这篇文章是我多年前的文章，在这里重新找到并取出
我们需要数学的理由程序员不需要数学。 做过程序员的人几乎都要低头思考一会儿再回答。 不能因为你觉得必须足够酷就回答我们需要。 因为很多程序员可能不能用。 因为我们有足够的组件、库和框架，平台等提供了很多摆脱我们和数学的方法。 在大学本科生和研究生教育过程中，老师和导师多次表示：“我们需要数学模型model )’。 因为发表论文有数学模型的话，发表的可能性会提高5%。
是的，于是我们翻了各种模型，翻箱倒柜找数学。 是的，我找到了。 把很多推理的公式放在屏幕上，嗯，终于放了一点心。 心说，很多公式需要翻书后再推导一次才知道发生了什么。 老师不能理解我们的模型时，他们也放心了：)。
简编：但是，数学模型并不是高深莫测的公式，故意让人看不懂才是成功的。 让我们看看最常见和最简单的例子。 gldbh要写工业控制的东西，他需要进度条。 进度条的显示是按照时间来的。 由于缺乏足够的经验，进度的总刻度是120，60秒的显示非常大，于是他以程序中计时器的每秒间隔这样定义了：
位置=位置2；
我看了看他的程序，说：“这样可以，但不够。 因为我不知道这两个是从哪里来的，也不知道这两个和几个参数有关。 基本上与1刻度、2总时间、3计时器的间隔有关。 接下来大家都知道他为什么要问，他回答说如果需要改变刻度、时间和计时器间隔，就必须修改程序。 他点了点头。
可以这样修改。
All_P=进度条的总刻度
All_T=时间估计；
RUN_T=相对经过时间；
position=(all_p/all_t ) *RUN_T
这样，就建立了一个在程序运行时总是检测总刻度ALL_P和时间All_T的模型。 这样，我们知道在运行时，1刻度、2总时间、3计时器的间隔已经没有关系。 此时，即使在运行程序之前设计并运行了ALL_P和All_T之后进行了更改，该程序也能正常运行，这就是模型的强大功能。
这个例子非常简单，它告诉我们需要数学和数学逻辑，但不需要牵强附会或故意“高深莫测”的公式。
加分修饰：加密算法：如果你的程序算法不打算加密，很可能不专业或者不安全。 怎么容易加密？ 这足够简单，也许使用MD5算法确实可以解决问题。 当然，MD5有他的缺陷，有时不能用。 那么，不用写那么多。 需要用“异或”和“异或”去的代码。 这样，就可以加密解密得到原文了。 但是我不打算取异或。 也许用前面的公式来解决加密问题。 我的用户名为qianbo，我的权限为administraor (管理员)，原密码为123456，我的验证值为int(Qianbo ) int (administra or ) int ) 1289； 是。 这样的线性值让我觉得密码太脆弱了。 aint (钱宝) c*int (管理员) c*int (管理员) abc必须保密。 也可以多用几个公式、两个或两个加密。 如果一个公式验证错误，准备放弃登录吧。
上面是牵强附会的把戏，真正的数学可能离不开插值算法：
这里是图形学算法中的采样插值：
如果缩小图像，最终可能会得到看不清楚的斑点，但如果放大图像，则会因过于扭曲而焦躁不安。 如果图像较小且多边形基本体较大，则采样率小于1，并且得到的采样值为浮点数。 插值会截断采样点，从而得到整数值。 这样，如果效果出来，扩大了的话，可以看到很多马赛诸赛的朋友登陆。
如果我们这样做了：
IX=(int ) xtu%； (1) ) ) )。
FX=(float ) xtu%-xx )； (2) ) ) )。
resultx=ixfx(IX1 ) (1-fx ) (3) ) ) ) ) ) ) ) ) ) ) )。
其中，在式(1)中，xt是x轴样本数量，ix是取x轴样本数量的整数，式(1)是取x轴样本数量的浮点数，式(3)是真的混合插值函数。 同样对y的值也进行同样的处理。 如果我知道以后要做什么，我会对x和y再做一次。 这就是双线性插值。
再加一点修饰，矩阵是一个强大的工具，我们可以在各个方面看到他强壮美丽的身体，我们尤其对3D世界感兴趣。 请看下面的矩阵移动。
好了，看了这个矩阵的乘法，大家都说不要对我撒谎。 仅此而已：
x=x dx； (1) ) ) )。
y=y dy； (2) ) ) )。
z=z dz； (3) ) )。
这就是矩阵的概念吗？ 不：
看看物体的移动过程：
在上图中，物体从a旋转到b，平移到原点，在原点旋转，平移到b。 这样的过程必须用简单清晰的数学来描述。 为了简化，过程可能很复杂，很矛盾，但让我们看看下面的话。
3D世界中的主要变换包括平移、缩放和旋转变换。 为了用同样的方法处理变换，实现变换之间的复合，引入了齐次坐标系。 这样，由加法引起的变化也采用矩阵处理、图形学中的线性变换的形式
就有了统一的形式。下面是旋转矩阵： 好了，现在我们明白了简单和复杂的关系，把平移矩阵*旋转矩阵*平移矩阵，你完成了一项很平常的事情，但是在计算机的世界里面，可能复杂就是简单的化身。刚开始你觉得简单，然后你觉得复杂，最后你又感觉：只有这样做才够简单。这就是数学的魅力。 有点难度：也许矩阵不让你着迷，但是编写游戏的过程中任务复杂而道远。除了矩阵我们还有很多感兴趣的话题，这回是神经网络，不用害怕，神经网络没有什么大不了的，怎么设计一个神经网络的输入输出才会是令人思考得主题。
网络的结构永远那么单调，用的最多的仍然是BP（多层前馈神经网络）。
来看一个交通工程上的一个具体的例子：占有率则是一种比例，意思为本来的路上可以有多少辆车而现在占的比例是多少，各个交通要道上有检测器，可以随时测到这个值，我们不必理会他，因为这部分的数学别人做了，我们现在必须拿来用：
很奇怪的是，经过这样一个过程我们真的能得到道路上是否发生车祸了？答案是“是的”，完全可以，但是必须要有足够多的经验值而计算得到各个节点之间的权重，这也是输入和输出的一种比例，ok，可能太复杂了，我们来看一个公式：
Y= axx+b*x+c;
这个是个简单的公式，Y的可能输入值是x，输出是一个数，好了，这个和上面的神经网络有着异曲同工之妙，什么？真的是这样，是真的，在上面的这个网络中输入的各个值总有一个对应的输出值，我们的神经网络也能做到这一点，在上面的图中，输出要么是0（0.001），要么是1(0.999)，但是没有一个具体的公式能让我们做到这一点，所以必须有足够的节点和层次来估计这个公式，节点和节点之间连接必须有权重。我们必须有足够的经验值来训练它，好了，我们不要车祸了，我们来点轻松的，来个坦克大战好了。
很抱歉用了如此拙劣的图片：（，图中的坦克要打到对方必须使用不同的炮筒角度，游戏可以参看《人工智能游戏编程真言》，那么仔细分析这个神经网络，它必须包含风向和速度，目标坦克和源坦克的距离，和相对海拔距离，如果用简单的数学公式，可能会计算很多东西，而且过于精确，你可以用神经网络来解决这个问题，在用几个输入（风速，距离，海拔）最后的输出就用炮筒的角度。好了，参考《人工智能游戏编程真言》上的神经网络，你会得到更多。它没有使用BP反馈，只是用了MLP（多层感知器）。值得注意的数学是他的sigmoid函数和很多个大量的乘法，也许开头对你来说是个惩罚。但是你一旦掌握，就知道它的魔力强悍无比，这是个用数学搭建的天堂。
说到这里，我相信你认为数学是重要的，但是数学是一个简单化工具，而非复杂化工具。