线性表某软件公司大约有30名员工，每名员工有姓名、工号、职务等属性，每年都有员工离职和入职。
把所有员工按照顺序存储结构建立一个线性表，建立离职和入职函数，当有员工离职或入职时，修改线性表，并且打印最新的员工名单。
约瑟夫（Josephus）环问题：编号为1,2,3,…,n的n个人按顺时针方向围坐一圈，每人持有一个密码（正整数）。
一开始任选一个正整数作为报数的上限值m，从第一个人开始按顺时针方向自1开始顺序报数,报到m时停止。
报m的人出列，将他的密码作为新的m值，从他在顺时针方向上的下一人开始重新从1报数，如此下去，直到所有人全部出列为止。
建立n个人的单循环链表存储结构，运行结束后，输出依次出队的人的序号。
栈和队列某商场有一个100个车位的停车场，当车位未满时，等待的车辆可以进入并计时；
当车位已满时，必须有车辆离开，等待的车辆才能进入；
当车辆离开时计算停留的的时间，并且按照每小时1元收费。
汽车的输入信息格式可以是（进入/离开，车牌号，进入/离开时间），要求可以随时显示停车场内的车辆信息以及收费历史记录。
某银行营业厅共有6个营业窗口，设有排队系统广播叫号，该银行的业务分为公积金、银行卡、理财卡等三种。
公积金业务指定1号窗口，银行卡业务指定2、3、4号窗口，理财卡业务指定5、6号窗口。
但如果5、6号窗口全忙，而2、3、4号窗口有空闲时，理财卡业务也可以在空闲的2、3、4号窗口之一办理。
客户领号、业务完成可以作为输入信息，要求可以随时显示6个营业窗口的状态。
5、4阶斐波那契序列如下：f0=f1=f2=0,f3=1,…,fi=fi-1+fi-2+fi-3+fi-4，利用容量为k=4的循环队列，构造序列的前n+1项（f0,f1,f2,…fn），要求满足fn≤200而fn+1＞200。
6、八皇后问题：设8皇后问题的解为(x1,x2,x3,…,x8),约束条件为：在8x8的棋盘上，其中任意两个xi和xj不能位于棋盘的同行、同列及同对角线。
要求用一位数组进行存储，输出所有可能的排列。
7、迷宫求解：用二维矩阵表示迷宫，自动生成或者直接输入迷宫的格局，确定迷宫是否能走通，如果能走通，输出行走路线。
8、英国人格思里于1852年提出四色问题(fourcolourproblem，亦称四色猜想），即在为一平面或一球面的地图着色时，假定每一个国家在地图上是一个连通域，并且有相邻边界线的两个国家必须用不同的颜色，问是否只要四种颜色就可完成着色。
现在给定一张地图，要求对这张地图上的国家用不超过四种的颜色进行染色。
要求建立地图的邻接矩阵存储结构，输入国家的个数和相邻情况，输出每个国家的颜色代码。
9、以下问题要求统一在一个大程序里解决。
从原四则表达式求得后缀式，后缀表达式求值，从原四则表达式求得中缀表达式，从原四则表达式求得前缀表达式，前缀表达式求值。
数组与广义表鞍点问题：若矩阵A中的某一元素A[i,j]是第i行中的最小值，而又是第j列中的最大值，则称A[i,j]是矩阵A中的一个鞍点。
写出一个可以确定鞍点位置的程序。
稀疏矩阵转置：输入稀疏矩阵中每个元素的行号、列号、值，建立稀疏矩阵的三元组存储结构，并将此矩阵转置，显示转置前后的三元组结构。
用头尾链表存储表示法建立广义表，输出广义表，求广义表的表头、广义表的表尾和广义表的深度。
树和二叉树以下问题要求统一在一个大程序里解决。
按先序遍历的扩展序列建立二叉树的存储结构二叉树先序、中序、后序遍历的递归算法二叉树中序遍历的非递归算法二叉树层次遍历的非递归算法求二叉树的深度(后序遍历)建立树的存储结构求树的深度图输入任意的一个网，用普里姆(Prim)算法构造最小生成树。
要求建立图的存储结构（邻接表或邻接矩阵），输入任意的一个图，显示图的深度优先搜索遍历路径。
要求建立图的存储结构（邻接表或邻接矩阵），输入任意的一个图，显示图的广度优先搜索遍历路径。
查找设计一个读入一串整数构成一颗二叉排序树的程序，从二叉排序树中删除一个结点，使该二叉树仍保持二叉排序树的特性。
24、设定哈希函数H(key)=keyMOD11(表长=11)，输入一组关键字序列，根据线性探测再散列解决冲突的方法建立哈希表的存储结构，显示哈希表，任意输入关键字，判断是否在哈希表中。
排序以下问题要求统一在一个大程序里解决。
25、折半插入排序26、冒泡排序27、快速排序28、简单选择排序29、归并排序30、堆排序

matlab用于求解规划问题的工具包推荐把这个工具整合到matlab中去，这个工具是私人的，不过大家都可以免费下载使用。
下载后，只要在matlab中添加路径就可以使用这工具箱。
正在吸引我的是，这个工具箱建立了一种新的数据类型，使所有规划问题都整合在一起。
举例如下：已知非线性整数规划为：Maxz=x1^2+x2^2+3*x3^2+4*x4^2+2*x5^2-8*x1-2*x2-3*x3-x4-2*x5s.t.0＜=xi＜=99(i=1,2,...,5)x1+x2+x3+x4+x5＜=400x1+2*x2+2*x3+x4+6*x5＜=8002*x1+x2+6*x3＜=800x3+x4+5*x5＜=200在matlab中输入x=intvar（1，5）；
f=[11342]*(x'.^2)-[82312]*x';F=set(0＜=x＜=99);F=F+set([11111]*x'＜=400)+set([12216]*x'＜=800)+set(2*x(1)+x(2)+6*x(3)＜=800);F=F+set(x(3)+x(4)+5*x(5)＜=200);solvesdp(F,-f)double(f)80199double(x)539999990intvar（m，n）:生成整数型变量；
sdpvar（m，n）：生产变量；
solvesdp（F，f）：求解最优解（最小值），其中F为约束条件（用set连接），f为目标函数double：显示求解的答案intvar，sdpvar，生成的变量可以像矩阵一样使用，如例题显示。

详情请看https://bbs.deepin.org/zh/post/212885下载链接：Gitee：源码地址：https://gitee.com/gfdgd-xi/deep-wine-runner蓝奏云：https://gfdgdxi.lanzous.com/b01nz7y3e，提取码：7oii迅雷网盘：https://pan.xunlei.com/s/VMSCKZnpw_tl_cSZS1snZQRrA1，提取码：83pc百度网盘：https://pan.baidu.com/s/17NKtmCQ4Uf7iQ5wmss2nzQ，提取码：bv8w

SoftUni-TechnologiesFundamentals-IX2017：SoftUni课程“编程基本知识”（18.IX.-5.XI.2017）和“扩展编程基本知识”（10.XI.2017-5.I.2018）中的练习和考试

下载链接：蓝奏云：https://gfdgdxi.lanzous.com/b01nzac9g，密码:55pu迅雷网盘：https://pan.xunlei.com/s/VMSFiFL55OoPCgOmeznAS3d7A1，提取码：2x5k百度网盘：https://pan.baidu.com/s/1JaSinaQojuPWTb077Zql8g，提取码：z1iqGitee：https://gitee.com/gfdgd-xi/linux-download-tools

★问题描述：给定一个赋权无向图G=(V,E),每个顶点v∈V都有一个权值w(v)。
如果U∈V,且对任意(u,v)∈E有u∈U或v∈U,就称U为图G的一个顶点条覆盖.G的最小权顶点覆盖是指G中所含顶点权之和最小的顶点覆盖。
★算法设计：对于结定的无向图G,设计一个优先队列式分支限界法,计算G的最小权顶点覆盖。
★数据输入：由文件input.txt给出输入数据。
第1行有2个正整数n和m,表示给定的图G有n个顶点和m条边,顶点编号为1,2,.....,n.第2行有n个正整数表示n个顶点的权.接上去的m行中,每行有2个正整数u,v,表示图G的一条边(u,v)。
★结果输出：将计算出的最小权顶点覆盖的顶点权之和以及最优输出到文件output.txt.文件第1行是最小权顶点覆盖顶点权之和;第2行是最优解xi,1≤i≤n,xi=0表示顶点i不在最小权顶点覆盖中。

下载链接：蓝奏云：https://gfdgdxi.lanzous.com/b01nzalvc，密码:fik7迅雷网盘：https://pan.xunlei.com/s/VMSG9IqahsL8eJBeSU4FTbmqA1，提取码：etwi百度网盘：链接:https://pan.百度.com/s/1_SUS0sTCYmcqEA85CnkFwg提取码:jq83Gitee：https://gitee.com/gfdgd-xi/word-to-html

相关向量机的MATLAB代码，经过验证是正确的，很实用推荐相关向量机（Relevancevectormachine,简称RVM）是Tipping在2001年在贝叶斯框架的基础上提出的，它有着与支持向量机（Supportvectormachine,简称SVM）一样的函数方式，与SVM一样基于核函数映射将低维空间非线性问题转化为高维空间的线性问题。
RVM原理步骤RVM通过最大化后验概率（MAP）求解相关向量的权重。
对于给定的训练样本集{tn,xn}，类似于SVM,RVM的模型输出定义为y(x;w)=∑Ni=1wiK(X,Xi)+w0其中wi为权重，K(X,Xi)为核函。
因此对于,tn=y(xn,w)+εn,假设噪声εn服从均值为0,方差为σ2的高斯分布,则p(tn|ω,σ2)=N(y(xi,ωi),σ2),设tn独立同分布,则整个训练样本的似然函数可以表示出来。
对w与σ2的求解如果直接使用最大似然法，结果通常使w中的元素大部分都不是0，从而导致过学习。
在RVM中我们想要避免这个现像，因此我们为w加上先决条件：它们的机率分布是落在0周围的正态分布:p(wi|αi)=N(wi|0,α?1i),于是对w的求解转化为对α的求解，当α趋于无穷大的时候，w趋于0.RVM的步骤可以归结为下面几步：1.选择适当的核函数，将特征向量映射到高维空间。
虽然理论上讲RVM可以使用任意的核函数，但是在很多应用问题中，大部分人还是选择了常用的几种核函数，RBF核函数，Laplace核函数，多项式核函数等。
尤其以高斯核函数应用最为广泛。
可能于高斯和核函数的非线性有关。
选择高斯核函数最重要的是带宽参数的选择，带宽过小，则导致过学习，带宽过大，又导致过平滑，都会引起分类或回归能力的下降2.初始化α，σ2。
在RVM中α，σ2是通过迭代求解的，所以需要初始化。
初始化对结果影响不大。
3.迭代求解最优的权重分布。
4.预测新数据。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。