4.8 をアップロードしました。 new! 久しぶりに記事を追加しました。 new! GLPKスーパー簡易マニュアルを追加しました。 このページの目的 GLPK(GNU Linear Programming Kit)は最適化の入門者からプロまで幅広く使える 大変良くできたフリーの線形計画ソルバーです。 しかし残念なことに日本においてはほとんど普及しておらず、 付属マニュアルも英語のため、とても敷居の高いものになっています。 また、Unix上で動かすことが前提で作られているので、Windows上で 動作させることがなかなか面倒です。 そこで、WindowsのDOSで動作するようにバイナリも配布することにしました。 このページでは数理計画とは何か、から
ラグランジュ緩和入門
ラグランジュ緩和入門･･･これも上とあわせてご自慢の一冊です。これは「遺伝的アルゴリズム入門」の続編ですので、できれば先に遺伝的アルゴリズム入門(PowerPointファイル)か遺伝的アルゴリズム入門(PDFファイル)をダウンロードしてください。 ラグランジュ緩和入門(PDFファイル)・・・3304KB。 ラグランジュ緩和入門に必要な果物カード(PowerPointファイル)・・・115KB。(遺伝的アルゴリズム入門と共通です) ラグランジュ緩和入門に必要な果物カード(PDFファイル)・・・115KB。(遺伝的アルゴリズム入門と共通です) 理論関係(DEA・群論・AHP・IRTなど) に戻る
潜在意味解析 - Wikipedia
潜在意味解析（せんざいいみかいせき、英: Latent Semantic Analysis、略称: LSA）は、ベクトル空間モデルを利用した自然言語処理の技法の1つで、文書群とそこに含まれる用語群について、それらに関連した概念の集合を生成することで、その関係を分析する技術である。潜在的意味解析とも。 1988年、アメリカ合衆国でLSAの特許が取得されている[1]。情報検索の分野では、潜在的意味索引または潜在意味インデックス（英: Latent Semantic Indexing, LSI）とも呼ばれている。 LSA では、各文書における用語の出現を表した文書-単語マトリクスが使われる。これは各行が各単語に対応し、各列が各文書に対応した疎行列である。この行列の各成分の重み付けには tf-idf (term frequency–inverse document frequency) が用いられ
Mathematical Information Technology
本サイトについて アルゴリズムとデータ構造 平方根 開平方のアルゴリズム 平方根のアルゴリズム 初期値の改良による平方根計算の高速化 ソート 基本ソート 基本ソートの改良 高速なソート 高速なソートの改良 その他のソート ソートの様々な比較規則 クイックソート、マージソートのマルチスレッド化 SortApplet 数値の0埋め ヒープ 直接挿入法 連結リスト 数列の和 εアルゴリズムによる級数計算 オイラーの変換による交代級数の加速 数学 素数 素数 試行除算による素数判定 フェルマーテストによる素数判定 素数定理について Javaによる素数の判定 Javaでの平方根計算アルゴリズムの改良による素数判定の高速化 一ケタの素数の倍数を取り除くことによる素数判定の高速化 データ構造の変更による繰り返しの高速化 素数に関する情報源 ソフトウェア開発 LSI C-86 Ver. 3.30c 試食版
Scale-invariant feature transform - Wikipedia
The scale-invariant feature transform (SIFT) is a computer vision algorithm to detect, describe, and match local features in images, invented by David Lowe in 1999.[1] Applications include object recognition, robotic mapping and navigation, image stitching, 3D modeling, gesture recognition, video tracking, individual identification of wildlife and match moving. SIFT keypoints of objects are first
余剰CPU時間を使ってルービックキューブは23手以内で揃うと証明 | スラド サイエンス
3月に「ルービックキューブは25手以内で揃う！」というトピックがあったばかりですが、そのTomas Rokickiが今度は上限を一気に2手下げて23手としました。キューブフォーラムの記事によると、前回と同じ方法で、Sony Pictures Imageworksのレンダリングファームの余剰CPU時間を使い、約7.8コア・年分の計算時間をかけて、ルービックキューブのどんな状態からでも最大23手で完成できることを示したそうです。このレンダリングファームはスパイダーマン3やSurf's Upの制作に使われました。 今回の探索でも21手必要なキューブ状態は発見されていません。対称形の考察などから上限は20手だろうと予想されています。同じアルゴリズムでこれを証明するには、3500コア・年のCPU時間が必要になるとRokickiは見積っています。さらに速い探索手法が考案されるのが早いか、ムーアの法測で
ロシア農民のかけ算とCPU - NullPointer's
ロシアの農民のかけ算という、かけ算の方法があるらしい。 たとえば9×12ならば、前の数を半分にしていき、後の数を２倍していく。 9 12 4 24 2 48 1 96前の数が２の倍数になってるものを削除して 9 12 1 96残った後ろの数を足すと 12 + 96 = 108あら不思議、9×12の答えになったよコレ。 このロシアの農民のかけ算が何をしているのか調べてみると 9 * 12 = (4 * 2 + 1) * 12 = (4 * 2 * 12) + 12 = (4 * 24) + 12 = (2 * 48) + 12 = (1 * 96) + 12 = 96 + 12な感じに分配法則やら結合法則やら中学校一年で習うような数学テクを使った計算をルーチン化しているものだった。 ２倍や半分はシフト演算でできるし、偶数奇数は最下位ビットを見れば分かるので簡単にプログラミングできそう。Jav
Support Vector Machines
Welcome to the website for the book Support Vector Machines. This is the first comprehensive introduction to Support Vector Machines (SVMs), a new generation learning system based on recent advances in statistical learning theory. SVMs deliver state-of-the-art performance in real-world applications such as text categorisation, hand-written character recognition, image classification, biosequences
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
http://www.logos.ic.i.u-tokyo.ac.jp/~tau/lecture/software/
間違いだらけの疑似乱数選び
Scilab
凸射影と適応フィルタリングの親密な関係 : はらぺこJAWSから学ぶ理想的な信号処理 | CiNii Research
http://nlp.nagaokaut.ac.jp/A_Sentimental_Education:_Sentiment_Analysis_Using_Subjectivity_Summarization_Based_on_Minimum_Cuts
http://maven.smith.edu/~nhowe/research/code/
http://www.ifp.uiuc.edu/~cao4/MeanShiftbib.htm
A Topological Approach to Hierarchical Segmentation using Mean Shift
CSDL | IEEE Computer Society
http://www.math.ucla.edu/~xbresson/subdir/gmac.html
微分積分
生活や実務に役立つ高精度計算サイト