Python算法-爬樓梯與遞歸函數

可以看出來的是，該題可以用斐波那契數列解決。

創(chuàng)新互聯建站是一家集網站建設,山南企業(yè)網站建設,山南品牌網站建設,網站定制,山南網站建設報價,網絡營銷,網絡優(yōu)化,山南網站推廣為一體的創(chuàng)新建站企業(yè)，幫助傳統(tǒng)企業(yè)提升企業(yè)形象加強企業(yè)競爭力。可充分滿足這一群體相比中小企業(yè)更為豐富、高端、多元的互聯網需求。同時我們時刻保持專業(yè)、時尚、前沿，時刻以成就客戶成長自我，堅持不斷學習、思考、沉淀、凈化自己，讓我們?yōu)楦嗟钠髽I(yè)打造出實用型網站。

樓梯一共有n層，每次只能走1層或者2層，而要走到最終的n層。不是從n-1或者就是n-2來的。

F(1) = 1

F(2) = 2

F(n) = F(n-1) + F(n-2) (n=3)

這是遞歸寫法，但是會導致棧溢出。在計算機中，函數的調用是通過棧進行實現的，如果遞歸調用的次數過多，就會導致棧溢出。

針對這種情況就要使用方法二，改成非遞歸函數。

將遞歸進行改寫，實現循環(huán)就不會導致棧溢出

python求平均值的函數

首先我們先來了解一下計算平均數的IPO模式.

輸入：待輸入計算平均數的數。

處理：平均數算法

輸出：平均數

明白了程序的IPO模式之后，我們打開本地的python的IDE

工具，并新建一個python文件，命名為test6.py.

請點擊輸入圖片描述

請點擊輸入圖片描述

請點擊輸入圖片描述

打開test6.py,進行編碼，第一步，提示用戶輸入要計算多少個數的平均數。

請點擊輸入圖片描述

第二步，初始化sum總和的值。注意，這是編碼的好習慣，在定義一個變量的時候，給一個初始值。

請點擊輸入圖片描述

第三步，循環(huán)輸入要計算平均數的數，并計算總和sum的值。

請點擊輸入圖片描述

最后，計算出平均數，并輸出，利用“總和/數量”的公式計算出平均數。

請點擊輸入圖片描述

編碼完成后，記得保存，然后進行調試運行。按F5鍵或者點擊菜單欄中的“run”-》“run model”來運行程序。

請點擊輸入圖片描述

請點擊輸入圖片描述

python中有哪些簡單的算法？

首先謝謝邀請，

python中有的算法還是比較多的？

python之所以火是因為人工智能的發(fā)展，人工智能的發(fā)展離不開算法！

感覺有本書比較適合你,不過可惜的是這本書沒有電子版，只有紙質的。

這本書對于算法從基本的入門到實現，循序漸進的介紹，比如里面就涵蓋了數學建模的常用算法。

第 1章　從數學建模到人工智能

1.1　數學建模1.1.1　數學建模與人工智能1.1.2　數學建模中的常見問題1.2　人工智能下的數學1.2.1　統(tǒng)計量1.2.2　矩陣概念及運算1.2.3　概率論與數理統(tǒng)計1.2.4　高等數學——導數、微分、不定積分、定積分

第2章 Python快速入門

2.1　安裝Python2.1.1　Python安裝步驟2.1.2　IDE的選擇2.2　Python基本操作2.2.1　第 一個小程序2.2.2　注釋與格式化輸出2.2.3　列表、元組、字典2.2.4　條件語句與循環(huán)語句2.2.5　break、continue、pass2.3　Python高級操作2.3.1　lambda2.3.2　map2.3.3　filter

第3章　Python科學計算庫NumPy

3.1　NumPy簡介與安裝3.1.1　NumPy簡介3.1.2　NumPy安裝3.2　基本操作3.2.1　初識NumPy3.2.2　NumPy數組類型3.2.3　NumPy創(chuàng)建數組3.2.4　索引與切片3.2.5　矩陣合并與分割3.2.6　矩陣運算與線性代數3.2.7　NumPy的廣播機制3.2.8　NumPy統(tǒng)計函數3.2.9　NumPy排序、搜索3.2.10　NumPy數據的保存

第4章　常用科學計算模塊快速入門

4.1　Pandas科學計算庫4.1.1　初識Pandas4.1.2　Pandas基本操作4.2　Matplotlib可視化圖庫4.2.1　初識Matplotlib4.2.2　Matplotlib基本操作4.2.3　Matplotlib繪圖案例4.3　SciPy科學計算庫4.3.1　初識SciPy4.3.2　SciPy基本操作4.3.3　SciPy圖像處理案例第5章　Python網絡爬蟲5.1　爬蟲基礎5.1.1　初識爬蟲5.1.2　網絡爬蟲的算法5.2　爬蟲入門實戰(zhàn)5.2.1　調用API5.2.2　爬蟲實戰(zhàn)5.3　爬蟲進階—高效率爬蟲5.3.1　多進程5.3.2　多線程5.3.3　協程5.3.4　小結

第6章　Python數據存儲

6.1　關系型數據庫MySQL6.1.1　初識MySQL6.1.2　Python操作MySQL6.2　NoSQL之MongoDB6.2.1　初識NoSQL6.2.2　Python操作MongoDB6.3　本章小結6.3.1　數據庫基本理論6.3.2　數據庫結合6.3.3　結束語

第7章　Python數據分析

7.1　數據獲取7.1.1　從鍵盤獲取數據7.1.2　文件的讀取與寫入7.1.3　Pandas讀寫操作7.2　數據分析案例7.2.1　普查數據統(tǒng)計分析案例7.2.2　小結

第8章　自然語言處理

8.1　Jieba分詞基礎8.1.1　Jieba中文分詞8.1.2　Jieba分詞的3種模式8.1.3　標注詞性與添加定義詞8.2　關鍵詞提取8.2.1　TF-IDF關鍵詞提取8.2.2　TextRank關鍵詞提取8.3　word2vec介紹8.3.1　word2vec基礎原理簡介8.3.2　word2vec訓練模型8.3.3　基于gensim的word2vec實戰(zhàn)

第9章　從回歸分析到算法基礎

9.1　回歸分析簡介9.1.1　“回歸”一詞的來源9.1.2　回歸與相關9.1.3　回歸模型的劃分與應用9.2　線性回歸分析實戰(zhàn)9.2.1　線性回歸的建立與求解9.2.2　Python求解回歸模型案例9.2.3　檢驗、預測與控制

第10章 從K-Means聚類看算法調參

10.1　K-Means基本概述10.1.1　K-Means簡介10.1.2　目標函數10.1.3　算法流程10.1.4　算法優(yōu)缺點分析10.2　K-Means實戰(zhàn)

第11章 從決策樹看算法升級

11.1　決策樹基本簡介11.2　經典算法介紹11.2.1　信息熵11.2.2　信息增益11.2.3　信息增益率11.2.4　基尼系數11.2.5　小結11.3　決策樹實戰(zhàn)11.3.1　決策樹回歸11.3.2　決策樹的分類

第12章 從樸素貝葉斯看算法多變　193

12.1　樸素貝葉斯簡介12.1.1　認識樸素貝葉斯12.1.2　樸素貝葉斯分類的工作過程12.1.3　樸素貝葉斯算法的優(yōu)缺點12.2　3種樸素貝葉斯實戰(zhàn)

第13章 從推薦系統(tǒng)看算法場景

13.1　推薦系統(tǒng)簡介13.1.1　推薦系統(tǒng)的發(fā)展13.1.2　協同過濾13.2　基于文本的推薦13.2.1　標簽與知識圖譜推薦案例13.2.2　小結

第14章 從TensorFlow開啟深度學習之旅

14.1　初識TensorFlow14.1.1　什么是TensorFlow14.1.2　安裝TensorFlow14.1.3　TensorFlow基本概念與原理14.2　TensorFlow數據結構14.2.1　階14.2.2　形狀14.2.3　數據類型14.3　生成數據十二法14.3.1　生成Tensor14.3.2　生成序列14.3.3　生成隨機數14.4　TensorFlow實戰(zhàn)

希望對你有幫助！！！

貴在堅持，自己掌握一些，在工作中不斷打磨，高薪不是夢！！

python 二分查找算法函數bi_search(),該函數實現檢索任意一個整數在 prime() 函數生成的

def?prime(n):

if?n=2:

return?[]

result=[False,False]+[True]*(n-2)

for?i?in?range(len(result)):

if?result[i]==True:

for?j?in?range(2*i,len(result),i):

result[j]=False

return?[i?for?i?in?range(len(result))?if?result[i]==True]

def?bi_search(prime,primelist,start,end):

if?startend?:

return?-1

mid=(start+end)//2

if?primelist[mid]==prime:

return?mid

elif?primelist[mid]prime:????????????????

end=mid-1

else:

start=mid+1

return?bi_search(prime,primelist,start,end)

if?__name__=='__main__':

n=int(raw_input())

primelist=prime(n)

num=raw_input()

while?num:

num=int(num)

index=bi_search(num,primelist,0,len(primelist)-1)

print(index)

num=raw_input()

#Python干貨#python實現——最優(yōu)化算法

函數詳見rres，此代碼使該算法運行了兩次

收獲：

這是我第一個實現的代碼。學習完該算法以后，邏輯框架基本上就有了，剩下需要明確的就是對應的python的語言。于是我就開始了查找“如何定義函數”（詳見mofan的優(yōu)酷），“循環(huán)體”和“if條件語句”的格式（）“數學符號”（詳見mofan的優(yōu)酷），以及print的使用

1.def是python中指定義，一般用來定義函數，如果需要深度學習搭建網絡可用來定義網絡。值得注意的一點是

我不清楚為什么，但是如果沒有加的話，那個函數公式就是一個花瓶，就像一個結果輸不出去。

2.最坑的就是邏輯。一開始邏輯沒理清楚，或者說在代碼上有疏漏，導致我將left和right放在了循環(huán)體里，結果可想而知。不過也是因為這個錯誤，我知道pycharm中的debug怎么用，挺簡單的，百度一下就出來了。

3.不知道什么原因，看的莫煩視頻中的print多個變量一起輸出是沒有辦法在我的pycharm中使用的，出來的結果很奇怪。可能是因為我是win10不是ios吧。print如果多個變量一起輸出必須是print("名字：%s,名字2：%s"%(a,b))結果輸出就是名字：a ,名字2：b

關于python中數據變量。第一遍運行結果出現很明顯不對，于是我采用了debug。結果發(fā)現，mid1處一直為1而不是1.5，于是就開始了解數據變量。起初我猜測python默認所有變量為整型，但是根據二分法的結果我意識到此猜測不對，所以要改整個file的變量格式沒有必要。所以我就在mid1式子前面加了一個float，結果就顯示為1.5了。但是如果我將整個式子用（）括起來，前面加float，結果還是1。我不太理解為什么。不過我知道了python的數據格式是根據輸入量決定的，也就是說你的輸入量如果是整型，那么與其直接相關的計算輸出結果一定是整型，而且還是不采用進位的整型。在我沒有采用+float/+.0這兩種方法之前，mid1~3全部是整型。

或者不再mid1前面加float,直接將輸入量后面點個點就行

真的很想吐槽一下print,好麻煩啊啊啊啊每次都得弄個%s,而且有時候還不能放一起！！！！

不要問我掌握了什么，要問我現在寫完這個代碼后有多么的愛python的精度表示 :-)我決定以后只要再編寫數學公式的代碼都將輸入量的小數學點后面補很多0

fibonacci函數定義，每次debug后我的手都是抖的O( _ )O~

不知道自己什么時候有的強迫癥，只要是代碼下面有“~”我就必須要消掉。笑哭。這個很簡單，前四個除了費波納茨，都很簡單。

這個公式看起來很麻煩，便寫的時候更要謹慎。我上回把那個2擱在了分號下面，結果很大，所以還是換算成0.5更好（PS：勿忘那長河般的0）。

雖然代碼很長，但是主要是因為print太多。本打算在開頭print，最后結果會漏掉最后一部分。懶得想其他辦法了，直接就這樣吧

一開始while里面寫成了,導致run不出來。繼而，debug也沒法用。在網上一查才知道 “沒聯網”+“沒選斷點”。最后想嘗試將else里面的內容輸出來，結果發(fā)現run以后被刷屏了。于是改成i7以后還是不行，于是想著加一個break跳出循環(huán)，結果成效了。

然后剛剛由debug了一下，才知道原來是i+1在if里面，因為沒有辦法+1，所以i=6一直存在，就不斷循環(huán)。因為加break也好，i+1也好，都可以。

這是我第一組自己實現的python代碼，就是數學公式用python語言組裝起來。剛開始的時候知道大概需要在語言中體現什么，但不太清楚。于是我就在網上找了幾個二分法的，他們都各有不同，但框架都差不多，不過如果要用到我們的那個公式里還需要改變很多。然后我就開始分析我們的題，我發(fā)現大體需要兩部分，一部分函數定義，一部分循環(huán)體。但我不知道如何定義函數，如何寫數學公式，如何弄變量，也就是說一些小點不太會，所以我選擇直接百度。因為我知道自己閱讀的能力不錯，相比于從視頻中提取要素，我更擅長通過閱讀獲得要點。有目的性地找知識點，掌握地更牢固。

于是我就開始了第一個——二分法的編寫。我發(fā)現，自己出現了很多錯誤而且有很多地方都很基礎。但我依然沒選擇視頻，而是將這些問題直接在百度上找，因為視頻講完或許你也沒找到點。當然，這是一步一步走的，不是直接就將程序擺上去，一點一點改。

隨著前兩個的成功，我發(fā)現自己對于這些代碼有了自信，似乎看透了他們的偽裝，抓住了本質。除此之外，我還意識到自己自從8月份以后，學習能力似乎提高了不少，而且有了更為有效的學習方法。各方面都有了一定的覺醒。除了第一個找了幾個牛頭不對馬嘴的代碼，其他都是根據自己的邏輯寫，邏輯通下來以后，對應語言中某一部分不知道如何翻譯就去百度，其實這幾個套路都一樣或者說數學公式轉化的套路都一樣。

我還意識到，匯編其實是最難的語言，目前為止所學到的，因為很多都需要自己去定義，去死摳，需要記住大量的指令且不能靈活變通。但是其他的卻只需要將一些對應的記下來就好。python真的挺簡單的。而且，我發(fā)現自己今天似乎打開了新世界的大門，我愛上了這種充滿了靈性的東西，充滿了嚴謹的美麗，還有那未知的變化，我發(fā)現我似乎愛上了代碼。可能不僅僅局限于python，這些語言都充滿了挑戰(zhàn)性。我覺得當你疑惑的時候，就需要相信直覺，至少我發(fā)現它很準

python遺傳算法目標函數怎么編

一、遺傳算法介紹

遺傳算法是通過模擬大自然中生物進化的歷程，來解決問題的。大自然中一個種群經歷過若干代的自然選擇后，剩下的種群必定是適應環(huán)境的。把一個問題所有的解看做一個種群，經歷過若干次的自然選擇以后，剩下的解中是有問題的最優(yōu)解的。當然，只能說有最優(yōu)解的概率很大。這里，我們用遺傳算法求一個函數的最大值。

f(x) = 10 * sin( 5x ) + 7 * cos( 4x ), 0 = x = 10

1、將自變量x進行編碼

取基因片段的長度為10, 則10位二進制位可以表示的范圍是0到1023。基因與自變量轉變的公式是x = b2d(individual) * 10 / 1023。構造初始的種群pop。每個個體的基因初始值是[0, 1, 0, 1, 0, 1, 0, 1, 0, 1]

2、計算目標函數值

根據自變量與基因的轉化關系式，求出每個個體的基因對應的自變量，然后將自變量代入函數f（x），求出每個個體的目標函數值。

3、適應度函數

適應度函數是用來評估個體適應環(huán)境的能力，是進行自然選擇的依據。本題的適應度函數直接將目標函數值中的負值變成0. 因為我們求的是最大值，所以要使目標函數值是負數的個體不適應環(huán)境，使其繁殖后代的能力為0.適應度函數的作用將在自然選擇中體現。

4、自然選擇

自然選擇的思想不再贅述，操作使用輪盤賭算法。其具體步驟：

假設種群中共5個個體，適應度函數計算出來的個體適應性列表是fitvalue = [1 ,3, 0, 2, 4] ，totalvalue = 10 ， 如果將fitvalue畫到圓盤上，值的大小表示在圓盤上的面積。在轉動輪盤的過程中，單個模塊的面積越大則被選中的概率越大。選擇的方法是將fitvalue轉化為[1 ， 4 ，4 , 6 ，10], fitvalue / totalvalue = [0.1 , 0.4 , 0.4 , 0.6 , 1.0] . 然后產生5個0-1之間的隨機數，將隨機數從小到大排序，假如是[0.05 , 0.2 , 0.7 , 0.8 ,0.9]，則將0號個體、1號個體、4號個體、4號個體、4號個體拷貝到新種群中。自然選擇的結果使種群更符合條件了。

5、繁殖

假設個體a、b的基因是

a = [1, 0, 0, 0, 0, 1, 1, 1, 0, 0]

b = [0, 0, 0, 1, 1, 0, 1, 1, 1, 1]

這兩個個體發(fā)生基因交換的概率pc = 0.6.如果要發(fā)生基因交換，則產生一個隨機數point表示基因交換的位置，假設point = 4,則：

a = [1, 0, 0, 0, 0, 1, 1, 1, 0, 0]

b = [0, 0, 0, 1, 1, 0, 1, 1, 1, 1]

交換后為：

a = [1, 0, 0, 0, 1, 0, 1, 1, 1, 1]

b = [0, 0, 0, 1, 0, 1, 1, 1, 0, 0]

6、突變

遍歷每一個個體，基因的每一位發(fā)生突變（0變?yōu)?,1變?yōu)?）的概率為0.001.突變可以增加解空間

二、代碼

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

def b2d(b): #將二進制轉化為十進制 x∈[0,10] t = 0 for j in range(len(b)): t += b[j] * (math.pow(2, j)) t = t * 10 / 1023 return tpopsize = 50 #種群的大小#用遺傳算法求函數最大值：#f(x)=10*sin(5x)+7*cos(4x) x∈[0,10]chromlength = 10 #基因片段的長度pc = 0.6 #兩個個體交叉的概率pm = 0.001; #基因突變的概率results = [[]]bestindividual = []bestfit = 0fitvalue = []tempop = [[]]pop = [[0, 1, 0, 1, 0, 1, 0, 1, 0, 1] for i in range(popsize)]for i in range(100): #繁殖100代 objvalue = calobjvalue(pop) #計算目標函數值 fitvalue = calfitvalue(objvalue); #計算個體的適應值 [bestindividual, bestfit] = best(pop, fitvalue) #選出最好的個體和最好的函數值 results.append([bestfit,b2d(bestindividual)]) #每次繁殖，將最好的結果記錄下來 selection(pop, fitvalue) #自然選擇，淘汰掉一部分適應性低的個體 crossover(pop, pc) #交叉繁殖 mutation(pop, pc) #基因突變 results.sort() print(results[-1]) #打印函數最大值和對應的

來自CODE的代碼片

GA.py

1

2

3

4

5

6

7

8

9

def best(pop, fitvalue): #找出適應函數值中最大值，和對應的個體 px = len(pop) bestindividual = [] bestfit = fitvalue[0] for i in range(1,px): if(fitvalue[i] bestfit): bestfit = fitvalue[i] bestindividual = pop[i] return [bestindividual, bestfit]

來自CODE的代碼片

best.py

1

2

3

4

5

6

7

8

9

10

11

def calfitvalue(objvalue):#轉化為適應值，目標函數值越大越好，負值淘汰。 fitvalue = [] temp = 0.0 Cmin = 0; for i in range(len(objvalue)): if(objvalue[i] + Cmin 0): temp = Cmin + objvalue[i] else: temp = 0.0 fitvalue.append(temp) return fitvalue

來自CODE的代碼片

calfitvalue.py

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

import mathdef decodechrom(pop): #將種群的二進制基因轉化為十進制（0,1023） temp = []; for i in range(len(pop)): t = 0; for j in range(10): t += pop[i][j] * (math.pow(2, j)) temp.append(t) return tempdef calobjvalue(pop): #計算目標函數值 temp1 = []; objvalue = []; temp1 = decodechrom(pop) for i in range(len(temp1)): x = temp1[i] * 10 / 1023 #（0,1023）轉化為 （0,10） objvalue.append(10 * math.sin(5 * x) + 7 * math.cos(4 * x)) return objvalue #目標函數值objvalue[m] 與個體基因 pop[m] 對應

來自CODE的代碼片

calobjvalue.py

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

import randomdef crossover(pop, pc): #個體間交叉，實現基因交換 poplen = len(pop) for i in range(poplen - 1): if(random.random() pc): cpoint = random.randint(0,len(pop[0])) temp1 = [] temp2 = [] temp1.extend(pop[i][0 : cpoint]) temp1.extend(pop[i+1][cpoint : len(pop[i])]) temp2.extend(pop[i+1][0 : cpoint]) temp2.extend(pop[i][cpoint : len(pop[i])]) pop[i] = temp1 pop[i+1] = temp2

來自CODE的代碼片

crossover.py

1

2

3

4

5

6

7

8

9

10

11

12

13

import randomdef mutation(pop, pm): #基因突變 px = len(pop) py = len(pop[0]) for i in range(px): if(random.random() pm): mpoint = random.randint(0,py-1) if(pop[i][mpoint] == 1): pop[i][mpoint] = 0 else: pop[i][mpoint] = 1

來自CODE的代碼片

mutation.py

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

import randomdef sum(fitvalue): total = 0 for i in range(len(fitvalue)): total += fitvalue[i] return totaldef cumsum(fitvalue): for i in range(len(fitvalue)): t = 0; j = 0; while(j = i): t += fitvalue[j] j = j + 1 fitvalue[i] = t;def selection(pop, fitvalue): #自然選擇（輪盤賭算法） newfitvalue = [] totalfit = sum(fitvalue) for i in range(len(fitvalue)): newfitvalue.append(fitvalue[i] / totalfit) cumsum(newfitvalue) ms = []; poplen = len(pop) for i in range(poplen): ms.append(random.random()) #random float list ms ms.sort() fitin = 0 newin = 0 newpop = pop while newin poplen: if(ms[newin] newfitvalue[fitin]): newpop[newin] = pop[fitin] newin = newin + 1 else: fitin = fitin + 1 pop = newpop

本文標題：python算法函數 python算法基礎
轉載注明：http://chinadenli.net/article26/hgdojg.html

成都網站建設公司_創(chuàng)新互聯，為您提供搜索引擎優(yōu)化、企業(yè)網站制作、營銷型網站建設、靜態(tài)網站、定制開發(fā)、域名注冊

廣告

聲明：本網站發(fā)布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創(chuàng)新互聯