Python算法-爬楼梯与递归函数

可以看出来的是，该题可以用斐波那契数列解决。

创新互联建站是一家集网站建设,山南企业网站建设,山南品牌网站建设,网站定制,山南网站建设报价,网络营销,网络优化,山南网站推广为一体的创新建站企业，帮助传统企业提升企业形象加强企业竞争力。可充分满足这一群体相比中小企业更为丰富、高端、多元的互联网需求。同时我们时刻保持专业、时尚、前沿，时刻以成就客户成长自我，坚持不断学习、思考、沉淀、净化自己，让我们为更多的企业打造出实用型网站。

楼梯一共有n层，每次只能走1层或者2层，而要走到最终的n层。不是从n-1或者就是n-2来的。

F(1) = 1

F(2) = 2

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

这是递归写法，但是会导致栈溢出。在计算机中，函数的调用是通过栈进行实现的，如果递归调用的次数过多，就会导致栈溢出。

针对这种情况就要使用方法二，改成非递归函数。

将递归进行改写，实现循环就不会导致栈溢出

python求平均值的函数

首先我们先来了解一下计算平均数的IPO模式.

输入：待输入计算平均数的数。

处理：平均数算法

输出：平均数

明白了程序的IPO模式之后，我们打开本地的python的IDE

工具，并新建一个python文件，命名为test6.py.

请点击输入图片描述

请点击输入图片描述

请点击输入图片描述

打开test6.py,进行编码，第一步，提示用户输入要计算多少个数的平均数。

请点击输入图片描述

第二步，初始化sum总和的值。注意，这是编码的好习惯，在定义一个变量的时候，给一个初始值。

请点击输入图片描述

第三步，循环输入要计算平均数的数，并计算总和sum的值。

请点击输入图片描述

最后，计算出平均数，并输出，利用“总和/数量”的公式计算出平均数。

请点击输入图片描述

编码完成后，记得保存，然后进行调试运行。按F5键或者点击菜单栏中的“run”-》“run model”来运行程序。

请点击输入图片描述

请点击输入图片描述

python中有哪些简单的算法？

首先谢谢邀请，

python中有的算法还是比较多的？

python之所以火是因为人工智能的发展，人工智能的发展离不开算法！

感觉有本书比较适合你,不过可惜的是这本书没有电子版，只有纸质的。

这本书对于算法从基本的入门到实现，循序渐进的介绍，比如里面就涵盖了数学建模的常用算法。

第 1章　从数学建模到人工智能

1.1　数学建模1.1.1　数学建模与人工智能1.1.2　数学建模中的常见问题1.2　人工智能下的数学1.2.1　统计量1.2.2　矩阵概念及运算1.2.3　概率论与数理统计1.2.4　高等数学——导数、微分、不定积分、定积分

第2章 Python快速入门

2.1　安装Python2.1.1　Python安装步骤2.1.2　IDE的选择2.2　Python基本操作2.2.1　第 一个小程序2.2.2　注释与格式化输出2.2.3　列表、元组、字典2.2.4　条件语句与循环语句2.2.5　break、continue、pass2.3　Python高级操作2.3.1　lambda2.3.2　map2.3.3　filter

第3章　Python科学计算库NumPy

3.1　NumPy简介与安装3.1.1　NumPy简介3.1.2　NumPy安装3.2　基本操作3.2.1　初识NumPy3.2.2　NumPy数组类型3.2.3　NumPy创建数组3.2.4　索引与切片3.2.5　矩阵合并与分割3.2.6　矩阵运算与线性代数3.2.7　NumPy的广播机制3.2.8　NumPy统计函数3.2.9　NumPy排序、搜索3.2.10　NumPy数据的保存

第4章　常用科学计算模块快速入门

4.1　Pandas科学计算库4.1.1　初识Pandas4.1.2　Pandas基本操作4.2　Matplotlib可视化图库4.2.1　初识Matplotlib4.2.2　Matplotlib基本操作4.2.3　Matplotlib绘图案例4.3　SciPy科学计算库4.3.1　初识SciPy4.3.2　SciPy基本操作4.3.3　SciPy图像处理案例第5章　Python网络爬虫5.1　爬虫基础5.1.1　初识爬虫5.1.2　网络爬虫的算法5.2　爬虫入门实战5.2.1　调用API5.2.2　爬虫实战5.3　爬虫进阶—高效率爬虫5.3.1　多进程5.3.2　多线程5.3.3　协程5.3.4　小结

第6章　Python数据存储

6.1　关系型数据库MySQL6.1.1　初识MySQL6.1.2　Python操作MySQL6.2　NoSQL之MongoDB6.2.1　初识NoSQL6.2.2　Python操作MongoDB6.3　本章小结6.3.1　数据库基本理论6.3.2　数据库结合6.3.3　结束语

第7章　Python数据分析

7.1　数据获取7.1.1　从键盘获取数据7.1.2　文件的读取与写入7.1.3　Pandas读写操作7.2　数据分析案例7.2.1　普查数据统计分析案例7.2.2　小结

第8章　自然语言处理

8.1　Jieba分词基础8.1.1　Jieba中文分词8.1.2　Jieba分词的3种模式8.1.3　标注词性与添加定义词8.2　关键词提取8.2.1　TF-IDF关键词提取8.2.2　TextRank关键词提取8.3　word2vec介绍8.3.1　word2vec基础原理简介8.3.2　word2vec训练模型8.3.3　基于gensim的word2vec实战

第9章　从回归分析到算法基础

9.1　回归分析简介9.1.1　“回归”一词的来源9.1.2　回归与相关9.1.3　回归模型的划分与应用9.2　线性回归分析实战9.2.1　线性回归的建立与求解9.2.2　Python求解回归模型案例9.2.3　检验、预测与控制

第10章 从K-Means聚类看算法调参

10.1　K-Means基本概述10.1.1　K-Means简介10.1.2　目标函数10.1.3　算法流程10.1.4　算法优缺点分析10.2　K-Means实战

第11章 从决策树看算法升级

11.1　决策树基本简介11.2　经典算法介绍11.2.1　信息熵11.2.2　信息增益11.2.3　信息增益率11.2.4　基尼系数11.2.5　小结11.3　决策树实战11.3.1　决策树回归11.3.2　决策树的分类

第12章 从朴素贝叶斯看算法多变　193

12.1　朴素贝叶斯简介12.1.1　认识朴素贝叶斯12.1.2　朴素贝叶斯分类的工作过程12.1.3　朴素贝叶斯算法的优缺点12.2　3种朴素贝叶斯实战

第13章 从推荐系统看算法场景

13.1　推荐系统简介13.1.1　推荐系统的发展13.1.2　协同过滤13.2　基于文本的推荐13.2.1　标签与知识图谱推荐案例13.2.2　小结

第14章 从TensorFlow开启深度学习之旅

14.1　初识TensorFlow14.1.1　什么是TensorFlow14.1.2　安装TensorFlow14.1.3　TensorFlow基本概念与原理14.2　TensorFlow数据结构14.2.1　阶14.2.2　形状14.2.3　数据类型14.3　生成数据十二法14.3.1　生成Tensor14.3.2　生成序列14.3.3　生成随机数14.4　TensorFlow实战

希望对你有帮助！！！

贵在坚持，自己掌握一些，在工作中不断打磨，高薪不是梦！！

python 二分查找算法函数bi_search(),该函数实现检索任意一个整数在 prime() 函数生成的

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干货#python实现——最优化算法

函数详见rres，此代码使该算法运行了两次

收获：

这是我第一个实现的代码。学习完该算法以后，逻辑框架基本上就有了，剩下需要明确的就是对应的python的语言。于是我就开始了查找“如何定义函数”（详见mofan的优酷），“循环体”和“if条件语句”的格式（）“数学符号”（详见mofan的优酷），以及print的使用

1.def是python中指定义，一般用来定义函数，如果需要深度学习搭建网络可用来定义网络。值得注意的一点是

我不清楚为什么，但是如果没有加的话，那个函数公式就是一个花瓶，就像一个结果输不出去。

2.最坑的就是逻辑。一开始逻辑没理清楚，或者说在代码上有疏漏，导致我将left和right放在了循环体里，结果可想而知。不过也是因为这个错误，我知道pycharm中的debug怎么用，挺简单的，百度一下就出来了。

3.不知道什么原因，看的莫烦视频中的print多个变量一起输出是没有办法在我的pycharm中使用的，出来的结果很奇怪。可能是因为我是win10不是ios吧。print如果多个变量一起输出必须是print("名字：%s,名字2：%s"%(a,b))结果输出就是名字：a ,名字2：b

关于python中数据变量。第一遍运行结果出现很明显不对，于是我采用了debug。结果发现，mid1处一直为1而不是1.5，于是就开始了解数据变量。起初我猜测python默认所有变量为整型，但是根据二分法的结果我意识到此猜测不对，所以要改整个file的变量格式没有必要。所以我就在mid1式子前面加了一个float，结果就显示为1.5了。但是如果我将整个式子用（）括起来，前面加float，结果还是1。我不太理解为什么。不过我知道了python的数据格式是根据输入量决定的，也就是说你的输入量如果是整型，那么与其直接相关的计算输出结果一定是整型，而且还是不采用进位的整型。在我没有采用+float/+.0这两种方法之前，mid1~3全部是整型。

或者不再mid1前面加float,直接将输入量后面点个点就行

真的很想吐槽一下print,好麻烦啊啊啊啊每次都得弄个%s,而且有时候还不能放一起！！！！

不要问我掌握了什么，要问我现在写完这个代码后有多么的爱python的精度表示 :-)我决定以后只要再编写数学公式的代码都将输入量的小数学点后面补很多0

fibonacci函数定义，每次debug后我的手都是抖的O( _ )O~

不知道自己什么时候有的强迫症，只要是代码下面有“~”我就必须要消掉。笑哭。这个很简单，前四个除了费波纳茨，都很简单。

这个公式看起来很麻烦，便写的时候更要谨慎。我上回把那个2搁在了分号下面，结果很大，所以还是换算成0.5更好（PS：勿忘那长河般的0）。

虽然代码很长，但是主要是因为print太多。本打算在开头print，最后结果会漏掉最后一部分。懒得想其他办法了，直接就这样吧

一开始while里面写成了,导致run不出来。继而，debug也没法用。在网上一查才知道 “没联网”+“没选断点”。最后想尝试将else里面的内容输出来，结果发现run以后被刷屏了。于是改成i7以后还是不行，于是想着加一个break跳出循环，结果成效了。

然后刚刚由debug了一下，才知道原来是i+1在if里面，因为没有办法+1，所以i=6一直存在，就不断循环。因为加break也好，i+1也好，都可以。

这是我第一组自己实现的python代码，就是数学公式用python语言组装起来。刚开始的时候知道大概需要在语言中体现什么，但不太清楚。于是我就在网上找了几个二分法的，他们都各有不同，但框架都差不多，不过如果要用到我们的那个公式里还需要改变很多。然后我就开始分析我们的题，我发现大体需要两部分，一部分函数定义，一部分循环体。但我不知道如何定义函数，如何写数学公式，如何弄变量，也就是说一些小点不太会，所以我选择直接百度。因为我知道自己阅读的能力不错，相比于从视频中提取要素，我更擅长通过阅读获得要点。有目的性地找知识点，掌握地更牢固。

于是我就开始了第一个——二分法的编写。我发现，自己出现了很多错误而且有很多地方都很基础。但我依然没选择视频，而是将这些问题直接在百度上找，因为视频讲完或许你也没找到点。当然，这是一步一步走的，不是直接就将程序摆上去，一点一点改。

随着前两个的成功，我发现自己对于这些代码有了自信，似乎看透了他们的伪装，抓住了本质。除此之外，我还意识到自己自从8月份以后，学习能力似乎提高了不少，而且有了更为有效的学习方法。各方面都有了一定的觉醒。除了第一个找了几个牛头不对马嘴的代码，其他都是根据自己的逻辑写，逻辑通下来以后，对应语言中某一部分不知道如何翻译就去百度，其实这几个套路都一样或者说数学公式转化的套路都一样。

我还意识到，汇编其实是最难的语言，目前为止所学到的，因为很多都需要自己去定义，去死抠，需要记住大量的指令且不能灵活变通。但是其他的却只需要将一些对应的记下来就好。python真的挺简单的。而且，我发现自己今天似乎打开了新世界的大门，我爱上了这种充满了灵性的东西，充满了严谨的美丽，还有那未知的变化，我发现我似乎爱上了代码。可能不仅仅局限于python，这些语言都充满了挑战性。我觉得当你疑惑的时候，就需要相信直觉，至少我发现它很准

python遗传算法目标函数怎么编

一、遗传算法介绍

遗传算法是通过模拟大自然中生物进化的历程，来解决问题的。大自然中一个种群经历过若干代的自然选择后，剩下的种群必定是适应环境的。把一个问题所有的解看做一个种群，经历过若干次的自然选择以后，剩下的解中是有问题的最优解的。当然，只能说有最优解的概率很大。这里，我们用遗传算法求一个函数的最大值。

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

1、将自变量x进行编码

取基因片段的长度为10, 则10位二进制位可以表示的范围是0到1023。基因与自变量转变的公式是x = b2d(individual) * 10 / 1023。构造初始的种群pop。每个个体的基因初始值是[0, 1, 0, 1, 0, 1, 0, 1, 0, 1]

2、计算目标函数值

根据自变量与基因的转化关系式，求出每个个体的基因对应的自变量，然后将自变量代入函数f（x），求出每个个体的目标函数值。

3、适应度函数

适应度函数是用来评估个体适应环境的能力，是进行自然选择的依据。本题的适应度函数直接将目标函数值中的负值变成0. 因为我们求的是最大值，所以要使目标函数值是负数的个体不适应环境，使其繁殖后代的能力为0.适应度函数的作用将在自然选择中体现。

4、自然选择

自然选择的思想不再赘述，操作使用轮盘赌算法。其具体步骤：

假设种群中共5个个体，适应度函数计算出来的个体适应性列表是fitvalue = [1 ,3, 0, 2, 4] ，totalvalue = 10 ， 如果将fitvalue画到圆盘上，值的大小表示在圆盘上的面积。在转动轮盘的过程中，单个模块的面积越大则被选中的概率越大。选择的方法是将fitvalue转化为[1 ， 4 ，4 , 6 ，10], fitvalue / totalvalue = [0.1 , 0.4 , 0.4 , 0.6 , 1.0] . 然后产生5个0-1之间的随机数，将随机数从小到大排序，假如是[0.05 , 0.2 , 0.7 , 0.8 ,0.9]，则将0号个体、1号个体、4号个体、4号个体、4号个体拷贝到新种群中。自然选择的结果使种群更符合条件了。

5、繁殖

假设个体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]

这两个个体发生基因交换的概率pc = 0.6.如果要发生基因交换，则产生一个随机数point表示基因交换的位置，假设point = 4,则：

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

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

交换后为：

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

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

6、突变

遍历每一个个体，基因的每一位发生突变（0变为1,1变为0）的概率为0.001.突变可以增加解空间

二、代码

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): #将二进制转化为十进制 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 #种群的大小#用遗传算法求函数最大值：#f(x)=10*sin(5x)+7*cos(4x) x∈[0,10]chromlength = 10 #基因片段的长度pc = 0.6 #两个个体交叉的概率pm = 0.001; #基因突变的概率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) #计算目标函数值 fitvalue = calfitvalue(objvalue); #计算个体的适应值 [bestindividual, bestfit] = best(pop, fitvalue) #选出最好的个体和最好的函数值 results.append([bestfit,b2d(bestindividual)]) #每次繁殖，将最好的结果记录下来 selection(pop, fitvalue) #自然选择，淘汰掉一部分适应性低的个体 crossover(pop, pc) #交叉繁殖 mutation(pop, pc) #基因突变 results.sort() print(results[-1]) #打印函数最大值和对应的

来自CODE的代码片

GA.py

1

2

3

4

5

6

7

8

9

def best(pop, fitvalue): #找出适应函数值中最大值，和对应的个体 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]

来自CODE的代码片

best.py

1

2

3

4

5

6

7

8

9

10

11

def calfitvalue(objvalue):#转化为适应值，目标函数值越大越好，负值淘汰。 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

来自CODE的代码片

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): #将种群的二进制基因转化为十进制（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): #计算目标函数值 temp1 = []; objvalue = []; temp1 = decodechrom(pop) for i in range(len(temp1)): x = temp1[i] * 10 / 1023 #（0,1023）转化为 （0,10） objvalue.append(10 * math.sin(5 * x) + 7 * math.cos(4 * x)) return objvalue #目标函数值objvalue[m] 与个体基因 pop[m] 对应

来自CODE的代码片

calobjvalue.py

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

import randomdef crossover(pop, pc): #个体间交叉，实现基因交换 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

来自CODE的代码片

crossover.py

1

2

3

4

5

6

7

8

9

10

11

12

13

import randomdef mutation(pop, pm): #基因突变 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

来自CODE的代码片

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): #自然选择（轮盘赌算法） 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

网站栏目：python算法函数 python算法基础
URL分享：http://ybzwz.com/article/hgdojg.html