彩票走势图

产品特点如下： 

• 单精度和双精度复数类

• 为以下四种数据类型提供全功能的向量和矩阵类：单精度浮点数，双精度浮点数，单精度复数和双精度复数。

• 利用切片和排列灵活的标定指数。

• 重载那些传统意义的运算符，使其支持.NET语言，相当于那些没有的命名的方法（Add(), Subtract()等）。

• 结构稀疏的矩阵类的全部特征包括，三角形矩阵，对称矩阵，埃米特共轭矩阵，，三对角矩阵，带状对称矩阵和带状埃米特共轭矩阵。

• 一般矩阵之间和结构稀疏矩阵类型之间的转换函数。

• 结构稀疏矩阵置换，计算内积和计算矩阵范数的函数。

• 结构稀疏矩阵的分解类包括，带状矩阵和三对角线矩阵的LU分解，对称矩阵和埃米特共轭矩阵的Bunch-Kaufman分解和对称矩阵和埃米特共轭正定矩阵的Cholesky分解。这些矩阵分解一旦建成，就可以用来求解线性系统和计算行列式，求逆，和条件数。 

• 一般稀疏向量和矩阵类和矩阵分解类.

• 一般矩阵的正交分解类，包括QR分解类和单值分解（SVD）类。

• 一般矩阵的高等最小平方分解类，包括Cholesky, QR, and SVD.

• 一般矩阵的LU分解，以及求解线性系统，计算行列式，求逆和条件数的函数。

• 解决对称，埃尔米特和非对称特征值问题的类 

• 标准数值函数的扩展，如与向量，矩阵和复数类协同使用的Cos(), Sqrt(), and Exp()函数。

• 各种概率分布的随机数生成。

• 快速傅立叶变换和线性旋积和相关

• 支持数值积分(Romberg and Gauss-Kronrod methods)，微分(Ridders' method)和代数运算函数的单变量封装函数的类

• 多项式封装，插值和精确的积分和微分。 

• 用黄金分割搜索和Brent方法最小化单变量函数的类

• 用单形法，鲍威尔的方向设置法，共轭梯度法和变尺度（或类似牛顿法）法最小化多变量函数的类。 

• 模拟退火法

• 单形法线性规划

• 最小平方的多项式拟合

• 非线性的最小平方最小化，曲线拟合和曲面拟合

• 用正割法，Ridders法和 Newton-Raphson 法查找单变量函数的根的类

• 二元函数的二重积分的数值方法 

• 用Trust-Region方法和Levenberg-Marquardt方法的变体最小化非线性最小平方

• 非线性最小平方的曲线拟合和曲面拟合

• 用标准的,NET机制的完全持久化数据类

• 与ADO.NET的整合

线性规划

在NMath中有2个类被用于线性规划(LP)的问题，第一个类用来封装标准的LP问题，第二个类用来封装包含整数或二进制约束的的LP问题。

类使用初始单纯形法（primal simplex method）解决线性规划的问题，而类则是使用了对偶单纯形法（dual simplex method）。单纯形法通过在一个单纯形的顶点上构建初始解来处理线性规划的问题，然后沿着单纯形的边沿到达顶点，通过依次筛选目标函数中更高的数值直到最优化。

---

线性规划文档：

NMath用户指南提供了相关的背景信息

NMath套包手册中的类 和  的API文档

线性规划代码示例：

LinearProgrammingExample [C#]  [VB]

解决普通线性规划问题的代码示例。

PrimalDualSimplexExample [C#]  [VB]

使用初始单纯形和对偶单纯型法解决Klee-Minty多面体线性规划问题的代码示例。

MixedIntLinearProgrammingExample [C#]  [VB]

解决在限制变量为整数的情况下线性规划问题的代码示例。

BinaryLinearProgrammingExample [C#]  [VB]

解决在所有变量都为二进制数的情况下线性规划问题的代码示例。

随机数生成器

NMath可提供随机生成器功能，用于生成各种概率分布的随机偏离，包括、、、、、、、、、、以及。这个功能可以用于包括VB.NET和F#在内的任意.NET语言。

NMath库是 CenterSpace软件公司的数学库的一部分，它提供了用于 .NET平台上数学、金融、工程和科学应用程序的构建模块。其特性包括了矩阵向量类、线性代数、随机数生成器、数值积分法、插值法、统计、生物统计学、多元线性回归、方差分析（ANOVA）、优化和通往公共域计算程序包（含线性代数基本子程序及线性代数包）的面向对象接口，所有NMath的日常活动都可从包括C#、 Visual Basic.NET和 F#在内的任何 .NET语言上调用。

---

随机生成器文档：

NMath参考指南中包含了下列表格里可用的生成器类API文档：

Class	Distribution
	Beta distribution（）
	Binomial distribution（）
	Exponential distribution（）
	Gamma distribution（）
	Geometric distribution（）
	Log-Normal distribution（）
	Normal distribution（）
	Pareto distribution（）
	Triangular distribution（）
	Uniform distribution（）
	Weibull distribution（）

所有的NMath内核生成器都通过抽象基类RandomNumberGenerator的公共接口进行继承。

随机生成器代码示例：

RandomNumberExample [C#]  [VB]

如何使用类生成正态分布的随机数，并将其用于直方图的示例。

AdvancedRNGExample [C#]  [VB]

如何使用指定的均匀偏离法创建用于特定概率分布的随机数字生成器的示例。

MonteCarloRNGExample [C#]  [VB]

如何使用蒙特卡罗法和均匀随机数生成器类RandGenUniform计算π的近似值

快速傅里叶变换

NMath作为一个.NET类库可提供一般向量与矩阵类、复数类、数值微分与积分、最小化与求根类以及用于信号处理的相关性、卷积和快速傅里叶变换（FFT）类。

NMath的包含了单双精度的一维和二维傅里叶变换，并且 NMath还包含了傅里叶变换的正向、逆向、实数、复数等类型的类，支持任意长度的输入数据。所有的FFT实现使用的是在单一和多核机器上性能最优秀的类算法。易用性和内存效率可通过使用正向实数快速傅里叶变换的标准对称信号压缩来实现，其提供的阅读器类能够像遍历数组那样轻松读取压缩结果。NMath的 FFT算法性能属于世界一流，最适宜运行在英特尔处理器上。该功能可用于包括VB.NET 和F#在内的任意 .NET语言。

---

快速傅里叶变换文档：

Class	Distribution
DoubleForward1DFFT DoubleForward2DFFT	计算一维和二维的双精度、正向、实数FFT。
DoubleComplexForward1DFFT DoubleComplexBackward1DFFT DoubleComplexForward2DFFT DoubleComplexBackward2DFFT	计算一维和二维的双精度、正逆向、复数FFT。
DoubleSymmetricBackward1DFFT	计算由正向实数一维FFT生成的逆向实数FFT的对称信号。
DoubleGeneral1DFFT	用于管理数据集的抵消和跨过的先进灵活的一维FFT类
FFTConfiguration	用于配置一般FFT类的FFT配置类
DoubleSymmetricSignalReader DoubleSymmetric2DSignalReader	助手类，生成并返回实数正向FFT类自身，帮助读取复-共轭对称信号

快速傅里叶转换代码示例：

Examples using the 1D FFT classes [C#]  [VB]

Examples using the 2D FFT classes [C#]  [VB]

Product features include:

• Single- and double-precision complex number classes.
• Full-featured vector and matrix classes for four datatypes: single- and double-precision floating point numbers, and single- and double-precision complex numbers.
• Flexible indexing using slices and ranges.
• Overloaded arithmetic operators with their conventional meanings for those .NET languages that support them, and equivalent named methods (Add(), Subtract(), and so on) for those that do not.
• Full-featured structured sparse matrix classes, including triangular, symmetric, Hermitian, banded, tridiagonal, symmetric banded, and Hermitian banded.
• Functions for converting between general matrices and structured sparse matrix types.
• Functions for transposing structured sparse matrices, computing inner products, and calculating matrix norms.
• Classes for factoring structured sparse matrices, including LU factorization for banded and tridiagonal matrices, Bunch-Kaufman factorization for symmetric and Hermitian matrices, and Cholesky decomposition for symmetric and Hermitian positive definite matrices. Once constructed, matrix factorizations can be used to solve linear systems and compute determinants, inverses, and condition numbers.
• General sparse vector and matrix classes, and matrix factorizations.
• Orthogonal decomposition classes for general matrices, including QR decomposition and singular value decomposition (SVD).
• Advanced least squares factorization classes for general matrices, including Cholesky, QR, and SVD.
• LU factorization for general matrices, as well as functions for solving linear systems, computing determinants, inverses, and condition numbers.
• Classes for solving symmetric, Hermitian, and nonsymmetric eigenvalue problems.
• Extension of standard mathematical functions, such as Cos(), Sqrt(), and Exp(), to work with vectors, matrices, and complex number classes.
• Random number generation from various probability distributions.
• Fast Fourier Transforms (FFTs), and linear convolution and correlation.
• Classes for encapsulating functions of one variable, with support for numerical integration (Romberg and Gauss-Kronrod methods), differentiation (Ridders' method), and algebraic manipulation of functions.
• Polynomial encapsulation, interpolation, and exact differentiation and integration.
• Classes for minimizing univariate functions using golden section search and Brent's method.
• Classes for minimizing multivariate functions using the downhill simplex method, Powell's direction set method, the conjugate gradient method, and the variable metric (or quasi-Newton) method.
• Simulated annealing.
• Linear programming using the simplex method.
• Least squares polynomial fitting.
• Nonlinear least squares minimization, curve fitting, and surface fitting.
• Classes for finding roots of univariate functions using the secant method, Ridders' method, and the Newton-Raphson method.
• Numerical methods for double integration of functions of two variables.
• Nonlinear least squares minimization using the Trust-Region method, a variant of the Levenberg-Marquardt method.
• Curve and surface fitting by nonlinear least squares.
• Fully persistable data classes using standard .NET mechanisms.
• Integration with ADO.NET.