1樓：野生學渣
記一階常微分方程的初值問題為
顯式 Runge-Kutta 法的一般格式是
(1)其中
對於特定的 Runge-Kutta 方法，需要指定子步數目 、係數 （ ）、 （ ）和 （ ）。其中，係數常組織成 Butcher 表的形式：
自適應 Rung-Kutta 法在乙個時間步中使用兩種單步 Runge-Kutta 法，其中一種的階數為 ，另一種的階數為 。這兩種方法使用相同的子步。將兩種方法結果之差作為低階方法的區域性截斷誤差的估計。
在一次積分步中動態地調整時間步長，以估計出的誤差低於預設的區域性誤差閾值。如果誤差較大，則以較小的步長重複當前積分步；如果誤差太小，則增大步長以節省計算時間。該方法保證了步長幾乎總是最優的。
高階方法仍使用 (1) 式，低階方法的格式為
其中 與高階方法中的相同。則誤差為
自適應方法的 Butcher 表擴充套件為
MATLAB 的 ode45 求解器使用的是嵌入法的一種，名為 Dormand-Prince 法，其 Butcher 表為
Dormand-Prince 法的每個時間步包含 7 個子步，但是只需要計算 6 次函式值，因為每個時間步的最後乙個子步與下乙個時間步的第乙個子步在時間軸上是重合的。其中高階方法的階數為 5，低階方法的階數為 4.
決策樹演算法中，CART與ID3 C4 5特徵選擇之間的區別會對實際應用有哪些影響？哪種的結果會更好些？
ID3演算法 以資訊增益為準則選擇資訊增益最大的屬性。缺點 1 資訊增益對可取值數目較多的屬性有所偏好，比如通過ID號可將每個樣本分成一類，但是沒有意義。2 ID3只能對離散屬性的資料集構造決策樹。鑑於以上缺點，後來出現了C4.5演算法。C4.5演算法 以資訊增益率為準則選擇屬性 在資訊增益的基礎上...
數學中求解整數規劃在matlab中怎麼使用呢？
整數規劃用LINGO啊，比MATLAB簡單超級多。變數定義好了也就幾行就可以得到答案，而且非常精簡只管一目了然。學數學到現在我最愛的軟體也就是LINGO了。 留德華叫獸 一般用CPlex或者Gurobi或者FICO Xpress。這些可以理解為優化的函式庫，然後用matlab或任何其他程式語言呼叫這...
python中怎麼用演算法解決這個問題？
喳 小銘 import random l random randint 1 20 foriin range 20 l 16,3,5,18,8,8,11,7,18,15,17,3,15,11,2,14,6,3,3,17 key 8 l.sort l 2,3,3,3,3,5,6,7,8,8,11,11,...