近似演算法的設計與分析

⑴ 《演算法設計技巧與分析》pdf下載在線閱讀，求百度網盤雲資源

《演算法設計技巧與分析》（[沙特]M. H. Alsuwaiyel）電子書網盤下載免費在線閱讀

資源鏈接：

鏈接：

書名：演算法設計技巧與分析

作者：[沙特]M. H. Alsuwaiyel

譯者：吳偉昶

豆瓣評分：7.5

出版社：電子工業出版社

出版年份：2004-8

頁數：318

內容簡介：

本書是國際著名演算法專家李德財教授主編的系列叢書「Lecture Notes Series on Computing」中的一本。本書涵蓋了絕大多數演算法設計中的一般技術，在表達每一種技術時，闡述它的應用背景，注意用與其他技術比較的方法說明它的特徵，並提供大量相應實際問題的例子。本書同時也強調了對每一種演算法的詳細的復雜性分析。全書分七部分19章，從演算法設計和演算法分析的基本概念和方法入手，先後介紹了遞歸技術、分治、動態規劃、貪心演算法、圖的遍歷等技術，對NP完全問題進行了基本但清楚的討論。對概率演算法、近似演算法和計算幾何這些近年來發展迅猛的領域也用一定的篇幅講述了基本內容。書中每章後都附有大量的練習題，有利於讀者對書中內容的理解和應用。

本書結構簡明，內容豐富，適合於作為計算機學科以及相關學科演算法課程的教材和參考書，尤其適宜於學過數據結構和離散數學課程之後的演算法課教材。同時也可作為從事演算法研究的一本好的入門書。

⑵ 演算法的6種設計方法

演算法的6種設計方法有分治與遞歸演算法、散列與凝聚演算法、貪心演算法、動態規劃演算法、回溯演算法和分支限界演算法。在每一章的開頭，都先對相應的典型演算法的基本思路進行詳細、清晰的闡述，然後通過多種實際問題的求解，對該典型演算法的設計方法作進一步的剖析。第8章對NP完全問題的基本理論進行討論，並介紹了求解NP困難問題的近似演算法和概率演算法。

《演算法設計方法》一書介紹了演算法描述和演算法分析的基本方法，詳細介紹了各種典型演算法的基本設計思路。演算法是計算機科學的核心內容之一，也是應用電子計算機求解實際問題的基礎。對復雜的實際應用問題的求解，大多都歸結為演算法的設計，然後把求解演算法轉化為計算機程序。

⑶ 中國科學院大學有哪些精品好課

. 王偉強老師的《圖像分析與計算機視覺》，教材：岡薩雷斯の《數字圖像處理》，王老師講課很細，而且大部分都能推導證明，作業也相對很贊。
2.王斌老師的《現代信息檢索》，教材《信息檢索導論》，其實課程相對來說比較簡單，王老師講的也不錯，關鍵是大作業，需要團隊協作寫一個信息檢索系統，可以文本，可以語音（可惜我是水過來的）
3.李保濱老師的《矩陣分析與應用》，重要的事情說三遍，怕掛的不要選，怕掛的不要選，怕掛的不要選！！李老師對於這門課講的矩陣知識比較有啟發性，但是考試計算量太大，期末考據說評論卷面只有43分。
4.卜東波老師的《計算機演算法設計與分析》，具體情況不說了，看看選課情況就知道有多火爆了。
5.孫翼老師的《計算機網路》，其實，計算機網路是本科教程，但是孫翼老師物理出身，講了很多我在本科不了解的東西。關鍵愛聽孫翼老師講故事，聊人生，受聽
6.盧開橙老師的《組合數學》，老師全程板書，一般都是講一種定理然後給證明，最後連續講好幾種例子，我身邊學習的同學認真學了現在都獲益匪淺。
7.孫曉明老師的《高級演算法設計》，主要涉及隨機演算法和近似演算法，實屬硬課，感覺功力不夠聽聽就好。孫老師屬於實力派，全程板書不看筆記直接證明！
當然不同的人有不同的喜好，有不同的選擇標准。自己認為是好的，那麼就是好的。
若滿意，請採納。謝謝。

⑷ 對於社交網路的數據挖掘應該如何入手，使用哪些演算法

3月13日下午，南京郵電大學計算機學院、軟體學院院長、教授李濤在CIO時代APP微講座欄目作了題為《大數據時代的數據挖掘》的主題分享，深度詮釋了大數據及大數據時代下的數據挖掘。

眾所周知，大數據時代的大數據挖掘已成為各行各業的一大熱點。
一、數據挖掘
在大數據時代，數據的產生和收集是基礎，數據挖掘是關鍵，數據挖掘可以說是大數據最關鍵也是最基本的工作。通常而言，數據挖掘也稱為DataMining，或知識發現Knowledge Discovery from Data，泛指從大量數據中挖掘出隱含的、先前未知但潛在的有用信息和模式的一個工程化和系統化的過程。
不同的學者對數據挖掘有著不同的理解，但個人認為，數據挖掘的特性主要有以下四個方面：
1.應用性（A Combination of Theory and Application）：數據挖掘是理論演算法和應用實踐的完美結合。數據挖掘源於實際生產生活中應用的需求，挖掘的數據來自於具體應用，同時通過數據挖掘發現的知識又要運用到實踐中去，輔助實際決策。所以，數據挖掘來自於應用實踐，同時也服務於應用實踐，數據是根本，數據挖掘應以數據為導向，其中涉及到演算法的設計與開發都需考慮到實際應用的需求，對問題進行抽象和泛化，將好的演算法應用於實際中，並在實際中得到檢驗。
2.工程性（An Engineering Process）：數據挖掘是一個由多個步驟組成的工程化過程。數據挖掘的應用特性決定了數據挖掘不僅僅是演算法分析和應用，而是一個包含數據准備和管理、數據預處理和轉換、挖掘演算法開發和應用、結果展示和驗證以及知識積累和使用的完整過程。而且在實際應用中，典型的數據挖掘過程還是一個交互和循環的過程。
3.集合性（A Collection of Functionalities）：數據挖掘是多種功能的集合。常用的數據挖掘功能包括數據探索分析、關聯規則挖掘、時間序列模式挖掘、分類預測、聚類分析、異常檢測、數據可視化和鏈接分析等。一個具體的應用案例往往涉及多個不同的功能。不同的功能通常有不同的理論和技術基礎，而且每一個功能都有不同的演算法支撐。
4.交叉性（An Interdisciplinary Field）：數據挖掘是一門交叉學科，它利用了來自統計分析、模式識別、機器學習、人工智慧、信息檢索、資料庫等諸多不同領域的研究成果和學術思想。同時一些其他領域如隨機演算法、資訊理論、可視化、分布式計算和最優化也對數據挖掘的發展起到重要的作用。數據挖掘與這些相關領域的區別可以由前面提到的數據挖掘的3個特性來總結，最重要的是它更側重於應用。
綜上所述，應用性是數據挖掘的一個重要特性，是其區別於其他學科的關鍵，同時，其應用特性與其他特性相輔相成，這些特性在一定程度上決定了數據挖掘的研究與發展，同時，也為如何學習和掌握數據挖掘提出了指導性意見。如從研究發展來看，實際應用的需求是數據挖掘領域很多方法提出和發展的根源。從最開始的顧客交易數據分析（market basket analysis）、多媒體數據挖掘（multimedia data mining）、隱私保護數據挖掘（privacy-preserving data mining）到文本數據挖掘（text mining）和Web挖掘（Web mining），再到社交媒體挖掘（social media mining）都是由應用推動的。工程性和集合性決定了數據挖掘研究內容和方向的廣泛性。其中，工程性使得整個研究過程里的不同步驟都屬於數據挖掘的研究范疇。而集合性使得數據挖掘有多種不同的功能，而如何將多種功能聯系和結合起來，從一定程度上影響了數據挖掘研究方法的發展。比如，20世紀90年代中期，數據挖掘的研究主要集中在關聯規則和時間序列模式的挖掘。到20世紀90年代末，研究人員開始研究基於關聯規則和時間序列模式的分類演算法（如classification based on association），將兩種不同的數據挖掘功能有機地結合起來。21世紀初，一個研究的熱點是半監督學習（semi-supervised learning）和半監督聚類（semi-supervised clustering），也是將分類和聚類這兩種功能有機結合起來。近年來的一些其他研究方向如子空間聚類（subspace clustering）（特徵抽取和聚類的結合）和圖分類（graph classification）（圖挖掘和分類的結合）也是將多種功能聯系和結合在一起。最後，交叉性導致了研究思路和方法設計的多樣化。
前面提到的是數據挖掘的特性對研究發展及研究方法的影響，另外，數據挖掘的這些特性對如何學習和掌握數據挖掘提出了指導性的意見，對培養研究生、本科生均有一些指導意見，如應用性在指導數據挖掘時，應熟悉應用的業務和需求，需求才是數據挖掘的目的，業務和演算法、技術的緊密結合非常重要，了解業務、把握需求才能有針對性地對數據進行分析，挖掘其價值。因此，在實際應用中需要的是一種既懂業務，又懂數據挖掘演算法的人才。工程性決定了要掌握數據挖掘需有一定的工程能力，一個好的數據額挖掘人員首先是一名工程師，有很強大的處理大規模數據和開發原型系統的能力，這相當於在培養數據挖掘工程師時，對數據的處理能力和編程能力很重要。集合性使得在具體應用數據挖掘時，要做好底層不同功能和多種演算法積累。交叉性決定了在學習數據挖掘時要主動了解和學習相關領域的思想和技術。
因此，這些特性均是數據挖掘的特點，通過這四個特性可總結和學習數據挖掘。
二、大數據的特徵
大數據（bigdata）一詞經常被用以描述和指代信息爆炸時代產生的海量信息。研究大數據的意義在於發現和理解信息內容及信息與信息之間的聯系。研究大數據首先要理清和了解大數據的特點及基本概念，進而理解和認識大數據。
研究大數據首先要理解大數據的特徵和基本概念。業界普遍認為，大數據具有標準的「4V」特徵：
1.Volume（大量）：數據體量巨大，從TB級別躍升到PB級別。
2.Variety（多樣）：數據類型繁多，如網路日誌、視頻、圖片、地理位置信息等。
3.Velocity（高速）：處理速度快，實時分析，這也是和傳統的數據挖掘技術有著本質的不同。
4.Value（價值）：價值密度低，蘊含有效價值高，合理利用低密度價值的數據並對其進行正確、准確的分析，將會帶來巨大的商業和社會價值。
上述「4V」特點描述了大數據與以往部分抽樣的「小數據」的主要區別。然而，實踐是大數據的最終價值體現的唯一途徑。從實際應用和大數據處理的復雜性看，大數據還具有如下新的「4V」特點：
5.Variability（變化）：在不同的場景、不同的研究目標下數據的結構和意義可能會發生變化，因此，在實際研究中要考慮具體的上下文場景（Context）。
6.Veracity（真實性）：獲取真實、可靠的數據是保證分析結果准確、有效的前提。只有真實而准確的數據才能獲取真正有意義的結果。
7.Volatility（波動性）/Variance（差異）：由於數據本身含有噪音及分析流程的不規范性，導致採用不同的演算法或不同分析過程與手段會得到不穩定的分析結果。
8.Visualization（可視化）：在大數據環境下，通過數據可視化可以更加直觀地闡釋數據的意義，幫助理解數據，解釋結果。
綜上所述，以上「8V」特徵在大數據分析與數據挖掘中具有很強的指導意義。
三、大數據時代下的數據挖掘
在大數據時代，數據挖掘需考慮以下四個問題：
大數據挖掘的核心和本質是應用、演算法、數據和平台4個要素的有機結合。
因為數據挖掘是應用驅動的，來源於實踐，海量數據產生於應用之中。需用具體的應用數據作為驅動，以演算法、工具和平台作為支撐，最終將發現的知識和信息應用到實踐中去，從而提供量化的、合理的、可行的、且能產生巨大價值的信息。
挖掘大數據中隱含的有用信息需設計和開發相應的數據挖掘和學習演算法。演算法的設計和開發需以具體的應用數據作為驅動，同時在實際問題中得到應用和驗證，而演算法的實現和應用需要高效的處理平台，這個處理平台可以解決波動性問題。高效的處理平台需要有效分析海量數據，及時對多元數據進行集成，同時有力支持數據化對演算法及數據可視化的執行，並對數據分析的流程進行規范。
總之，應用、演算法、數據、平台這四個方面相結合的思想，是對大數據時代的數據挖掘理解與認識的綜合提煉，體現了大數據時代數據挖掘的本質與核心。這四個方面也是對相應研究方面的集成和架構，這四個架構具體從以下四個層面展開：
應用層（Application）：關心的是數據的收集與演算法驗證，關鍵問題是理解與應用相關的語義和領域知識。
數據層（Data）：數據的管理、存儲、訪問與安全，關心的是如何進行高效的數據使用。
演算法層（Algorithm）：主要是數據挖掘、機器學習、近似演算法等演算法的設計與實現。
平台層（Infrastructure）：數據的訪問和計算，計算平台處理分布式大規模的數據。
綜上所述，數據挖掘的演算法分為多個層次，在不同的層面有不同的研究內容，可以看到目前在做數據挖掘時的主要研究方向，如利用數據融合技術預處理稀疏、異構、不確定、不完整以及多來源數據；挖掘復雜動態變化的數據；測試通過局部學習和模型融合所得到的全局知識，並反饋相關信息給預處理階段；對數據並行分布化，達到有效使用的目的。
四、大數據挖掘系統的開發
1.背景目標
大數據時代的來臨使得數據的規模和復雜性都出現爆炸式的增長，促使不同應用領域的數據分析人員利用數據挖掘技術對數據進行分析。在應用領域中，如醫療保健、高端製造、金融等，一個典型的數據挖掘任務往往需要復雜的子任務配置，整合多種不同類型的挖掘演算法以及在分布式計算環境中高效運行。因此，在大數據時代進行數據挖掘應用的一個當務之急是要開發和建立計算平台和工具，支持應用領域的數據分析人員能夠有效地執行數據分析任務。
之前提到一個數據挖掘有多種任務、多種功能及不同的挖掘演算法，同時，需要一個高效的平台。因此，大數據時代的數據挖掘和應用的當務之急，便是開發和建立計算平台和工具，支持應用領域的數據分析人員能夠有效地執行數據分析任務。
2.相關產品
現有的數據挖掘工具
有Weka、SPSS和SQLServer，它們提供了友好的界面，方便用戶進行分析，然而這些工具並不適合進行大規模的數據分析，同時，在使用這些工具時用戶很難添加新的演算法程序。
流行的數據挖掘演算法庫
如Mahout、MLC++和MILK，這些演算法庫提供了大量的數據挖掘演算法。但這些演算法庫需要有高級編程技能才能進行任務配置和演算法集成。
最近出現的一些集成的數據挖掘產品
如Radoop和BC-PDM，它們提供友好的用戶界面來快速配置數據挖掘任務。但這些產品是基於Hadoop框架的，對非Hadoop演算法程序的支持非常有限。沒有明確地解決在多用戶和多任務情況下的資源分配。
3.FIU-Miner
為解決現有工具和產品在大數據挖掘中的局限性，我們團隊開發了一個新的平台——FIU-Miner，它代表了A Fast,Integrated,and User-Friendly System for Data Miningin Distributed Environment。它是一個用戶友好並支持在分布式環境中進行高效率計算和快速集成的數據挖掘系統。與現有數據挖掘平台相比，FIU-Miner提供了一組新的功能，能夠幫助數據分析人員方便並有效地開展各項復雜的數據挖掘任務。
與傳統的數據挖掘平台相比，它提供了一些新的功能，主要有以下幾個方面：
A.用戶友好、人性化、快速的數據挖掘任務配置。基於「軟體即服務」這一模式，FIU-Miner隱藏了與數據分析任務無關的低端細節。通過FIU-Miner提供的人性化用戶界面，用戶可以通過將現有演算法直接組裝成工作流，輕松完成一個復雜數據挖掘問題的任務配置，而不需要編寫任何代碼。
B.靈活的多語言程序集成。允許用戶將目前最先進的數據挖掘演算法直接導入系統演算法庫中，以此對分析工具集合進行擴充和管理。同時，由於FIU-Miner能夠正確地將任務分配到有合適運行環境的計算節點上，所以對這些導入的演算法沒有實現語言的限制。
C.異構環境中有效的資源管理。FIU-Miner支持在異構的計算環境中（包括圖形工作站、單個計算機、和伺服器等）運行數據挖掘任務。FIU-Miner綜合考慮各種因素（包括演算法實現、伺服器負載平衡和數據位置）來優化計算資源的利用率。
D.有效的程序調度和執行。
應用架構上包括用戶界面層、任務和系統管理層、邏輯資源層、異構的物理資源層。這種分層架構充分考慮了海量數據的分布式存儲、不同數據挖掘演算法的集成、多重任務的配置及系統用戶的交付功能。一個典型的數據挖掘任務在應用之中需要復雜的主任務配置，整合多種不同類型的挖掘演算法。因此，開發和建立這樣的計算平台和工具，支持應用領域的數據分析人員進行有效的分析是大數據挖掘中的一個重要任務。
FIU-Miner系統用在了不同方面：如高端製造業、倉庫智能管理、空間數據處理等，TerraFly GeoCloud是建立在TerraFly系統之上的、支持多種在線空間數據分析的一個平台。提供了一種類SQL語句的空間數據查詢與挖掘語言MapQL。它不但支持類SQL語句，更重要的是可根據用戶的不同要求，進行空間數據挖掘，渲染和畫圖查詢得到空間數據。通過構建空間數據分析的工作流來優化分析流程，提高分析效率。
製造業是指大規模地把原材料加工成成品的工業生產過程。高端製造業是指製造業中新出現的具有高技術含量、高附加值、強競爭力的產業。典型的高端製造業包括電子半導體生產、精密儀器製造、生物制葯等。這些製造領域往往涉及嚴密的工程設計、復雜的裝配生產線、大量的控制加工設備與工藝參數、精確的過程式控制制和材料的嚴格規范。產量和品質極大地依賴流程管控和優化決策。因此，製造企業不遺餘力地採用各種措施優化生產流程、調優控制參數、提高產品品質和產量，從而提高企業的競爭力。
在空間數據處理方面，TerraFly GeoCloud對多種在線空間數據分析。對傳統數據分析而言，其難點在於MapQL語句比較難寫，任務之間的關系比較復雜，順序執行之間空間數據分許效率較低。而FIU-Miner可有效解決以上三個難點。
總結而言，大數據的復雜特徵對數據挖掘在理論和演算法研究方面提出了新的要求和挑戰。大數據是現象，核心是挖掘數據中蘊含的潛在信息，並使它們發揮價值。數據挖掘是理論技術和實際應用的完美結合。數據挖掘是理論和實踐相結合的一個例子。
-
-

⑸ 演算法設計的本書特點

以各種演算法設計技術（如貪心法、分治策略、動態規劃、網路流、近似演算法、隨機演算法等）為主線來組織素材，突出了演算法設計的思想和分析的基本原則，為從事實際問題的演算法設計與分析工作提供了清晰的、整體的思路和方法。
本教材內容非常豐富，不但深入系統地闡述了演算法設計與分析的理論，而且給出了大量的典型範例和參考文獻。
本教材以演算法為主線來處理演算法與數據結構的關系。這種安排突出了演算法設計的中心思想，避免了與數據結構課程在內容上的重復，更加適合於國內的教學計劃。
本教材的敘述和選材非常適合教學。內容由淺入深，由具體到抽象，從演算法設計技術與分析方法自然過渡到計算復雜性理論，選配了大量難度適當的練習，並給出求解範例。

⑹ 美國留學計算機專業分類有哪些

給題主介紹全一點吧，計算機專業下的小專業，以及主要研究方向。

題主可以參考一下下面整理的一些方向的信息，其實對於碩士研究生來說是以上課為主，除了CMU把CS分成了二十幾個細小的方向，其他學校基本上都是按照大類來申請，錄取後除了規定的必修課以外，有很多方向的課供你選修，這時你需要根據你的職業方向來選擇某個領域來學習，當然你也可以選修多個領域的課程。

如果是申請博士研究生的話，方向則需要在申請前就確定好。

目前肯定是人工智慧比較火，但是我覺得火的方向不一定會適合每個人，重點還是要看你的興趣點在哪裡。

1. 人工智慧 Artificial Intelligence

這個領域包含廣泛的研究課題，包括知識表示，機器學習，計算機視覺，推理和機器人等。

知識表示（knowledge representation）：把知識按照一種有利於推理（得出結論）的方式表示出來。

機器學習（machine learning）：自動學習如何識別復雜模式並基於數據作出智能決策。

計算機視覺（computer vision）：使機器自動從圖像和視頻中提取信息並理解其中包含的視覺概念。

推理（reasoning）：學習推理的計算模型。

機器人（robotics）：工程學和機器人技術，以及它們的設計，製造，應用和結構配置。

2. 生物信息學和計算生物學 Bioinformatics and Computational Biology

生物信息學（Bioinformatics）：研究生物信息的採集、處理、存儲、傳播，分析和解釋 。

計算生物學（Computational Biology）：開發和應用數據分析及理論的方法、數學建模和計算機模擬技術,並用於生物學研究 。

3. 系統與網路 Systems and Networking

（1）網路與分布式系統（Networking and distributed systems）：移動通信系統，無線網路協議（wireless protocols），Ad-hoc網路，服務質量管理（Quality of Service management，QoS），多媒體網路，計算機對等聯網（peer-to-peer networking, P2P），路由，網路模擬，主動隊列管理（active queue management, AQM）和感測器網路（sensor networks）。

（2）操作系統（Operating system）：分布式資源管理，普適計算（ubiquitous computing/pervasive computing）環境管理，反射中間件（reflective middleware），中間件元級操作系統（middleware 「meta-operating systems」），面向對象操作系統設計，允許單個用戶與多計算機、對等操作系統服務交互的用戶設計，上下文敏感的分布式文件系統，數據中心的電源管理，文件/存儲系統，自主計算（autonomic computing），軟體健壯性的系統支持以及資料庫的系統支持。

（3）安全（Security）: 隱私，普適計算，無線感測器（wireless sensors），移動式和嵌入式計算機，規范，認證，驗證策略，QoS保證和拒絕服務保護，下一代電話通訊，操作系統虛擬化和認證，關鍵基礎設施系統，例如SCADA控制系統和醫療，消息系統，安全網關，可用性安全。

（4）實時和嵌入式系統（Real-time and embedded systems）：開放式實時系統，Qos驅動的實時調度和通信協議，控制設計和實時調度整合，實時、容錯和安全協議整合，網路化器件和智能空間的魯棒動態實時構架。

4. 理論與演算法 Theory and Algorithms

計算機理論研究主要集中在演算法和數據結構的設計與分析，以及計算復雜性的研究。

具體包括最優化（optimization），計算幾何和拓撲（computational geometry and topology），近似演算法（approximation algorithms），密碼（cryptography）和安全計算（secure computation），網路設計（network design），數據挖掘（data mining），機器學習（machine learning），有限元網格生成（finite-element mesh generation）和自動化軟體驗證（automatic software verification）。

5. 編程語言 Programming Languages

該領域的研究包括計算機語言的設計與實現，其目標是同時提高開發人員的開放效率和軟體質量。包含如下一些課題：

（1）程序語言設計和實現（Programming Language Design and Implementation）：編譯器優化（Compiler optimization），語義（Semantics），即時編譯器（JIT complier），域特定語言（DSL：Domain-specific languages）。

（2）編程環境和工具（Programming Environments and Tools）：監控（Monitoring），程序員搜索引擎（Programmer search engines），基於模型的設計（Model-based design）。

（3）程序分析和驗證（Program Analysis and Verification）：模型檢測（Model checking），靜態和動態分析（Static and dynamic analysis），定理證明（Theorem proving），實時系統的任務調度分析（Schelability analysis for real-time systems）。

6. 資料庫與信息系統 Database and Information Systems

包括以下研究內容：

（1）資料庫（Database）：數據模型，數據查詢、集成，各種資料庫系統的設計、實現等。

（2）數據挖掘（Data Mining）：從數據中提取模式的處理過程。它在很多領域有廣泛的應用，例如市場營銷、監測、入侵檢測和科學發現。數據挖掘和機器學習很相關，但是數據挖掘更關注實際應用。

（3）信息檢索（Information Retrieval）：研究如何提取各種媒體（文本、音頻、視頻等，目前的研究以文本居多）中的信息，同時還搜索與之關聯的資料庫和萬維網。

（4）自然語言處理（Natural language processing）：構建一種可以分析、理解和生成自然語言的計算機系統。研究課題包含自動摘要（automatic summarization），語篇分析（discourse analysis），機器翻譯（machine translation），命名實體識別（named entity recognition），自然語言生成（natural language generation）和語音識別（speech recognition）等。

7. 圖形學與多媒體 Graphics and Multimedia

圖形學的研究包含對自然景象的建模和動畫生成（modeling and animation of natural phenomena），計算拓撲學（computational topology），圖形硬體的使用（graphics hardware utilization），渲染（rendering），網格處理和簡化（mesh processing and simplification），形狀建模（shape modeling），曲面參數化（surface parameterization）和可視化處理（visibility processing）等。

多媒體研究包括圖像處理（image processing），視頻處理（video processing），音頻分析（audio analysis），文本檢索和理解（text retrieval and understanding），數據挖掘和分析，以及數據融合（data fusion）。因為多媒體數據包含不同格式的數據（如文本，音頻，視頻），所以它的研究包含很多不同領域的技術和理論。

8. 人機交互 Human-Computer Interaction (HCI)

HCI主要研究人和計算機之間的交互。它通常被認為是計算機科學、行為科學、設計及其他相關領域研究的交叉學科。

研究課題包括：

(1) 上下文感知計算（Context-aware computing）: 行為分析，智能空間（Smart Spaces），定位感知系統（Location-aware systems），隱私技術。

(2) 感知人機界面（Perceptual Interfaces）：基於視覺的界面（Vision-based interfaces），語音和話語界面（speech and discourse interfaces）。

(3) 協同和學習（Collaboration and Learning）：基於模式的編輯工具（Pattern-based authoring tools），ESL (English as a second language) 學習，群組協同技術（group collaboration technologies），包含按地理分布的遠程沉浸協同（geographically distributed tele-immersive collaboration）等。

(4) 驗光和人的視覺模擬（Optometry and Human Vision Simulation）：計算機輔助的角膜建模和可視化，醫學成像（medical imaging），手術模擬的虛擬環境（virtual environments for surgical simulation），模擬渲染（vision realistic rendering）。

希望我的回答可以幫到題主。

⑺ 演算法設計與分析習題解答（第2版）的目錄

第1章演算法引論
習題1-1 實參交換
習題1-2 方法頭簽名
習題1-3 數組排序判定
習題1-4 函數的漸近表達式
習題1-5 O（1）和O（2）的區別
習題1-7 按漸近階排列表達式
習題1-8 演算法效率
習題1-9 硬體效率
習題1-10 函數漸近階
習題1-11 n！的階
習題1-12 平均情況下的計算時間復雜性
演算法實現題1-1 統計數字問題
演算法實現題1-2 字典序問題
演算法實現題1-3 最多約數問題
演算法實現題1-4 金幣陣列問題
演算法實現題1-5 最大間隙問題
第2章 遞歸與分治策略
習題2-1 Hanoi塔問題的非遞歸演算法
習題2-2 7個二分搜索演算法
習題2-3 改寫二分搜索演算法
習題2-4 大整數乘法的O（n1Og（3/2））演算法
習題2-5 5次7//3位整數的乘法
習題2-6 矩陣乘法
習題2-7 多項式乘積
習題2-8 不動點問題的O（1O9n）時間演算法．
習題2-9 主元素問題的線性時間演算法
習題2-10 無序集主元素問題的線性時間演算法
習題2-11 O（1）空間子數組換位演算法
習題2-12 O（1）空間合並演算法
習題2-13 n段合並排序演算法
習題2-14 自然合並排序演算法
習題2-15 最大值和最小值問題的最優演算法
習題2-16 最大值和次大值問題的最優演算法
習題2-17 整數集合排序
習題2-18 第k小元素問題的計算時間下界」
習題2-19 非增序快速排序演算法
習題2-20 隨機化演算法
習題2-21 隨機化快速排序演算法
習題2-22 隨機排列演算法」
習題2-23 演算法qSort中的尾遞歸
習題2-24 用棧模擬遞歸
習題2-25 演算法se1ect中的元素劃分
習題2-26 O（nlogn）時間快速排序演算法
習題2-27 最接近中位數的k個數
習題2-28 X和y的中位數
習題2-29 網路開關設計
習題2-32 帶權中位數問題
習題2-34 構造Gray碼的分治演算法
習題2-35 網球循環賽日程表
演算法實現題2-1 輸油管道問題（習題2-3O）
演算法實現題2-2 眾數問題（習題2-31）
演算法實現題2-3 郵局選址問題（習題2-32）
演算法實現題2-4 馬的Hami1tOn周遊路線問題（習題2-33）
演算法實現題2-5 半數集問題
演算法實現題2-6 半數單集問題
演算法實現題2-7 士兵站隊問題
演算法實現題2-8 有重復元素的排列問題
演算法實現題2-9 排列的字典序問題
……
第3章 動態規劃
第4章 貪心演算法
第5章 回溯法
第6章 分支限界法
第7章 概率演算法
第8章 NP完全性理論
第9章 近似演算法
第10章演算法優化策略
第11章 在線演算法設計

⑻ 計算機演算法設計與分析的內容簡介

《計算機演算法設計與分析(第3版)》為普通高等教育「十一五」國家級規劃教材，是計算機專業核心課程「演算法設計與分析」教材。全書以演算法設計策略為知識單元，系統介紹計算機演算法的設計方法與分析技巧。主要內容包括：演算法概述、遞歸與分治策略、動態規劃、貪心演算法、回溯法、分支限界法、隨機化演算法、線性規劃與網路流、NP完全性理論與近似演算法等。書中既涉及經典與實用演算法及實例分析，又包括演算法熱點領域追蹤。
為突出教材的可讀性和可用性，章首增加了學習要點提示；章末配有難易適度的習題，分為演算法分析題和演算法實現題兩部分；配套出版了《演算法設計與實驗題解》；並免費提供電子課件和教學網站服務。

⑼ 請大俠給我推薦幾個演算法的書.因為我沒讀過,所以請在回答的時候告訴我推薦的理由,最好有內容.

《演算法導論》

本書深入淺出，全面地介紹了計算機演算法。對每一個演算法的分析既易於理解又十分有趣，並保持了數學嚴謹性。本書的設計目標全面，適用於多種用途。涵蓋的內容有：演算法在計算中的作用，概率分析和隨機演算法的介紹。本書專門討論了線性規劃，介紹了動態規劃的兩個應用，隨機化和線性規劃技術的近似演算法等，還有有關遞歸求解、快速排序中用到的劃分方法與期望線性時間順序統計演算法，以及對貪心演算法元素的討論。本書還介紹了對強連通子圖演算法正確性的證明，對哈密頓迴路和子集求和問題的NP完全性的證明等內容。全書提供了900多個練習題和思考題以及敘述較為詳細的實例研究。

目錄（Table of Contents）

前言（Preface）

第一部分（Part I） 基礎（Foundations）

第一章 計算中演算法的角色（The Role of Algorithms in Computing）

第二章 開始（Getting Started）

第三章 函數的增長率（Growth of Functions）

第四章 遞歸（Recurrences）

第五章 概率分析與隨機化演算法（Probabilistic Analysis and Randomized Algorithms）

第二部分（Part II） 排序與順序統計（Sorting and Order Statistics）

第六章 堆排序（Heapsort）

第七章快速排序（Quicksort）

第八章 線性時間中的排序（Sorting in Linear Time）

第九章 中值與順序統計（Medians and Order Statistics）

第三部分（Part III） 數據結構（Data Structures）

第十章 基本的數據結構（Elementary Data Structures）

第十一章 散列表（Hash Tables）

第十二章 二叉查找樹（Binary Search Trees）

第十三章 紅-黑樹（Red-Black Trees）

第十四章 擴充的數據結構（Augmenting Data Structures）

第四部分（Part IV） 高級的設計與分析技術（Advanced Design and Analysis Techniques）

第十五章 動態規劃（Dynamic Programming）

第十六章 貪婪演算法（Greedy Algorithms）

第十七章 分攤分析（Amortized Analysis）

第五部分（Part V） 高級的數據結構（Advanced Data Structures）

第十八章 B-樹（B-Trees）

第十九章 二項式堆（Binomial Heaps）

第二十章 斐波納契堆（Fibonacci Heaps）

第二十一章 不相交集的數據結構（Data Structures for Disjoint Sets）

第六部分（Part VI） 圖演算法（Graph Algorithms）

第二十二章 基本的圖演算法（Elementary Graph Algorithms）

第二十三章 最小生成樹（Minimum Spanning Trees）

第二十四章單源最短路徑（Single-Source Shortest Paths）

第二十五章 全對的最短路徑（All-Pairs Shortest Paths）

第二十六章 最大流（Maximum Flow）

第七部分（Part VII） 精選的主題（Selected Topics）

第二十七章 排序網路（Sorting Networks）

第二十八章矩陣運算（Matrix Operations）

第二十九章 線性規劃（Linear Programming）

第三十章 多項式與快速傅里葉變換（Polynomials and the FFT）

第三十一章 數論演算法（Number-Theoretic Algorithms）

第三十二章 字元串匹配（String Matching）

第三十三章 計算幾何學（Computational Geometry）

第三十四章 NP-完備性（NP-Completeness）

第三十五章 近似演算法（Approximation Algorithms）

第八部分（Part VIII） 附錄：數學背景（Mathematical Background）

附錄A 求和（Summations）

附錄B 集合，等等。（Sets, Etc.）

附錄C 計數與概率（Counting and Probability）

參考文獻（Bibliography）

索引（Index）