原创代码,引用注明出处:https://www.cnblogs.com/guangxiang/p/12218714.html @Servicepublic class SplitRedPacketsServiceImpl implements SplitRedPacketsService { //红包最大金额 private static final BigDecimal MAXMONEY = new BigDecimal("200"); /** * 红包拆分生成list集合 * 1.

Java 浮点数精度丢失 问题引入 昨天帮室友写一个模拟发红包抢红包的程序时,对金额统一使用的 double 来建模,结果发现在实际运行时程序的结果在数值上总是有细微的误差,程序运行的截图: 输入依次为:红包个数,抢红包的人数,选择固定金额红包还是随机金额红包,每个红包的金额(此例只有一个红包). 注意到程序最后的结果是有问题的,我们只有一个金额为 10 的红包,一个人去抢,所以正确结果应该为这个人抢到了 10 RMB. 为了使问题更加明显,我们测试一个更加简单的例子: public class

如图所示的效果,小球相互碰撞会相互弹开,这时要干的事就只有两件事了,一:用二次循环遍历小球是否互相碰撞,二:碰撞之后会弹向什么地方和弹出多少距离,第一件事我想学过二维数组循环的都没问题,第二件事也只是用上期次弹动讲到的三角函数来判断角度,因为是力是相互的,所以反弹的一方应该是负值,而且因为撞击力会抵消,所以应该在乘以系数之后再乘以0.5这样就是相互弹撞,为了让效果明显,可以让反弹系数变成0.5,这样在弹在墙上就会变缓慢,效果就会变得更好 讲了这么多还是老规矩,代码贴上 var canvas =

引言 在App日益追求体验的时代,优秀的用户体验往往会使产品脱颖而出.今天我们就来介绍一种简单的滑动ListView来显示或者隐藏ToolBar的功能. 布局文件 下面我们来看一下这个主界面的布局文件.在这个布局文件中,主要是一个ListView控件和一个ToolBar控件.布局如下: <?xml version="1.0" encoding="utf-8"?> <RelativeLayout xmlns:android="http://

弹动,和缓动类似,不过是在终点前反复运动几次达到反弹的效果,具体的算法就是用目标点(target)和物体(mouse)的距离乘以系数累加至坐标上,这样就会有简单的弹动效果,但是一般的弹动效果都是慢慢变弱直至没有,所以我们的弹动需要乘以摩擦力(friction)来达到效果,此处举一例 如图所示的图形便是一个可以拉的弹簧球效果,但是因为弹簧本身是有体积的,所以在程序中我们需要算出它的身躯是往哪个方向的,也就是角度(angle),之后算出我们拉长了它多少,然后弹性的返回到它身躯的地方(target).

题意:有n(n<=50)个圆,给出每个圆的圆心坐标和半径r(r>=2). 求两个函数f(t),g(t),t的取值为0到50的整数,每次令x=f(t),y=g(t),产生一个51个点的集合.要求这个点集对于每个圆至少有一个点落在圆内或圆周上. g和f中只能使用常数,加法,乘法,减法,绝对值运算. 输出f和g. 分析:我们设计这样一个多项式,包含n项,当t取值为i的时候,只有第i项的值不为0.其余项均为0. 设计方案是每项都乘以这样一个系数,第i项需要乘以系数1/2×( 1-abs(t-i) +

在3.2节我们学习了关于(3.8)定义的Vj的性质.特别的,我们可以乘以系数从一个Vj空间变换到另一个.我们这节学习V0和V1的关系. 将f1(t)∈V1投影至V0 我们考虑一个属于V1的函数f1(t),有 这个函数在图3.12中画出 图3.12 函数f1(t) 从性质2.8我们知道f1(t)属于Vj,只要j≥1.然而这个函数不属于V0,因为他的间断点在.如果我们现在想找一个在V0里面的函数f0(t)来逼近f1(t),那我们可以采用在3.2小结中学习的公式来做,我们有 因为,这个函数的支撑集为,

例3.2给予我们继续往下面做的动力.很明显的我们对于g(t)的逼近还是太粗糙了.很自然的,我们会想到,如果继续细分我们的短点,比如每1/2取一个值,甚至每1/4取一个值,那么就会有更好的逼近效果. 不同分辨率的分段常函数 有没有一种能在“半整数”点和整数点间断的常整数分段函数?我们可以采用与这个类似的处于V0空间里的函数进行描述.对从门函数引出的Φ(t)进行缩放便可以达到我们的目的 可以看出,这个函数的支撑集是[0,1/2),那么对它进行尺度变换之后的函数是什么样子呢?由于.从高中的平移知识不难

数论题. 操作一:直接快速幂就好了. 操作二:我用了exgcd,shy和lyz都喜欢欧拉函数...QAQ最后这块还写错了. 对于ax+by=gcd(a,b)的形式,我们可以把他们变成y'x+p'y=1,当方程同乘以gcd(y,p),解不变. 最后只要将解乘以倍数即可. 操作三:baby step giant step,意为先小步后大步.由费马小定理可得答案不会超过p,我们可以把答案X看作k*m+i的形式,显然当m=sqrt(p)时复杂度最优.预处理m以内的hash值存入map(今天发现map真是

题意:给定$x, n$满足$1 \leq x, n \leq 1000000$,求$\sum{(x^a-1,x^b-1)}$对$1e9+7$取模后的值,其中$1 \leq a, b \leq n$. 分析:首先不难有$(x^a - 1, x ^ b - 1) = x^{(a,b)}-1$(证明方法可沿欧几里得定理思路),那么我们只需要考虑$(a,b) = d$即可,设$f(d)$为使得$(a, b) = d$的对数,那么不难有$ans = \sum_{d = 1}^{n}{f(d)(x^d-1)

题目来源:https://uva.onlinejudge.org/index.php?option=com_onlinejudge&Itemid=8&category=3&page=show_problem&problem=42  Fermat vs. Pythagoras  Background Computer generated and assisted proofs and verification occupy a small niche in the realm

ADC的主要趋势之一是分辨率越来越高.这一趋势影响各种应用,包括工厂自动化.温度检测和数据采集.对更高分辨率的需求正促使设计者从传统的12位逐次逼近寄存器(SAR)ADC转至分辨率高达24位的Δ-ΣADC. 所有的ADC都会具有一定的噪声,这包括输入参考噪声(ADC固有噪声)和量化噪声(ADC转换时产生的噪声).诸如噪声.ENOB(有效位数).有效分辨率和无噪声分辨率等指标在很大程度上定义了ADC的实际精度.所以,理解与噪声相关的性能指标是从SAR过渡至Δ-ΣADC最困难的方面之一.由于当前对更

以前在论坛.微博经常看到一张脸,五官长得像A,脸型似乎又是B,觉得很有意思. 比如像这张图片.这张图片应该是网友用Photoshop完成的,他们取了郭大爷的五官,放在金元帅的脸上,在把边缘处理平滑. 而上面这张图片是另外一种效果,它不仅改变了五官,连脸型轮廓也一起改变了.这种技术称为face morphing,这篇随笔就聊一聊它吧. Morphing是指把一张照片变换成另一张照片,中间的变换过程如行云流水一般自然. Cross-Disolve 最方便的方法是像素值叠加,第一幅照片的像素值乘以系数

转: http://www.cnblogs.com/qinjunni/archive/2012/02/23/2364446.html YUV RGB 常见视频格式解析 I420是YUV格式的一种,而YUV有packed format和planar format两种,而I420属于planar format的一种. 同时I420表示了YUV的采样比例4:2:0.4:2:0的YUV并不是说没有V分量,而是指对于每一个行,只有一个U或者V分量.比如第一行里,是YUYYUY,到了第二行是YVYYVY,那

之前在Android 4.4 音量调节流程分析(一)里已经有简单的分析音量控制的流程,今天想接着继续分析下音量大小计算的方法.对于任一播放文件而言其本身都有着固定大小的音量Volume_Max,而在AudioPolicyManagerBase.cpp文件中音量调节可以理解为在Volume_Max的基础上乘以系数κ(0≤κ≤1). 现在对AudioPolicyManagerBase.cpp中volIndexToAmpl函数做具体分析,volIndexToAmpl的函数定义如下: float Aud

概要: 与RGB编码方法类似,YUV也是一种颜色编码方法,主要用于电视系统以及模拟视频领域,它是指将亮度参量(Y:Luminance或Luma)和色度参量(UV:Chrominance或Chroma)分开进行表示的像素编码格式.而这样分开的好处就是不但可以避免相互干扰--没有UV信息一样可以显示完整的图像,因而解决了彩色电视与黑白电视的兼容问题:还可以降低色度的采样率而不会对图像质量影响太大,降低了视屏信号传输时对频宽(带宽)的要求.YUV是一个比较笼统地说法,针对它的具体排列方式,可以分为很多

前段时间在做三维測量方面的研究.须要得到物体表面三维数据.sift算法是立体匹配中的经典算法.以下是对RobHess的SIFT源码的凝视.部分内容參考网上,在这里向各位大神表示感谢. http://blog.csdn.net/lsh_2013/article/details/46826141 头文件及函数声明 #include "sift.h" #include "imgfeatures.h" #include "utils.h" #includ

YUV是指亮度參量和色度參量分开表示的像素格式,而这样分开的优点就是不但能够避免相互干扰,还能够减少色度的採样率而不会对图像质量影响太大.YUV是一个比較笼统地说法,针对它的详细排列方式,能够分为非常多种详细的格式.转载一篇对yuv格式解释的比較清楚地文章,也能够直接參考微软的那篇文章. 对于YUV格式,比較原始的解说是MPEG-2 VIDEO部分的解释,当然后来微软有一个比較经典的解释,中文的大多是翻译这篇文章的.文章来源:http://msdn.microsoft.com/en-us/lib

用Canvas制作能够依据手势摆动的树 依据工作的须要.制作一个摆动的树做为页面的背景.为了添加页面的交互性,我又为背景中的树添加了鼠标(触控)事件,使他可以依据鼠标(触控)做出对应的动作,当手指做上下或者左右滑动的时候树会跟着摆动.先看看终于效果. Step1.完毕HTML页面.新建一个Tree类 完毕HTML页面后新建一个Tree类用来记录树的各个属性.当中x,y为树根部的坐标值.branchLen,branchWidth各自是树枝的长度与宽度,depth为树枝的层数.canvas用来接页面

假设x为奇数,y为偶数,则z为奇数,2z与2x的最大公因数为2,2z和2x可分别写作 2z = (z + x) + (z - x) 2x = (z + x) - (z - x) 那么跟据最大公因数性质,z + x和z - x的最大公因数也为2,又因为: (z + x)(z - x) = y2,两边同除以4得:((z + x) / 2)((z - x) / 2) = (y / 2)2 故可令: z + x = 2m2, z - x = 2n2其中z = m + n, x = m - n(m与n互质

在前面我们讲到了DNN,以及DNN的特例CNN的模型和前向反向传播算法,这些算法都是前向反馈的,模型的输出和模型本身没有关联关系.今天我们就讨论另一类输出和模型间有反馈的神经网络:循环神经网络(Recurrent Neural Networks ,以下简称RNN),它广泛的用于自然语言处理中的语音识别,手写书别以及机器翻译等领域. 1. RNN概述 在前面讲到的DNN和CNN中,训练样本的输入和输出是比较的确定的.但是有一类问题DNN和CNN不好解决,就是训练样本输入是连续的序列,且序列的长短不