Решающие деревья, или деревья решений, — это диалог «Да/Нет», который от вопроса к вопросу сужает множество вариантов до одного ответа: как в игре «Угадай животное» или в сценариях техподдержки («Не работает интернет»; «Горит индикатор?»; «Выводится номер ошибки?» …). Это инструмент для диагностики и обучения, где каждый следующий шаг зависит от предыдущего ответа.
На сайте, наверное, с десяток реализаций головоломки Пятнашки. Но у меня возник вдруг смежный вопрос. А как собрать ее оптимально, за минимальное количество ходов из любого начального состояния?
Пример реализации получения множества Мандельброта в виде картинки в формате bmp. Также реализованы дополнительные алгоритмы обработки изображений, бикубическая интерполяция, размытие по Гауссу и другие.
В современных экономических условиях корректный расчет себестоимости приобретает стратегическое значение для принятия управленческих решений.
Актуальность исследования методологии расчета себестоимости обусловлена усиливающейся необходимостью точного определения производственных издержек в условиях нестабильности российской экономики.
Платформа 1Craft[Code] — это, по сути, профессиональный тренажёр для тех, кто хочет наконец-то перестать бояться кода 1С и начать писать его уверенно. Здесь нет скучной теории — сразу практика, сразу дело.
Метод ЛПт-поиска является одним из наиболее эффективных при решении задач многокритериальной и многопараметрической оптимизации в самых различных областях: технике, экономике, финансовой сфере и т.д. В статье даются основы этого метода, рассматриваются возможности его реализации на платформе «1С: Предприятие».
Привет, сообщество! Хочу поделиться с вами своим кодом, который, надеюсь, вызовет интерес и плодотворные обсуждения. Я решил бросить вызов себе и попробовать реализовать на языке 1С два интересных алгоритма для балансировки бинарных деревьев поиска (BST) — это оказалось не так уж и просто.
O2 - это оптимизационная библиотека для 1С, которая позволяет описывать математические модели бизнес-задач и решать их с использованием готовых специализированных алгоритмов.
Привет, коллеги! Сегодня хочу поделиться одной интересной наработкой, которая родилась из вполне прикладной задачи: как быстро подобрать набор чисел (отрезков, весов, стоимостей) из заданного множества так, чтобы их сумма была максимально близка к целевому значению. Казалось бы, классическая задача о сумме подмножества, которая решается либо полным перебором (2^n комбинаций), либо динамическим программированием (O(n * сумма)). Но когда n переваливает за несколько десятков, а целевая сумма может быть большой, классические методы в 1С начинают либо тормозить, либо требовать слишком много памяти.
Я пошёл другим путём – создал вероятностный алгоритм, который за фиксированное количество итераций выдаёт результат с очень высокой точностью (в 99% случаев фактическая сумма совпадает с целевой, если, конечно, есть из чего её собирать). Причём работает он на удивление быстро и без зависаний. Давайте разберём его устройство.
Решение проблемы согласованной групповой модификации объектов в транзакции, в условиях инкапсуляции логики связей, с исключением взаимных блокировок. Паттерн "Единица работы" (пакет изменений).
Рассмотрен вопрос о том, как соотносятся между собой объекты учета и их свойства, что из них можно считать первичным, а что вторичным. Рассмотрена гипотеза о принципиальной причине того, почему сейчас используются два источника свойств объектов учета – план счетов и «глубокая аналитика». Даны краткие комментарии по каждому виду объектов бухгалтерского учета из перечня, представленного в законе РФ «О бухгалтерском учете»
