近似算法的设计与分析

⑴ 《算法设计技巧与分析》pdf下载在线阅读，求百度网盘云资源

《算法设计技巧与分析》（[沙特]M. H. Alsuwaiyel）电子书网盘下载免费在线阅读

资源链接：

链接：

书名：算法设计技巧与分析

作者：[沙特]M. H. Alsuwaiyel

译者：吴伟昶

豆瓣评分：7.5

出版社：电子工业出版社

出版年份：2004-8

页数：318

内容简介：

本书是国际着名算法专家李德财教授主编的系列丛书“Lecture Notes Series on Computing”中的一本。本书涵盖了绝大多数算法设计中的一般技术，在表达每一种技术时，阐述它的应用背景，注意用与其他技术比较的方法说明它的特征，并提供大量相应实际问题的例子。本书同时也强调了对每一种算法的详细的复杂性分析。全书分七部分19章，从算法设计和算法分析的基本概念和方法入手，先后介绍了递归技术、分治、动态规划、贪心算法、图的遍历等技术，对NP完全问题进行了基本但清楚的讨论。对概率算法、近似算法和计算几何这些近年来发展迅猛的领域也用一定的篇幅讲述了基本内容。书中每章后都附有大量的练习题，有利于读者对书中内容的理解和应用。

本书结构简明，内容丰富，适合于作为计算机学科以及相关学科算法课程的教材和参考书，尤其适宜于学过数据结构和离散数学课程之后的算法课教材。同时也可作为从事算法研究的一本好的入门书。

⑵ 算法的6种设计方法

算法的6种设计方法有分治与递归算法、散列与凝聚算法、贪心算法、动态规划算法、回溯算法和分支限界算法。在每一章的开头，都先对相应的典型算法的基本思路进行详细、清晰的阐述，然后通过多种实际问题的求解，对该典型算法的设计方法作进一步的剖析。第8章对NP完全问题的基本理论进行讨论，并介绍了求解NP困难问题的近似算法和概率算法。

《算法设计方法》一书介绍了算法描述和算法分析的基本方法，详细介绍了各种典型算法的基本设计思路。算法是计算机科学的核心内容之一，也是应用电子计算机求解实际问题的基础。对复杂的实际应用问题的求解，大多都归结为算法的设计，然后把求解算法转化为计算机程序。

⑶ 中国科学院大学有哪些精品好课

. 王伟强老师的《图像分析与计算机视觉》，教材：冈萨雷斯の《数字图像处理》，王老师讲课很细，而且大部分都能推导证明，作业也相对很赞。
2.王斌老师的《现代信息检索》，教材《信息检索导论》，其实课程相对来说比较简单，王老师讲的也不错，关键是大作业，需要团队协作写一个信息检索系统，可以文本，可以语音（可惜我是水过来的）
3.李保滨老师的《矩阵分析与应用》，重要的事情说三遍，怕挂的不要选，怕挂的不要选，怕挂的不要选！！李老师对于这门课讲的矩阵知识比较有启发性，但是考试计算量太大，期末考据说评论卷面只有43分。
4.卜东波老师的《计算机算法设计与分析》，具体情况不说了，看看选课情况就知道有多火爆了。
5.孙翼老师的《计算机网络》，其实，计算机网络是本科教程，但是孙翼老师物理出身，讲了很多我在本科不了解的东西。关键爱听孙翼老师讲故事，聊人生，受听
6.卢开橙老师的《组合数学》，老师全程板书，一般都是讲一种定理然后给证明，最后连续讲好几种例子，我身边学习的同学认真学了现在都获益匪浅。
7.孙晓明老师的《高级算法设计》，主要涉及随机算法和近似算法，实属硬课，感觉功力不够听听就好。孙老师属于实力派，全程板书不看笔记直接证明！
当然不同的人有不同的喜好，有不同的选择标准。自己认为是好的，那么就是好的。
若满意，请采纳。谢谢。

⑷ 对于社交网络的数据挖掘应该如何入手，使用哪些算法

3月13日下午，南京邮电大学计算机学院、软件学院院长、教授李涛在CIO时代APP微讲座栏目作了题为《大数据时代的数据挖掘》的主题分享，深度诠释了大数据及大数据时代下的数据挖掘。

众所周知，大数据时代的大数据挖掘已成为各行各业的一大热点。
一、数据挖掘
在大数据时代，数据的产生和收集是基础，数据挖掘是关键，数据挖掘可以说是大数据最关键也是最基本的工作。通常而言，数据挖掘也称为DataMining，或知识发现Knowledge Discovery from Data，泛指从大量数据中挖掘出隐含的、先前未知但潜在的有用信息和模式的一个工程化和系统化的过程。
不同的学者对数据挖掘有着不同的理解，但个人认为，数据挖掘的特性主要有以下四个方面：
1.应用性（A Combination of Theory and Application）：数据挖掘是理论算法和应用实践的完美结合。数据挖掘源于实际生产生活中应用的需求，挖掘的数据来自于具体应用，同时通过数据挖掘发现的知识又要运用到实践中去，辅助实际决策。所以，数据挖掘来自于应用实践，同时也服务于应用实践，数据是根本，数据挖掘应以数据为导向，其中涉及到算法的设计与开发都需考虑到实际应用的需求，对问题进行抽象和泛化，将好的算法应用于实际中，并在实际中得到检验。
2.工程性（An Engineering Process）：数据挖掘是一个由多个步骤组成的工程化过程。数据挖掘的应用特性决定了数据挖掘不仅仅是算法分析和应用，而是一个包含数据准备和管理、数据预处理和转换、挖掘算法开发和应用、结果展示和验证以及知识积累和使用的完整过程。而且在实际应用中，典型的数据挖掘过程还是一个交互和循环的过程。
3.集合性（A Collection of Functionalities）：数据挖掘是多种功能的集合。常用的数据挖掘功能包括数据探索分析、关联规则挖掘、时间序列模式挖掘、分类预测、聚类分析、异常检测、数据可视化和链接分析等。一个具体的应用案例往往涉及多个不同的功能。不同的功能通常有不同的理论和技术基础，而且每一个功能都有不同的算法支撑。
4.交叉性（An Interdisciplinary Field）：数据挖掘是一门交叉学科，它利用了来自统计分析、模式识别、机器学习、人工智能、信息检索、数据库等诸多不同领域的研究成果和学术思想。同时一些其他领域如随机算法、信息论、可视化、分布式计算和最优化也对数据挖掘的发展起到重要的作用。数据挖掘与这些相关领域的区别可以由前面提到的数据挖掘的3个特性来总结，最重要的是它更侧重于应用。
综上所述，应用性是数据挖掘的一个重要特性，是其区别于其他学科的关键，同时，其应用特性与其他特性相辅相成，这些特性在一定程度上决定了数据挖掘的研究与发展，同时，也为如何学习和掌握数据挖掘提出了指导性意见。如从研究发展来看，实际应用的需求是数据挖掘领域很多方法提出和发展的根源。从最开始的顾客交易数据分析（market basket analysis）、多媒体数据挖掘（multimedia data mining）、隐私保护数据挖掘（privacy-preserving data mining）到文本数据挖掘（text mining）和Web挖掘（Web mining），再到社交媒体挖掘（social media mining）都是由应用推动的。工程性和集合性决定了数据挖掘研究内容和方向的广泛性。其中，工程性使得整个研究过程里的不同步骤都属于数据挖掘的研究范畴。而集合性使得数据挖掘有多种不同的功能，而如何将多种功能联系和结合起来，从一定程度上影响了数据挖掘研究方法的发展。比如，20世纪90年代中期，数据挖掘的研究主要集中在关联规则和时间序列模式的挖掘。到20世纪90年代末，研究人员开始研究基于关联规则和时间序列模式的分类算法（如classification based on association），将两种不同的数据挖掘功能有机地结合起来。21世纪初，一个研究的热点是半监督学习（semi-supervised learning）和半监督聚类（semi-supervised clustering），也是将分类和聚类这两种功能有机结合起来。近年来的一些其他研究方向如子空间聚类（subspace clustering）（特征抽取和聚类的结合）和图分类（graph classification）（图挖掘和分类的结合）也是将多种功能联系和结合在一起。最后，交叉性导致了研究思路和方法设计的多样化。
前面提到的是数据挖掘的特性对研究发展及研究方法的影响，另外，数据挖掘的这些特性对如何学习和掌握数据挖掘提出了指导性的意见，对培养研究生、本科生均有一些指导意见，如应用性在指导数据挖掘时，应熟悉应用的业务和需求，需求才是数据挖掘的目的，业务和算法、技术的紧密结合非常重要，了解业务、把握需求才能有针对性地对数据进行分析，挖掘其价值。因此，在实际应用中需要的是一种既懂业务，又懂数据挖掘算法的人才。工程性决定了要掌握数据挖掘需有一定的工程能力，一个好的数据额挖掘人员首先是一名工程师，有很强大的处理大规模数据和开发原型系统的能力，这相当于在培养数据挖掘工程师时，对数据的处理能力和编程能力很重要。集合性使得在具体应用数据挖掘时，要做好底层不同功能和多种算法积累。交叉性决定了在学习数据挖掘时要主动了解和学习相关领域的思想和技术。
因此，这些特性均是数据挖掘的特点，通过这四个特性可总结和学习数据挖掘。
二、大数据的特征
大数据（bigdata）一词经常被用以描述和指代信息爆炸时代产生的海量信息。研究大数据的意义在于发现和理解信息内容及信息与信息之间的联系。研究大数据首先要理清和了解大数据的特点及基本概念，进而理解和认识大数据。
研究大数据首先要理解大数据的特征和基本概念。业界普遍认为，大数据具有标准的“4V”特征：
1.Volume（大量）：数据体量巨大，从TB级别跃升到PB级别。
2.Variety（多样）：数据类型繁多，如网络日志、视频、图片、地理位置信息等。
3.Velocity（高速）：处理速度快，实时分析，这也是和传统的数据挖掘技术有着本质的不同。
4.Value（价值）：价值密度低，蕴含有效价值高，合理利用低密度价值的数据并对其进行正确、准确的分析，将会带来巨大的商业和社会价值。
上述“4V”特点描述了大数据与以往部分抽样的“小数据”的主要区别。然而，实践是大数据的最终价值体现的唯一途径。从实际应用和大数据处理的复杂性看，大数据还具有如下新的“4V”特点：
5.Variability（变化）：在不同的场景、不同的研究目标下数据的结构和意义可能会发生变化，因此，在实际研究中要考虑具体的上下文场景（Context）。
6.Veracity（真实性）：获取真实、可靠的数据是保证分析结果准确、有效的前提。只有真实而准确的数据才能获取真正有意义的结果。
7.Volatility（波动性）/Variance（差异）：由于数据本身含有噪音及分析流程的不规范性，导致采用不同的算法或不同分析过程与手段会得到不稳定的分析结果。
8.Visualization（可视化）：在大数据环境下，通过数据可视化可以更加直观地阐释数据的意义，帮助理解数据，解释结果。
综上所述，以上“8V”特征在大数据分析与数据挖掘中具有很强的指导意义。
三、大数据时代下的数据挖掘
在大数据时代，数据挖掘需考虑以下四个问题：
大数据挖掘的核心和本质是应用、算法、数据和平台4个要素的有机结合。
因为数据挖掘是应用驱动的，来源于实践，海量数据产生于应用之中。需用具体的应用数据作为驱动，以算法、工具和平台作为支撑，最终将发现的知识和信息应用到实践中去，从而提供量化的、合理的、可行的、且能产生巨大价值的信息。
挖掘大数据中隐含的有用信息需设计和开发相应的数据挖掘和学习算法。算法的设计和开发需以具体的应用数据作为驱动，同时在实际问题中得到应用和验证，而算法的实现和应用需要高效的处理平台，这个处理平台可以解决波动性问题。高效的处理平台需要有效分析海量数据，及时对多元数据进行集成，同时有力支持数据化对算法及数据可视化的执行，并对数据分析的流程进行规范。
总之，应用、算法、数据、平台这四个方面相结合的思想，是对大数据时代的数据挖掘理解与认识的综合提炼，体现了大数据时代数据挖掘的本质与核心。这四个方面也是对相应研究方面的集成和架构，这四个架构具体从以下四个层面展开：
应用层（Application）：关心的是数据的收集与算法验证，关键问题是理解与应用相关的语义和领域知识。
数据层（Data）：数据的管理、存储、访问与安全，关心的是如何进行高效的数据使用。
算法层（Algorithm）：主要是数据挖掘、机器学习、近似算法等算法的设计与实现。
平台层（Infrastructure）：数据的访问和计算，计算平台处理分布式大规模的数据。
综上所述，数据挖掘的算法分为多个层次，在不同的层面有不同的研究内容，可以看到目前在做数据挖掘时的主要研究方向，如利用数据融合技术预处理稀疏、异构、不确定、不完整以及多来源数据；挖掘复杂动态变化的数据；测试通过局部学习和模型融合所得到的全局知识，并反馈相关信息给预处理阶段；对数据并行分布化，达到有效使用的目的。
四、大数据挖掘系统的开发
1.背景目标
大数据时代的来临使得数据的规模和复杂性都出现爆炸式的增长，促使不同应用领域的数据分析人员利用数据挖掘技术对数据进行分析。在应用领域中，如医疗保健、高端制造、金融等，一个典型的数据挖掘任务往往需要复杂的子任务配置，整合多种不同类型的挖掘算法以及在分布式计算环境中高效运行。因此，在大数据时代进行数据挖掘应用的一个当务之急是要开发和建立计算平台和工具，支持应用领域的数据分析人员能够有效地执行数据分析任务。
之前提到一个数据挖掘有多种任务、多种功能及不同的挖掘算法，同时，需要一个高效的平台。因此，大数据时代的数据挖掘和应用的当务之急，便是开发和建立计算平台和工具，支持应用领域的数据分析人员能够有效地执行数据分析任务。
2.相关产品
现有的数据挖掘工具
有Weka、SPSS和SQLServer，它们提供了友好的界面，方便用户进行分析，然而这些工具并不适合进行大规模的数据分析，同时，在使用这些工具时用户很难添加新的算法程序。
流行的数据挖掘算法库
如Mahout、MLC++和MILK，这些算法库提供了大量的数据挖掘算法。但这些算法库需要有高级编程技能才能进行任务配置和算法集成。
最近出现的一些集成的数据挖掘产品
如Radoop和BC-PDM，它们提供友好的用户界面来快速配置数据挖掘任务。但这些产品是基于Hadoop框架的，对非Hadoop算法程序的支持非常有限。没有明确地解决在多用户和多任务情况下的资源分配。
3.FIU-Miner
为解决现有工具和产品在大数据挖掘中的局限性，我们团队开发了一个新的平台——FIU-Miner，它代表了A Fast,Integrated,and User-Friendly System for Data Miningin Distributed Environment。它是一个用户友好并支持在分布式环境中进行高效率计算和快速集成的数据挖掘系统。与现有数据挖掘平台相比，FIU-Miner提供了一组新的功能，能够帮助数据分析人员方便并有效地开展各项复杂的数据挖掘任务。
与传统的数据挖掘平台相比，它提供了一些新的功能，主要有以下几个方面：
A.用户友好、人性化、快速的数据挖掘任务配置。基于“软件即服务”这一模式，FIU-Miner隐藏了与数据分析任务无关的低端细节。通过FIU-Miner提供的人性化用户界面，用户可以通过将现有算法直接组装成工作流，轻松完成一个复杂数据挖掘问题的任务配置，而不需要编写任何代码。
B.灵活的多语言程序集成。允许用户将目前最先进的数据挖掘算法直接导入系统算法库中，以此对分析工具集合进行扩充和管理。同时，由于FIU-Miner能够正确地将任务分配到有合适运行环境的计算节点上，所以对这些导入的算法没有实现语言的限制。
C.异构环境中有效的资源管理。FIU-Miner支持在异构的计算环境中（包括图形工作站、单个计算机、和服务器等）运行数据挖掘任务。FIU-Miner综合考虑各种因素（包括算法实现、服务器负载平衡和数据位置）来优化计算资源的利用率。
D.有效的程序调度和执行。
应用架构上包括用户界面层、任务和系统管理层、逻辑资源层、异构的物理资源层。这种分层架构充分考虑了海量数据的分布式存储、不同数据挖掘算法的集成、多重任务的配置及系统用户的交付功能。一个典型的数据挖掘任务在应用之中需要复杂的主任务配置，整合多种不同类型的挖掘算法。因此，开发和建立这样的计算平台和工具，支持应用领域的数据分析人员进行有效的分析是大数据挖掘中的一个重要任务。
FIU-Miner系统用在了不同方面：如高端制造业、仓库智能管理、空间数据处理等，TerraFly GeoCloud是建立在TerraFly系统之上的、支持多种在线空间数据分析的一个平台。提供了一种类SQL语句的空间数据查询与挖掘语言MapQL。它不但支持类SQL语句，更重要的是可根据用户的不同要求，进行空间数据挖掘，渲染和画图查询得到空间数据。通过构建空间数据分析的工作流来优化分析流程，提高分析效率。
制造业是指大规模地把原材料加工成成品的工业生产过程。高端制造业是指制造业中新出现的具有高技术含量、高附加值、强竞争力的产业。典型的高端制造业包括电子半导体生产、精密仪器制造、生物制药等。这些制造领域往往涉及严密的工程设计、复杂的装配生产线、大量的控制加工设备与工艺参数、精确的过程控制和材料的严格规范。产量和品质极大地依赖流程管控和优化决策。因此，制造企业不遗余力地采用各种措施优化生产流程、调优控制参数、提高产品品质和产量，从而提高企业的竞争力。
在空间数据处理方面，TerraFly GeoCloud对多种在线空间数据分析。对传统数据分析而言，其难点在于MapQL语句比较难写，任务之间的关系比较复杂，顺序执行之间空间数据分许效率较低。而FIU-Miner可有效解决以上三个难点。
总结而言，大数据的复杂特征对数据挖掘在理论和算法研究方面提出了新的要求和挑战。大数据是现象，核心是挖掘数据中蕴含的潜在信息，并使它们发挥价值。数据挖掘是理论技术和实际应用的完美结合。数据挖掘是理论和实践相结合的一个例子。
-
-

⑸ 算法设计的本书特点

以各种算法设计技术（如贪心法、分治策略、动态规划、网络流、近似算法、随机算法等）为主线来组织素材，突出了算法设计的思想和分析的基本原则，为从事实际问题的算法设计与分析工作提供了清晰的、整体的思路和方法。
本教材内容非常丰富，不但深入系统地阐述了算法设计与分析的理论，而且给出了大量的典型范例和参考文献。
本教材以算法为主线来处理算法与数据结构的关系。这种安排突出了算法设计的中心思想，避免了与数据结构课程在内容上的重复，更加适合于国内的教学计划。
本教材的叙述和选材非常适合教学。内容由浅入深，由具体到抽象，从算法设计技术与分析方法自然过渡到计算复杂性理论，选配了大量难度适当的练习，并给出求解范例。

⑹ 美国留学计算机专业分类有哪些

给题主介绍全一点吧，计算机专业下的小专业，以及主要研究方向。

题主可以参考一下下面整理的一些方向的信息，其实对于硕士研究生来说是以上课为主，除了CMU把CS分成了二十几个细小的方向，其他学校基本上都是按照大类来申请，录取后除了规定的必修课以外，有很多方向的课供你选修，这时你需要根据你的职业方向来选择某个领域来学习，当然你也可以选修多个领域的课程。

如果是申请博士研究生的话，方向则需要在申请前就确定好。

目前肯定是人工智能比较火，但是我觉得火的方向不一定会适合每个人，重点还是要看你的兴趣点在哪里。

1. 人工智能 Artificial Intelligence

这个领域包含广泛的研究课题，包括知识表示，机器学习，计算机视觉，推理和机器人等。

知识表示（knowledge representation）：把知识按照一种有利于推理（得出结论）的方式表示出来。

机器学习（machine learning）：自动学习如何识别复杂模式并基于数据作出智能决策。

计算机视觉（computer vision）：使机器自动从图像和视频中提取信息并理解其中包含的视觉概念。

推理（reasoning）：学习推理的计算模型。

机器人（robotics）：工程学和机器人技术，以及它们的设计，制造，应用和结构配置。

2. 生物信息学和计算生物学 Bioinformatics and Computational Biology

生物信息学（Bioinformatics）：研究生物信息的采集、处理、存储、传播，分析和解释 。

计算生物学（Computational Biology）：开发和应用数据分析及理论的方法、数学建模和计算机仿真技术,并用于生物学研究 。

3. 系统与网络 Systems and Networking

（1）网络与分布式系统（Networking and distributed systems）：移动通信系统，无线网络协议（wireless protocols），Ad-hoc网络，服务质量管理（Quality of Service management，QoS），多媒体网络，计算机对等联网（peer-to-peer networking, P2P），路由，网络模拟，主动队列管理（active queue management, AQM）和传感器网络（sensor networks）。

（2）操作系统（Operating system）：分布式资源管理，普适计算（ubiquitous computing/pervasive computing）环境管理，反射中间件（reflective middleware），中间件元级操作系统（middleware “meta-operating systems”），面向对象操作系统设计，允许单个用户与多计算机、对等操作系统服务交互的用户设计，上下文敏感的分布式文件系统，数据中心的电源管理，文件/存储系统，自主计算（autonomic computing），软件健壮性的系统支持以及数据库的系统支持。

（3）安全（Security）: 隐私，普适计算，无线传感器（wireless sensors），移动式和嵌入式计算机，规范，认证，验证策略，QoS保证和拒绝服务保护，下一代电话通讯，操作系统虚拟化和认证，关键基础设施系统，例如SCADA控制系统和医疗，消息系统，安全网关，可用性安全。

（4）实时和嵌入式系统（Real-time and embedded systems）：开放式实时系统，Qos驱动的实时调度和通信协议，控制设计和实时调度整合，实时、容错和安全协议整合，网络化器件和智能空间的鲁棒动态实时构架。

4. 理论与算法 Theory and Algorithms

计算机理论研究主要集中在算法和数据结构的设计与分析，以及计算复杂性的研究。

具体包括最优化（optimization），计算几何和拓扑（computational geometry and topology），近似算法（approximation algorithms），密码（cryptography）和安全计算（secure computation），网络设计（network design），数据挖掘（data mining），机器学习（machine learning），有限元网格生成（finite-element mesh generation）和自动化软件验证（automatic software verification）。

5. 编程语言 Programming Languages

该领域的研究包括计算机语言的设计与实现，其目标是同时提高开发人员的开放效率和软件质量。包含如下一些课题：

（1）程序语言设计和实现（Programming Language Design and Implementation）：编译器优化（Compiler optimization），语义（Semantics），即时编译器（JIT complier），域特定语言（DSL：Domain-specific languages）。

（2）编程环境和工具（Programming Environments and Tools）：监控（Monitoring），程序员搜索引擎（Programmer search engines），基于模型的设计（Model-based design）。

（3）程序分析和验证（Program Analysis and Verification）：模型检测（Model checking），静态和动态分析（Static and dynamic analysis），定理证明（Theorem proving），实时系统的任务调度分析（Schelability analysis for real-time systems）。

6. 数据库与信息系统 Database and Information Systems

包括以下研究内容：

（1）数据库（Database）：数据模型，数据查询、集成，各种数据库系统的设计、实现等。

（2）数据挖掘（Data Mining）：从数据中提取模式的处理过程。它在很多领域有广泛的应用，例如市场营销、监测、入侵检测和科学发现。数据挖掘和机器学习很相关，但是数据挖掘更关注实际应用。

（3）信息检索（Information Retrieval）：研究如何提取各种媒体（文本、音频、视频等，目前的研究以文本居多）中的信息，同时还搜索与之关联的数据库和万维网。

（4）自然语言处理（Natural language processing）：构建一种可以分析、理解和生成自然语言的计算机系统。研究课题包含自动摘要（automatic summarization），语篇分析（discourse analysis），机器翻译（machine translation），命名实体识别（named entity recognition），自然语言生成（natural language generation）和语音识别（speech recognition）等。

7. 图形学与多媒体 Graphics and Multimedia

图形学的研究包含对自然景象的建模和动画生成（modeling and animation of natural phenomena），计算拓扑学（computational topology），图形硬件的使用（graphics hardware utilization），渲染（rendering），网格处理和简化（mesh processing and simplification），形状建模（shape modeling），曲面参数化（surface parameterization）和可视化处理（visibility processing）等。

多媒体研究包括图像处理（image processing），视频处理（video processing），音频分析（audio analysis），文本检索和理解（text retrieval and understanding），数据挖掘和分析，以及数据融合（data fusion）。因为多媒体数据包含不同格式的数据（如文本，音频，视频），所以它的研究包含很多不同领域的技术和理论。

8. 人机交互 Human-Computer Interaction (HCI)

HCI主要研究人和计算机之间的交互。它通常被认为是计算机科学、行为科学、设计及其他相关领域研究的交叉学科。

研究课题包括：

(1) 上下文感知计算（Context-aware computing）: 行为分析，智能空间（Smart Spaces），定位感知系统（Location-aware systems），隐私技术。

(2) 感知人机界面（Perceptual Interfaces）：基于视觉的界面（Vision-based interfaces），语音和话语界面（speech and discourse interfaces）。

(3) 协同和学习（Collaboration and Learning）：基于模式的编辑工具（Pattern-based authoring tools），ESL (English as a second language) 学习，群组协同技术（group collaboration technologies），包含按地理分布的远程沉浸协同（geographically distributed tele-immersive collaboration）等。

(4) 验光和人的视觉模拟（Optometry and Human Vision Simulation）：计算机辅助的角膜建模和可视化，医学成像（medical imaging），手术仿真的虚拟环境（virtual environments for surgical simulation），仿真渲染（vision realistic rendering）。

希望我的回答可以帮到题主。

⑺ 算法设计与分析习题解答（第2版）的目录

第1章算法引论
习题1-1 实参交换
习题1-2 方法头签名
习题1-3 数组排序判定
习题1-4 函数的渐近表达式
习题1-5 O（1）和O（2）的区别
习题1-7 按渐近阶排列表达式
习题1-8 算法效率
习题1-9 硬件效率
习题1-10 函数渐近阶
习题1-11 n！的阶
习题1-12 平均情况下的计算时间复杂性
算法实现题1-1 统计数字问题
算法实现题1-2 字典序问题
算法实现题1-3 最多约数问题
算法实现题1-4 金币阵列问题
算法实现题1-5 最大间隙问题
第2章 递归与分治策略
习题2-1 Hanoi塔问题的非递归算法
习题2-2 7个二分搜索算法
习题2-3 改写二分搜索算法
习题2-4 大整数乘法的O（n1Og（3/2））算法
习题2-5 5次7//3位整数的乘法
习题2-6 矩阵乘法
习题2-7 多项式乘积
习题2-8 不动点问题的O（1O9n）时间算法．
习题2-9 主元素问题的线性时间算法
习题2-10 无序集主元素问题的线性时间算法
习题2-11 O（1）空间子数组换位算法
习题2-12 O（1）空间合并算法
习题2-13 n段合并排序算法
习题2-14 自然合并排序算法
习题2-15 最大值和最小值问题的最优算法
习题2-16 最大值和次大值问题的最优算法
习题2-17 整数集合排序
习题2-18 第k小元素问题的计算时间下界”
习题2-19 非增序快速排序算法
习题2-20 随机化算法
习题2-21 随机化快速排序算法
习题2-22 随机排列算法”
习题2-23 算法qSort中的尾递归
习题2-24 用栈模拟递归
习题2-25 算法se1ect中的元素划分
习题2-26 O（nlogn）时间快速排序算法
习题2-27 最接近中位数的k个数
习题2-28 X和y的中位数
习题2-29 网络开关设计
习题2-32 带权中位数问题
习题2-34 构造Gray码的分治算法
习题2-35 网球循环赛日程表
算法实现题2-1 输油管道问题（习题2-3O）
算法实现题2-2 众数问题（习题2-31）
算法实现题2-3 邮局选址问题（习题2-32）
算法实现题2-4 马的Hami1tOn周游路线问题（习题2-33）
算法实现题2-5 半数集问题
算法实现题2-6 半数单集问题
算法实现题2-7 士兵站队问题
算法实现题2-8 有重复元素的排列问题
算法实现题2-9 排列的字典序问题
……
第3章 动态规划
第4章 贪心算法
第5章 回溯法
第6章 分支限界法
第7章 概率算法
第8章 NP完全性理论
第9章 近似算法
第10章算法优化策略
第11章 在线算法设计

⑻ 计算机算法设计与分析的内容简介

《计算机算法设计与分析(第3版)》为普通高等教育“十一五”国家级规划教材，是计算机专业核心课程“算法设计与分析”教材。全书以算法设计策略为知识单元，系统介绍计算机算法的设计方法与分析技巧。主要内容包括：算法概述、递归与分治策略、动态规划、贪心算法、回溯法、分支限界法、随机化算法、线性规划与网络流、NP完全性理论与近似算法等。书中既涉及经典与实用算法及实例分析，又包括算法热点领域追踪。
为突出教材的可读性和可用性，章首增加了学习要点提示；章末配有难易适度的习题，分为算法分析题和算法实现题两部分；配套出版了《算法设计与实验题解》；并免费提供电子课件和教学网站服务。

⑼ 请大侠给我推荐几个算法的书.因为我没读过,所以请在回答的时候告诉我推荐的理由,最好有内容.

《算法导论》

本书深入浅出，全面地介绍了计算机算法。对每一个算法的分析既易于理解又十分有趣，并保持了数学严谨性。本书的设计目标全面，适用于多种用途。涵盖的内容有：算法在计算中的作用，概率分析和随机算法的介绍。本书专门讨论了线性规划，介绍了动态规划的两个应用，随机化和线性规划技术的近似算法等，还有有关递归求解、快速排序中用到的划分方法与期望线性时间顺序统计算法，以及对贪心算法元素的讨论。本书还介绍了对强连通子图算法正确性的证明，对哈密顿回路和子集求和问题的NP完全性的证明等内容。全书提供了900多个练习题和思考题以及叙述较为详细的实例研究。

目录（Table of Contents）

前言（Preface）

第一部分（Part I） 基础（Foundations）

第一章 计算中算法的角色（The Role of Algorithms in Computing）

第二章 开始（Getting Started）

第三章 函数的增长率（Growth of Functions）

第四章 递归（Recurrences）

第五章 概率分析与随机化算法（Probabilistic Analysis and Randomized Algorithms）

第二部分（Part II） 排序与顺序统计（Sorting and Order Statistics）

第六章 堆排序（Heapsort）

第七章快速排序（Quicksort）

第八章 线性时间中的排序（Sorting in Linear Time）

第九章 中值与顺序统计（Medians and Order Statistics）

第三部分（Part III） 数据结构（Data Structures）

第十章 基本的数据结构（Elementary Data Structures）

第十一章 散列表（Hash Tables）

第十二章 二叉查找树（Binary Search Trees）

第十三章 红-黑树（Red-Black Trees）

第十四章 扩充的数据结构（Augmenting Data Structures）

第四部分（Part IV） 高级的设计与分析技术（Advanced Design and Analysis Techniques）

第十五章 动态规划（Dynamic Programming）

第十六章 贪婪算法（Greedy Algorithms）

第十七章 分摊分析（Amortized Analysis）

第五部分（Part V） 高级的数据结构（Advanced Data Structures）

第十八章 B-树（B-Trees）

第十九章 二项式堆（Binomial Heaps）

第二十章 斐波纳契堆（Fibonacci Heaps）

第二十一章 不相交集的数据结构（Data Structures for Disjoint Sets）

第六部分（Part VI） 图算法（Graph Algorithms）

第二十二章 基本的图算法（Elementary Graph Algorithms）

第二十三章 最小生成树（Minimum Spanning Trees）

第二十四章单源最短路径（Single-Source Shortest Paths）

第二十五章 全对的最短路径（All-Pairs Shortest Paths）

第二十六章 最大流（Maximum Flow）

第七部分（Part VII） 精选的主题（Selected Topics）

第二十七章 排序网络（Sorting Networks）

第二十八章矩阵运算（Matrix Operations）

第二十九章 线性规划（Linear Programming）

第三十章 多项式与快速傅里叶变换（Polynomials and the FFT）

第三十一章 数论算法（Number-Theoretic Algorithms）

第三十二章 字符串匹配（String Matching）

第三十三章 计算几何学（Computational Geometry）

第三十四章 NP-完备性（NP-Completeness）

第三十五章 近似算法（Approximation Algorithms）

第八部分（Part VIII） 附录：数学背景（Mathematical Background）

附录A 求和（Summations）

附录B 集合，等等。（Sets, Etc.）

附录C 计数与概率（Counting and Probability）

参考文献（Bibliography）

索引（Index）