當前位置:首頁 » 操作系統 » 改善演算法例題

改善演算法例題

發布時間: 2022-05-23 02:33:12

A. 改善重點值怎麼算

改善重點值演算法:總目標值=現況值-改善值(現況值*累積百分比*圈員能力)。品管圈就是由相同、相近或互補之工作場所的人們自動自發組成數人。柏拉圖的用意是找重點。將各個問題點依次從大到小按比例繪出折線圖(起始點從左下角交叉點開始),就是柏拉圖100%. 也算是80/20原則,前三項是重點改善對象。

演算法:

演算法是指解題方案的准確而完整的描述,是一系列解決問題的清晰指令,演算法代表著用系統的方法描述解決問題的策略機制。也就是說,能夠對一定規范的輸入,在有限時間內獲得所要求的輸出。如果一個演算法有缺陷,或不適合於某個問題,執行這個演算法將不會解決這個問題。不同的演算法可能用不同的時間、空間或效率來完成同樣的任務。

B. 如何改進此演算法,使得演算法效率提高

voidDeletaz(ElemTypex)
{
inti=0,j;
while(i<length&&elem[i]<x)i++;
if(i==length)cout<<」X不存在」<<endl;
else{
while(elem[i]==x)
{n++;i++;}//關鍵在這里
for(j=i;j<length-1;j++)
elem[j-n]=elem[j];
length=length-n;
}
}

解析:這里用了一個變數n,可以更好的解決連續出現x的情況,你可以想一下,假設數據是{1,2,x,x,x,3,3,3},按照原先的代碼,連續的3個x需要連續3次運行

for(j=I;j<length;j++)elem[j]=elem[j+1];
length--;

而此處則僅需要一次,相對而言提高了效率,但是這也不是絕對的,比如:如果所有的x都不是連續出現的,那麼這兩個代碼沒什麼區別!

C. 效率提升率計算方法 改善前36秒一個,改善後16秒一個,問效率提升多少

效率提升率=(改善前的效率-改善後效率)÷改善前效率×100%
=(36-16)÷36×100%
=55.6%
答:效率提升了55.6%

D. 問題點需改善20,已改善16項,怎麼算他它的改善率

題目中給出了需要改善的問題點總量是20項,目前已經改善了16項,那就用16÷20=80%,也就是說改善率為80%

E. 如何改進演算法,提高程序效率

從根本上了解演算法是怎麼執行的,這樣可以做到一通百通。

一般來說,降低時間復雜度是比較好的方法。 有時候,佔用更多的內存可以幫助程序更快的運行。還有就是選用效率高的語言,例如C。

F. 哪位有leach 改進的演算法,並且使用ns2 模擬的,最好有實例,可以學習一下

請參考如下網址,這個網頁上有一個到PDF格式文檔的鏈接,寫的還行。模擬環境是以NS2為平台,符合你的要求。

http://zk.shejis.com/zklw/200809/article_5881.html

----------------------------------------------------------------------------------

LEACH()是一種經典的WSN路由協議,得到了廣泛的認可。本文基於LEACH演算法提出了一個新的路由協議,綜合考慮候選節點的剩餘能量和簇首節點的分布位置以及簇首節點的個數,從而有效地降低了低能量與位置不佳的節點被選為簇首的可能性,進一步保證了網路節點能量負載的平衡性。模擬結果表明,該演算法能有效的平衡節點的能量消耗分布,延長節點與網路的壽命。
關鍵字:無線感測器網路 LEACH 協議 能量有效性 負載平衡

1.引言

無線感測器網路是由大量無處不在的、具有無線通信與計算能力的微小感測器節點構成的自組織(Ad-hoc)分布式網路系統,是能根據環境自主完成指定任務的「智能」系統。它以「數據為中心」,具有有限的計算能力、有限的存儲能力、有限的無線通信能力和有限的電源供應能力,如何在這樣有限的資源環境下獲取盡可能多的、有效的感知對象的特徵信息,並傳輸到用戶節點進行處理,是目前研究的重點問題,這些問題都可以歸結為感測器網路的路由問題,即要有一個好的路由協議以盡量降低能耗、延長網路生存時間。

無線感測器網路的路由協議可以分成平面路由協議和分層路由協議兩種。由於平面路由協議需要維持較大的路由表,占據較多的存儲空間,因而並不適合在大規模網路中採用分層路由演算法可以在一定程度上解決這個問題。LEACH演算法是比較成熟經典且常用具有代表性的分層路由演算法。因此本文主要研究LEACH演算法,並針對其不足進行了改進。

2.LEACH路由演算法

2.1演算法描述

LEACH是MIT的Chandrakasan等人為無線感測網設計的低功耗自適應分層路由演算法。它的基本思想是以循環的方式隨機選擇簇首節點,將整個網路的能量負載平均分配到每個感測器節點中,從而達到降低網路能源消耗、提高網路整體生存時間的目的。LEACH在運行過程中不斷地循環執行簇的重構過程。每個簇重構過程可以用「輪(round)」的概念來描述。每個輪可以分成兩個階段:簇的建立階段和傳輸數據的穩定階段。為了節省資源開銷,穩定階段的持續時間要大於建立階段的持續時間。

簇首節點的選擇依據網路中所需要的簇首節點總數和迄今為止每個節點已成為簇首的次數來決定。具體的選擇辦法是:每個感測器節點選擇0—1之間的一個值,如果選定的值小於某個閾值T(n),那麼這個節點成為簇首節點。閾值T(n)計算如下:

......(略,請見PDF文檔附件)

附件:
http://www1.shejis.com/uploadfile/zk/uploadfile/200809/20080909112812124.rar)

G. bp神經網路的演算法改進一共有多少種啊!麻煩舉例一下!

改進點主要在以下幾個方面
1激勵函數的坡度
———————誤差曲面的平台和不收斂現象
————————————————激勵函數中引入陡度因子,分段函數做激勵函數

2誤差曲面
——————誤差平方做目標函數,逼近速度慢,過擬合
————————————————標准誤差函數中加入懲罰項
————————————————信息距離和泛化能力之間的關系,構建新的神經網路學習函數
3網路初始權值的選取
—————————通常在【0,1】間選取,易陷入局部最小
—————————————————復合演算法優化初始權值
—————————————————Cauchy不等式和線性代數方法得最優初始權值
4改進優化演算法
————————標准BP採用梯度下降法,局部最小收斂慢
——————————————————共扼梯度法、Newton法、Gauss一Ncwton法、Lvenber_Marquardt法、快速傳播演算法
——————————————————前饋網路學習演算法,二階學習演算法,三項BP演算法,最優學習參數的BP演算法。
5.優化網路結構
————————拓撲結構中網路層數、各層節點數、節點連接方式的不確定性
——————————————構造法和剪枝法(權衰減法、靈敏度計算方法等)
——————————————網路結構隨樣本空間進行變換,簡化網路結構
6混合智能演算法
————————與遺傳演算法、進化計算、人工免疫演算法、蟻群演算法、微粒群演算法、
————————模糊數學、小波理論、混沌理論。細胞神經網路

H. 改進計算方法

在早期油氣資源評價中,通常應用評價模型,對各參數僅取一個固定值進行簡單的運算,所得結果也是一個值。實際上,對於地下評價對象,其大多數參數具有時空變化性,用一個固定值,不管是統計所得均值還是其他值,都很難代表該參數,更無法准確刻畫該參數的時空非均質性。在這種情況下,很顯然應用單值運算得到的結果很難反映地下評價對象的客觀實際。因此,為提高評價質量和結果可信性,必須改進計算方法。

14.4.1 應用網格化方法逼近資源分布

這種方法的基本思路是:

(1)根據大量觀測點數據,編制各單一參數的平面分布圖,通常為平面等值線圖,如生油岩等厚圖等,個別為分區等級圖,如演化程度圖。以這些平面分布圖簡化表示各參數空間變化,主要是把各參數的垂向變化,用平均值簡化為非變化的固定值,如所謂生油岩有機質豐度等值線圖,即是把各點垂向上有機質豐度變化簡化為非變化的固定值。(2)在平面上建立固定的網格,其網格一般是按均勻法設置,但也可用非均勻網格,網格的多少視各變數平面變化快慢、計算機速度和容量而定。原則上是網格越多、越細就越准確地刻畫參數平面變化情況。

(3)以同一網格在各參數分布圖上讀取網格結點(或網格中點)上參數具體數值。

(4)針對每一個網格結點(或網格中點),按照資源評價模型,分別計算生烴量、排烴量等,然後編制生烴量、排烴量等值線圖。

(5)依據各等值線間距所佔面積,計算該間距所佔的生烴量、排烴量等,再累加得全區生烴量、排烴量。乘以相應運聚系數即得全區資源量。

14.4.2 蒙特卡洛法

所謂蒙特卡洛法是一種數值計算方法,其含義是利用隨機抽樣方法在各參數分布曲線取定數值,然後根據評價模型進行運算,結果得到一定值,反復如上過程成千上萬次,結果就有成千上萬個定值,再將這些定值進行統計,得到結果分布曲線。該方法已廣泛應用於油氣資源評價,其優點是:以一個分布曲線來逼近地下評價對象及較可能值、最可能值。這更加符合人們對地下評價對象的認識過程和局限性、不確定性。

該方法的計算步驟如下:

(1)通過資料處理解釋、分析化驗、圖件讀取等方法,產生和採集、整理各參數的數據,原則上是越多越好。同時剔除奇異點。

(2)根據整理的數據,統計建立各參數概率分布曲線。當數據較多,如多於幾十個時,統計分布曲線代表性強、可靠性高。但當數據少到只幾個或十餘個時,可依據該參數的分布概型(一般是經驗已知的分布模型,如正態分布、對數正態分布等),構造實際的分布曲線。但當數據少到只幾個且其分布概型也不確定時,最好用均勻分布或三角分布代替其分布。

(3)利用計算機產生隨機數,其中最簡單最基本的是均勻分布隨機數。要求隨機數產生後必須經過嚴格的檢驗(如均勻性檢驗、獨立性檢驗、組合規律性檢驗、連續性檢驗等),性質符合要求時方可投入使用。隨機數個數越多越好,最好成千上萬。隨機數值區間為0~1。

(4)以隨機數值為概率入口值,用插值法在某一參數分布取該概率所對應的參數值(圖14-1)。再用另一個隨機數值在另一參數分布曲線上求取該參數值(圖14-2)。以此類推。再將所求取的各參數的值(一個參數只一個值)按評價模型相乘除或加減,得到一個結果(圖14-3)。反復此過程,得到成千上萬個結果。

圖14-1 抽樣計算過程示意圖

(5)再將所得結果進行數理統計,得到結果概率分布圖(圖14-3)。一般而言,蒙特卡洛計算所用參數概率分布可以是各種各樣,但其結果分布一般都是正態分布或對數正態分布。

圖14-2 多參數抽樣計算過程示意圖

圖14-3 蒙特卡洛計算過程示意圖

14.4.3 模糊數學計算方法

在一些研究對象中,不同事物的界線是截然不同的,如水可以有冰、水、汽三種形態,其界限一般是明確的;而在某些對象,不同事物之間的界限是不明確的,例如在石油地質中,儲層的「滲透性好」和「滲透性差」是兩個截然不同的概念,但有時對於某個具體的對象,要把它歸到「滲透性好」或「滲透性差」卻不容易。模糊數學用隸屬度來描述這種情況,即用數值來表示某對象屬於某事物的程度,一個對象可以「屬於」兩類甚至兩類以上事物,分別以兩個隸屬度描述它屬於這兩類事物的程度,這樣,較合理地解決了這類問題。

當用模糊數學評價圈閉的含油氣性時,即用一個向量來表示一個圈閉:

油氣資源評價方法與實踐

研究對象含k個圈閉,則用集合Ui來表示這個圈閉群:

油氣資源評價方法與實踐

n個地質因素在評價圈閉的含油氣性中起的作用不同,各因素用一個權ai值表示其在評價中的作用大小:

油氣資源評價方法與實踐

每個地質因素用m個級別來表示其有利程度:

油氣資源評價方法與實踐

Ci是用整數表示的一種屬性,其具體值依m不同而異。

當m=3時,C=[-1 0 1]

當m=5時,C=[-2-1 0 1 2]

當m=7時,C=[-3-2-1 0 1 2 3]

一個圈閉的某個地質因素用它對各屬性的隸屬度來表示(如表14-1)。

表14-1 地質因素各屬性的隸屬度表

對一個圈閉用n個變數來描述,每個變數的表述將轉變為一個向量,而一個圈閉原來用一個向量表示,將變為用綜合評價變換矩陣R表示:

油氣資源評價方法與實踐

用各地質因素的權和各圈閉的綜合評價變換矩陣算出各圈閉的綜合評價,這個計算過程稱為合成:

油氣資源評價方法與實踐

式中h是樣品號,Rh是第h號樣品的綜合評價變換矩陣,Bh是n(變數數)個數構成的向量,其各元素為

油氣資源評價方法與實踐

這里,○表示某種演算法,這些演算法都是由下列4種基本演算法演化出來的(假設a、r為模糊集合中的兩元素)。

1)a∨r=max(1,r)

2)a∧r=min(a,r)

3)a·r=ar

4)a⊕r=min(a,1+r)

按照這樣合成得出一個樣品向量,然後計算綜合評價值(綜合得分)D:

油氣資源評價方法與實踐

結果為一個數。各圈閉按其D值排隊,就是這些圈閉的優劣排隊。每採用一個合成法,就有一個B,相應有一個D值,就有一個排隊,因為B的產生方法不同,各變數值所起作用不盡相同,同樣的原始數據會有不同的排隊結果。

14.4.4 神經網路計算方法

人工神經網路是指由大量與自然神經系統的神經細胞相類似的(人工)神經元互聯而成的網路。

神經網路的結構和特性是由神經元的特性和它們之間的連接方式決定的。人工神經元之間通過互聯形成網路。互聯的方式稱為連接模式。神經元之間的連接強度為連接權。當網路的連接權矩陣確定後,網路的連接模式也就確定了。

在人工神經網路中,信息處理過程或存貯知識的改變是通過修改神經元間的連接模式來完成的。這一修改過程稱做神經網路的訓練或學習。不同的權矩陣調整方式,就是不同的學習方式。

神經網路的學習和神經網路的結構沒有一一對應的關系。不同的神經網路可以採用相同的學習演算法進行訓練;同一神經網路也可以採用不同的學習演算法進行訓練。

一般採用多層前向神經網路,用誤差反傳(BP)演算法。

對於一個由3層組成的神經網路模型,第一層為輸入層,第二層為中間層,第三層為輸出層。第一層的神經元數為n,中間層的神經元數為1,第三層的神經元數為1。

第1層為輸入層,由M個樣品的n個神經元組成,約定第k個樣品(圈閉)的輸入,即第1層神經元為:xk1,xk2,…,xkn,相應的輸出為Tk,其中,k為樣品號,k=1,2,3,…,M,n為神經元數,在此可理解為自變數數。

第2層為隱層,其神經元數1是用戶設定的,由x與權系數矩陣W2相乘算出,第k個樣品的中間層為

油氣資源評價方法與實踐

F(t)採用S型(Signmoid)壓縮函數:

油氣資源評價方法與實踐

為了能控制u的取值,把第一式改為:x0=-1,w0j=ξ,記

油氣資源評價方法與實踐

則第二式成為

t的值除與Wij,xi有關外,還與變數數n有關,為了讓的值在0~1的范圍內,就需要

油氣資源評價方法與實踐

給一個適當的ξ值。

中間層到輸出層的計算與此相仿。只是它用另外一個W(矩陣)。

如果找到合適的W(兩個W陣),則由輸入的各樣品的X算出各樣品的y值應與原樣品的輸出值T相同或很接近。我們的任務就是要求這兩個W陣。

油氣資源評價方法與實踐

開始的W陣是隨機產生的。當然它算出各樣品的y不會等於T。我們用E(W)來衡量它的偏差:

油氣資源評價方法與實踐

當E(W)<ε時,學習完成。當E(W)>ε時,就要修改兩個W陣,讓E(W)逐漸變小,就現在的這個模型(一共有3層,輸出層只有一元)來說,修改W分兩步,第一步修改由u計算y的W,第二步修改由x計算u的W。

油氣資源評價方法與實踐

油氣資源評價方法與實踐

這樣,每次根據算出的y來指導修改兩層的W陣,直至E(W)<ε,學習完成。

學習完成後,得到兩個W陣,把待判樣品的x向量按既定的模式計算可得各樣品的y值,為具體對象的評價。

I. 譚老師你又錯了!譚浩強的C語言程序設計第四版第138頁的例題5.11,第二種程序改進演算法有錯誤。

'V'的ascii碼為86,'Z'的是90,'V'不在'Z'和'Z'+4之間,'V'+4='Z',計算結果等於'@'.
你能發現書上的漏洞說明學會了,懂了,但我認為不要因噎廢食,書上的小錯誤還可以成為挑戰.

J. 小學題目,不會做,寫代碼來算,但是效率很慢,求高端演算法改進

我給你個數學的解法把。
假設5個數為abcde,其中a是最小的數(不管5個數怎麼排,總是能找到最小的那個數為頭的一串隊列)。
那麼ab間肯定是a整除b
bc間,如果b整除c,那麼a就能整除c,所以必須要c整除b
同理cd間,必須是c整除d
de間,必須是e整除d
然後ea之間。如果是e整除a,那麼因為a整除b,e就能整除b,不滿足;如果a整除e,那麼因為e整除d,a就能整除d,也不滿足。
綜上,找不到這樣的值。
所以你編程的話,循環到溢出也不可能有結果的。

熱點內容
有機小分子生物活性資料庫下載 發布:2024-04-22 15:22:24 瀏覽:48
計算表達式c語言 發布:2024-04-22 15:08:10 瀏覽:431
php學習哪兒好 發布:2024-04-22 15:03:38 瀏覽:292
部落沖突安卓如何登錄ios 發布:2024-04-22 14:39:48 瀏覽:476
合法PHP 發布:2024-04-22 14:39:42 瀏覽:942
星界邊境伺服器連接ip 發布:2024-04-22 14:38:07 瀏覽:500
汽車頭枕怎麼配置 發布:2024-04-22 14:37:12 瀏覽:904
python獲取網卡 發布:2024-04-22 14:37:07 瀏覽:288
本地磁碟拒絕訪問 發布:2024-04-22 14:36:20 瀏覽:644
怎麼防sql注入 發布:2024-04-22 14:23:51 瀏覽:214