國內演算法

Ⅰ 國內大學GPA演算法和美國大學的區別。

國內大學的GPA計算不是按美國的標准計算出來的，相對來講，中國大學算出來的GPA的成績略低，若是按中國的計算標准，則許多准備留學的學生，根本無法滿足美國高校對GPA的要求。美國的GPA計算方式比較合理，若是中國學生按美國的GPA計演算法來計算的話，會提高一部分GPA成績。
百分制分數與平均績點
最常見的換算方式就是中國百分製成績與平均績點的換算。一般對應的關系如下（注意這里的平均績點是四分制的計算）：
分數 等級 成績點數
90-100分 A 4
80-89分 B 3
70-79分 C 2
60-69分 D 1
60以下 F 0
大家注意，這種計算方式比較簡單，而且沒有精確到小數後第二位，所以如果申請的學校有具體的要求的時候，就不能用這個計算方法了。

最常見的平均績點演算法
這個是比較常見的，但也不是最精確的。按以下的方式計算，各科成績按等級（百分制對應的等級）乘以學分求和後除以總學分數。就可以獲得了。
例如：
A課程：四個學分 成績92分 A
B課程：三個學分 成績80分 B
C課程：兩個學分 成績98分 A
D課程：六個學分 成績70分 C
E課程：三個學分 成績89分 B
那麼它的常見績點的演算法就是GPA=（4*4+3*3+2*4+6*2+3*3）/（4+3+2+6+3）=3.00

最標準的平均績點演算法
最標準的，也是最精確的演算法就是將成績的加權平均數乘以4分再除以100。
例如：
A課程：四個學分 成績92分 A
B課程：三個學分 成績80分 B
C課程：兩個學分 成績98分 A
D課程：六個學分 成績70分 C
E課程：三個學分 成績89分 B
那麼它的標准平均績點就是GPA=【（92*4+80*3+98*2+70*6+89*3）*4】/【（4+3+2+6+3）*100】=3.31

Ⅱ 在國內，有哪些比較有影響力的計算機或者演算法推薦嗎

華為、滴滴、中興都有演算法比賽，我室友一個參加過華為，一個參加過中興，各有各的好吧，但是贏了比賽都有進去工作的機會，我感覺看你想去哪個企業工作咯

Ⅲ 進程調度演算法的國內外研究現狀有哪些

調度演算法是指：根據系統的資源分配策略所規定的資源分配演算法。常見的進程調度演算法有：

1.先來先去服務

2.時間片輪轉法

3.多級反饋隊列演算法

4.最短進程優先

5.最短剩餘時間優先

6.最高響應比優先

7.多級反饋隊列調度演算法

一、先來先去服務

先來先去服務調度演算法是一種最簡單的調度演算法，也稱為先進先出或嚴格排隊方案。當每個進程就緒後，它加入就緒隊列。當前正運行的進程停止執行，選擇在就緒隊列中存在時間最長的進程運行。該演算法既可以用於作業調度，也可以用於進程調度。先來先去服務比較適合於常作業（進程），而不利於段作業（進程）。

二、時間片輪轉法

輪轉法是基於適中的搶占策略的，以一個周期性間隔產生時鍾中斷，當中斷發生後，當前正在運行的進程被置於就緒隊列中，然後基於先來先去服務策略選擇下一個就緒作業的運行。這種技術也稱為時間片，因為每個進程再被搶占之前都給定一片時間。

三、最短進程優先

最短進程優先是一個非搶占策略，他的原則是下一次選擇預計處理時間最短的進程，因此短進程將會越過長作業，跳至隊列頭。該演算法即可用於作業調度，也可用於進程調度。但是他對長作業不利，不能保證緊迫性作業（進程）被及時處理，作業的長短只是被估算出來的。

四、最短剩餘時間優先

最短剩餘時間是針對最短進程優先增加了搶占機制的版本。在這種情況下，進程調度總是選擇預期剩餘時間最短的進程。當一個進程加入到就緒隊列時，他可能比當前運行的進程具有更短的剩餘時間，因此只要新進程就緒，調度程序就能可能搶占當前正在運行的進程。像最短進程優先一樣，調度程序正在執行選擇函數是必須有關於處理時間的估計，並且存在長進程飢餓的危險。

Ⅳ 國內做演算法的公司有哪些

近幾年隨著技術的發展，人工智慧越來越火，

Ⅳ 粒子群演算法國內發展

粒子群演算法介紹（摘自http://blog.sina.com.cn/newtech）
優化問題是工業設計中經常遇到的問題,許多問題最後都可以歸結為優化問題. 為了解決各種各樣的優化問題,人們提出了許多優化演算法,比較著名的有爬山法、遺傳演算法等.優化問題有兩個主要問題:一是要求尋找全局最小點,二是要求有較高的收斂速度. 爬山法精度較高,但是易於陷入局部極小. 遺傳演算法屬於進化演算法( Evolutionary Algorithms) 的一種,它通過模仿自然界的選擇與遺傳的機理來尋找最優解. 遺傳演算法有三個基本運算元:選擇、交叉和變異. 但是遺傳演算法的編程實現比較復雜,首先需要對問題進行編碼,找到最優解之後還需要對問題進行解碼,另外三個運算元的實現也有許多參數,如交叉率和變異率,並且這些參數的選擇嚴重影響解的品質,而目前這些參數的選擇大部分是依靠經驗.1995 年Eberhart 博士和kennedy 博士提出了一種新的演算法;粒子群優化(Partical Swarm Optimization -PSO) 演算法 . 這種演算法以其實現容易、精度高、收斂快等優點引起了學術界的重視,並且在解決實際問題中展示了其優越性.

粒子群優化(Partical Swarm Optimization - PSO) 演算法是近年來發展起來的一種新的進化演算法( Evolu2tionary Algorithm - EA) .PSO 演算法屬於進化演算法的一種,和遺傳演算法相似,它也是從隨機解出發,通過迭代尋找最優解,它也是通過適應度來評價解的品質. 但是它比遺傳演算法規則更為簡單,它沒有遺傳演算法的「交叉」(Crossover) 和「變異」(Mutation) 操作. 它通過追隨當前搜索到的最優值來尋找全局最優 .

粒子群演算法

1. 引言

粒子群優化演算法(PSO)是一種進化計算技術(evolutionary computation)，有Eberhart博士和kennedy博士發明。源於對鳥群捕食的行為研究

PSO同遺傳演算法類似，是一種基於疊代的優化工具。系統初始化為一組隨機解，通過疊代搜尋最優值。但是並沒有遺傳演算法用的交叉(crossover)以及變異(mutation)。而是粒子在解空間追隨最優的粒子進行搜索。詳細的步驟以後的章節介紹

同遺傳演算法比較，PSO的優勢在於簡單容易實現並且沒有許多參數需要調整。目前已廣泛應用於函數優化，神經網路訓練，模糊系統控制以及其他遺傳演算法的應用領域

2. 背景: 人工生命

"人工生命"是來研究具有某些生命基本特徵的人工系統. 人工生命包括兩方面的內容

1. 研究如何利用計算技術研究生物現象
2. 研究如何利用生物技術研究計算問題

我們現在關注的是第二部分的內容. 現在已經有很多源於生物現象的計算技巧. 例如, 人工神經網路是簡化的大腦模型. 遺傳演算法是模擬基因進化過程的.

現在我們討論另一種生物系統- 社會系統. 更確切的是, 在由簡單個體組成的群落與環境以及個體之間的互動行為. 也可稱做"群智能"(swarm intelligence). 這些模擬系統利用局部信息從而可能產生不可預測的群體行為

例如floys 和 boids, 他們都用來模擬魚群和鳥群的運動規律, 主要用於計算機視覺和計算機輔助設計.

在計算智能(computational intelligence)領域有兩種基於群智能的演算法. 蟻群演算法(ant colony optimization)和粒子群演算法(particle swarm optimization). 前者是對螞蟻群落食物採集過程的模擬. 已經成功運用在很多離散優化問題上.

粒子群優化演算法(PSO) 也是起源對簡單社會系統的模擬. 最初設想是模擬鳥群覓食的過程. 但後來發現PSO是一種很好的優化工具.

3. 演算法介紹

如前所述，PSO模擬鳥群的捕食行為。設想這樣一個場景：一群鳥在隨機搜索食物。在這個區域里只有一塊食物。所有的鳥都不知道食物在那裡。但是他們知道當前的位置離食物還有多遠。那麼找到食物的最優策略是什麼呢。最簡單有效的就是搜尋目前離食物最近的鳥的周圍區域。

PSO從這種模型中得到啟示並用於解決優化問題。PSO中，每個優化問題的解都是搜索空間中的一隻鳥。我們稱之為「粒子」。所有的例子都有一個由被優化的函數決定的適應值(fitness value)，每個粒子還有一個速度決定他們飛翔的方向和距離。然後粒子們就追隨當前的最優粒子在解空間中搜索

PSO 初始化為一群隨機粒子(隨機解)。然後通過疊代找到最優解。在每一次疊代中，粒子通過跟蹤兩個"極值"來更新自己。第一個就是粒子本身所找到的最優解。這個解叫做個體極值pBest. 另一個極值是整個種群目前找到的最優解。這個極值是全局極值gBest。另外也可以不用整個種群而只是用其中一部分最為粒子的鄰居，那麼在所有鄰居中的極值就是局部極值。

在找到這兩個最優值時, 粒子根據如下的公式來更新自己的速度和新的位置

v[] = v[] + c1 * rand() * (pbest[] - present[]) + c2 * rand() * (gbest[] - present[]) (a)
present[] = persent[] + v[] (b)

v[] 是粒子的速度, persent[] 是當前粒子的位置. pbest[] and gbest[] 如前定義 rand () 是介於（0， 1）之間的隨機數. c1, c2 是學習因子. 通常 c1 = c2 = 2.

程序的偽代碼如下

For each particle
____Initialize particle
END

Do
____For each particle
________Calculate fitness value
________If the fitness value is better than the best fitness value (pBest) in history
____________set current value as the new pBest
____End

____Choose the particle with the best fitness value of all the particles as the gBest
____For each particle
________Calculate particle velocity according equation (a)
________Update particle position according equation (b)
____End
While maximum iterations or minimum error criteria is not attained

在每一維粒子的速度都會被限制在一個最大速度Vmax，如果某一維更新後的速度超過用戶設定的Vmax，那麼這一維的速度就被限定為Vmax

4. 遺傳演算法和 PSO 的比較

大多數演化計算技術都是用同樣的過程
1. 種群隨機初始化
2. 對種群內的每一個個體計算適應值(fitness value).適應值與最優解的距離直接有關
3. 種群根據適應值進行復制
4. 如果終止條件滿足的話，就停止，否則轉步驟2

從以上步驟，我們可以看到PSO和GA有很多共同之處。兩者都隨機初始化種群，而且都使用適應值來評價系統，而且都根據適應值來進行一定的隨機搜索。兩個系統都不是保證一定找到最優解

但是，PSO 沒有遺傳操作如交叉(crossover)和變異(mutation). 而是根據自己的速度來決定搜索。粒子還有一個重要的特點，就是有記憶。

與遺傳演算法比較, PSO 的信息共享機制是很不同的. 在遺傳演算法中，染色體(chromosomes) 互相共享信息，所以整個種群的移動是比較均勻的向最優區域移動. 在PSO中, 只有gBest (or lBest) 給出信息給其他的粒子，這是單向的信息流動. 整個搜索更新過程是跟隨當前最優解的過程. 與遺傳演算法比較, 在大多數的情況下，所有的粒子可能更快的收斂於最優解

5. 人工神經網路 和 PSO

人工神經網路(ANN)是模擬大腦分析過程的簡單數學模型，反向轉播演算法是最流行的神經網路訓練演算法。進來也有很多研究開始利用演化計算(evolutionary computation)技術來研究人工神經網路的各個方面。

演化計算可以用來研究神經網路的三個方面：網路連接權重，網路結構(網路拓撲結構，傳遞函數)，網路學習演算法。

不過大多數這方面的工作都集中在網路連接權重，和網路拓撲結構上。在GA中，網路權重和/或拓撲結構一般編碼為染色體(Chromosome)，適應函數(fitness function)的選擇一般根據研究目的確定。例如在分類問題中，錯誤分類的比率可以用來作為適應值

演化計算的優勢在於可以處理一些傳統方法不能處理的例子例如不可導的節點傳遞函數或者沒有梯度信息存在。但是缺點在於：在某些問題上性能並不是特別好。2. 網路權重的編碼而且遺傳運算元的選擇有時比較麻煩

最近已經有一些利用PSO來代替反向傳播演算法來訓練神經網路的論文。研究表明PSO 是一種很有潛力的神經網路演算法。PSO速度比較快而且可以得到比較好的結果。而且還沒有遺傳演算法碰到的問題

這里用一個簡單的例子說明PSO訓練神經網路的過程。這個例子使用分類問題的基準函數(Benchmark function)IRIS數據集。(Iris 是一種鳶尾屬植物) 在數據記錄中，每組數據包含Iris花的四種屬性：萼片長度，萼片寬度，花瓣長度，和花瓣寬度，三種不同的花各有50組數據. 這樣總共有150組數據或模式。

我們用3層的神經網路來做分類。現在有四個輸入和三個輸出。所以神經網路的輸入層有4個節點，輸出層有3個節點我們也可以動態調節隱含層節點的數目，不過這里我們假定隱含層有6個節點。我們也可以訓練神經網路中其他的參數。不過這里我們只是來確定網路權重。粒子就表示神經網路的一組權重，應該是4*6+6*3=42個參數。權重的范圍設定為[-100，100] (這只是一個例子，在實際情況中可能需要試驗調整).在完成編碼以後，我們需要確定適應函數。對於分類問題，我們把所有的數據送入神經網路，網路的權重有粒子的參數決定。然後記錄所有的錯誤分類的數目作為那個粒子的適應值。現在我們就利用PSO來訓練神經網路來獲得盡可能低的錯誤分類數目。PSO本身並沒有很多的參數需要調整。所以在實驗中只需要調整隱含層的節點數目和權重的范圍以取得較好的分類效果。

6. PSO的參數設置

從上面的例子我們可以看到應用PSO解決優化問題的過程中有兩個重要的步驟: 問題解的編碼和適應度函數
PSO的一個優勢就是採用實數編碼, 不需要像遺傳演算法一樣是二進制編碼(或者採用針對實數的遺傳操作.例如對於問題 f(x) = x1^2 + x2^2+x3^2 求解, 粒子可以直接編碼為 (x1, x2, x3), 而適應度函數就是f(x). 接著我們就可以利用前面的過程去尋優.這個尋優過程是一個疊代過程, 中止條件一般為設置為達到最大循環數或者最小錯誤

PSO中並沒有許多需要調節的參數,下面列出了這些參數以及經驗設置

粒子數: 一般取 20 – 40. 其實對於大部分的問題10個粒子已經足夠可以取得好的結果, 不過對於比較難的問題或者特定類別的問題, 粒子數可以取到100 或 200

粒子的長度: 這是由優化問題決定, 就是問題解的長度

粒子的范圍: 由優化問題決定,每一維可是設定不同的范圍

Vmax: 最大速度,決定粒子在一個循環中最大的移動距離,通常設定為粒子的范圍寬度,例如上面的例子里,粒子 (x1, x2, x3) x1 屬於 [-10, 10], 那麼 Vmax 的大小就是 20

學習因子: c1 和 c2 通常等於 2. 不過在文獻中也有其他的取值. 但是一般 c1 等於 c2 並且范圍在0和4之間

中止條件: 最大循環數以及最小錯誤要求. 例如, 在上面的神經網路訓練例子中, 最小錯誤可以設定為1個錯誤分類, 最大循環設定為2000, 這個中止條件由具體的問題確定.

全局PSO和局部PSO: 我們介紹了兩種版本的粒子群優化演算法: 全局版和局部版. 前者速度快不過有時會陷入局部最優. 後者收斂速度慢一點不過很難陷入局部最優. 在實際應用中, 可以先用全局PSO找到大致的結果,再有局部PSO進行搜索.

另外的一個參數是慣性權重, 由Shi 和Eberhart提出, 有興趣的可以參考他們1998年的論文(題目: A modified particle swarm optimizer)

Ⅵ 演算法工程師的目前國內外狀況

目前國內從事演算法研究的工程師不少，但是高級演算法工程師卻很少，是一個非常緊缺的專業工程師。演算法工程師根據研究領域來分主要有音頻/視頻演算法處理、圖像技術方面的二維信息演算法處理和通信物理層、雷達信號處理、生物醫學信號處理等領域的一維信息演算法處理。
在計算機音視頻和圖形圖形圖像技術等二維信息演算法處理方面目前比較先進的視頻處理演算法：機器視覺成為此類演算法研究的核心；另外還有2D轉3D演算法(2D-to-3D conversion)，去隔行演算法(de-interlacing)，運動估計運動補償演算法(Motion estimation/Motion Compensation)，去噪演算法(Noise Rection)，縮放演算法(scaling)，銳化處理演算法(Sharpness)，超解析度演算法(Super Resolution),手勢識別(gesture recognition),人臉識別(face recognition)。
在通信物理層等一維信息領域目前常用的演算法：無線領域的RRM、RTT，傳送領域的調制解調、信道均衡、信號檢測、網路優化、信號分解等。
另外數據挖掘、互聯網搜索演算法也成為當今的熱門方向。
演算法工程師逐漸往人工智慧方向發展。

Ⅶ 請問下國內大學那些教授在演算法方面比較有研究

計算機哪個領域（軟體和應用）都會涉及到演算法的研究，，演算法分析和設計同時也是計算機專業的必修課，所以研究演算法是要和具體方向結合在一起的，不同的方向有不同的演算法。所以還是首先確定自己研究方向喜好，然後再確定自己的研究側重，如果搞理論的話，就要深入研究演算法了。另外，選導師的時候可以選那些發表論文比較多的老師，這樣的老師一般是搞學術搞理論的。

Ⅷ 如何選擇國內的車牌識別演算法

目前國內的車牌識別演算法都是有根源的，首先網站上有開源的識別演算法，肯定他的識別率是不能保證的，其次國內有兩大演算法來源，一個是來自清華的TH-OCR，另一個是來自中科院的演算法，現階段用清華的演算法的比較多，

Ⅸ 你還知道哪些中國古代計算方法一記算方法

在人類文明發展的歷史上中國曾經在早期計算工具的發明創造方面寫過光輝的一頁。遠在商代，中國就創造了十進制記數方法，領先於世界千餘年。

到了周代，發明了當時最先進的計算工具——算籌。這是一種用竹、木或骨製成的顏色不同的小棍。計算每一個數學問題時，通常編出一套歌訣形式的演算法，一邊計算，一邊不斷地重新布棍。中國古代數學家祖沖之，就是用算籌計算出圓周率在3.1415926和3.1415927之間。這一結果比西方早一千年。

珠算盤是中國的又一獨創，也是計算工具發展史上的第一項重大發明。這種輕巧靈活、攜帶方便、與人民生活關系密切的計算工具，最初大約出現於漢朝，到元朝時漸趨成熟。珠算盤不僅對中國經濟的發展起過有益的作用，而且傳到日本、朝鮮、東南亞等地區，經受了歷史的考驗，至今仍在使用。

中國發明創造指南車、水運渾象儀、記里鼓車、提花機等，不僅對自動控制機械的發展有卓越的貢獻，而且對計算工具的演進產生了直接或間接的影響。例如，張衡製作的水運渾象儀，可以自動地與地球運轉同步，後經唐、宋兩代的改進，遂成為世界上最早的天文鍾

記里鼓車則是世界上最早的自動計數裝置。提花機原理對計算機程序控制的發展有過間接的影響。中國古代用陽、陰兩爻構成八卦，也對計算技術的發展有過直接的影響。萊布尼茲寫過研究八卦的論文，系統地提出了二進制算術運演算法則。他認為，世界上最早的二進製表示法就是中國的八卦。