一、目的：
熟悉银行家算法，加深死锁有关概念的理解。
二、内容：
编制银行家算法通用程序，并检测思考题中所给状态的安全性。
三、要求：
(1) 下列状态是否安全？(三个进程共享12个同类资源)
进程 已分配资源数 最大需求数
1 1 4 (状态a)
2 4 4
3 5 8
1 1 4
2 4 6 (状态b)
3 6 8
(2) 考虑下列系统状态
分配矩阵 最大需求矩阵 可用资源矩阵
0 0 1 2 0 0 1 2 1 5 2 0
1 0 0 0 1 7 5 0
1 3 5 4 2 3 5 6
0 6 3 2 0 6 5 2
0 0 1 4 0 6 5 6
问系统是否安全？若安全就
2024-06-24 11:31:26
260KB
1
智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真模型及运行结果
2024-06-24 10:39:02
1.57MB
1
内容包括：
传统RSA实现：
1、ZIntMath：大整数的运算库，包括计算乘模运算，幂模运算（蒙哥马利算法），最大公约数算法及扩展最大公约数算法（扩展欧几里得算法）等。
2、ZPrime：质数库，包括 Miller_Rabin素数判断法，大整数快速因式分解算法（pollard_rho算法），生成指定位数的大质数或大整数算法等。
3、ZRSA: RSA算法库，使用上面两个库，实现RSA算法。实现了生成指定数位的密钥对，加密，解密，签名和验证，这5个核心功能。
4、RSAtest.py一个使用RSA算法库的例子。例子从生成密钥对开始，对数据进行加解密，签名和验证签名，最后用修改后的消息再次验证签名。
改进RSA算法实现：
5、IRSA：改进的RSA算法库，实现了基于多素数的指定数位的密钥对，RSA加密，RSA解密，基于中国剩余定理的RSA解密，签名，验签。
6、IRSAtest.py 使用改进RSA算法库的例子。
2024-06-23 10:13:18
30KB
1
问题背景：
假期到了，你打算制定一个假期旅行计划，连续游玩若干个城市，假设旅行中的交通成本与城市间的旅行距离成正比。同时，你需要携带一定的出游物品，这些物品有不同的体积和重要度，但是你的行李箱有一定的容量限制。为了使你的旅行更加愉快，你希望：
选择最佳的旅游路线，使得总旅行中的交通成本最低。
选择最佳的物品，使得在满足背包容量限制的情况下，重要度最大。
问题 1：旅游路线优化
任务描述：
设定若干个旅游城市（至少 10 个），并给出每个城市位置坐标。
建立旅行商问题（TSP）的数学模型，目标是找到一条路径，每个城市只访问一次，最终回到起点城市，并且使得总旅行交通成本最低。
采用遗传算法，使用 MATLAB 编程实现 TSP 的求解。 给出结果分析。
具体要求：
描述 TSP 的背景和重要性。
提供目标旅游城市的坐标位置，和单位距离的旅行交通成本，并解释数据来源（可以是虚拟数据，言之成理即可），以坐标值计算城市间的平面直线距离作为旅行距离。
建立 TSP 的数学模型，包括目标函数和约束条件。
编写 MATLAB 代码求解 TSP 问题（要求附上主要代
2024-06-22 23:07:51
1KB
1
原文链接：https://qihongtao.blog.csdn.net/article/details/134978662?spm=1001.2014.3001.5502
sm2+openssl.zip 使用C++实现的openssl调用sm2实现文件签名的功能。 C++源代代码可以直接使用。也上传了openssl1.1.1的头文件、lib文件和dll文件。
因为国产化原因，项目中需要使用国标sm2签名算法对文件进行签名和验签。OpenSSL 1.1.1版本提供了对国密SM2算法的支持，在之前的版本openssl不支持。
关注公众号 QTShared，后台私信留言免费获取。
2024-06-22 14:42:19
7.64MB
基于MapReduce实现决策树算法的知识点
基于MapReduce实现决策树算法是一种使用MapReduce框架来实现决策树算法的方法。在这个方法中，主要使用Mapper和Reducer来实现决策树算法的计算。下面是基于MapReduce实现决策树算法的知识点：
1. 基于C45决策树算法的Mapper实现：在Mapper中，主要实现了对输入数据的处理和预处理工作，包括对输入数据的tokenize、attribute extraction和data filtering等。同时，Mapper还需要实现对决策树算法的初始化工作，例如对树的节点进行初始化和对属性的初始化等。
2. 基于MapReduce的决策树算法实现：在Reducer中，主要实现了决策树算法的计算工作，包括对树的构建、决策树的分裂和叶节点的计算等。Reducer需要对Mapper输出的结果进行处理和计算，以生成最终的决策树模型。
3. MapReduce框架在决策树算法中的应用：MapReduce框架可以对大规模数据进行并行处理，使得决策树算法的计算速度和效率大大提高。在基于MapReduce实现决策树算法中，MapReduce框架可以对输入数据进行分区和处理，使得决策树算法的计算可以并行进行。
4. 决策树算法在MapReduce中的优化：在基于MapReduce实现决策树算法中，需要对决策树算法进行优化，以提高计算速度和效率。例如，可以对决策树算法的计算过程进行并行化，对Mapper和Reducer的计算过程进行优化等。
5. 基于MapReduce的决策树算法的应用：基于MapReduce实现决策树算法可以应用于数据挖掘、机器学习和推荐系统等领域，例如可以用于用户行为分析、推荐系统和风险评估等。
6. 决策树算法在MapReduce中的实现细节：在基于MapReduce实现决策树算法中，需要对决策树算法的实现细节进行详细的设计和实现，例如对树的节点进行实现、对决策树的分裂和叶节点的计算等。
7. MapReduce框架在决策树算法中的限制：基于MapReduce实现决策树算法也存在一些限制，例如对输入数据的规模和复杂度的限制，对决策树算法的计算速度和效率的限制等。
8. 基于MapReduce实现决策树算法的优点：基于MapReduce实现决策树算法的优点包括高效的计算速度、可扩展性强、灵活性强等，可以满足大规模数据的处理和计算需求。
9. 基于MapReduce实现决策树算法的缺点：基于MapReduce实现决策树算法的缺点包括对输入数据的限制、对决策树算法的计算速度和效率的限制等。
10. 基于MapReduce实现决策树算法的应用前景：基于MapReduce实现决策树算法的应用前景包括数据挖掘、机器学习、推荐系统等领域，可以满足大规模数据的处理和计算需求。
2024-06-22 02:37:14
57KB
1
【项目资源】：
包含前端、后端、移动开发、操作系统、人工智能、物联网、信息化管理、数据库、硬件开发、大数据、课程资源、音视频、网站开发等各种技术项目的源码。
包括STM32、ESP8266、PHP、QT、Linux、iOS、C++、Java、python、web、C#、EDA、proteus、RTOS等项目的源码。
【项目质量】：
所有源码都经过严格测试，可以直接运行。
功能在确认正常工作后才上传。
【适用人群】：
适用于希望学习不同技术领域的小白或进阶学习者。
可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。
【附加价值】：
项目具有较高的学习借鉴价值，也可直接拿来修改复刻。
对于有一定基础或热衷于研究的人来说，可以在这些基础代码上进行修改和扩展，实现其他功能。
【沟通交流】：
有任何使用上的问题，欢迎随时与博主沟通，博主会及时解答。
鼓励下载和使用，并欢迎大家互相学习，共同进步。
2024-06-22 01:04:58
4.8MB
1