以先后发生过两次土质滑坡的平朔公司东露天矿边坡为研究背景,针对目前高精度岩土层界面拟合时有效数据不足和人工评价误差较大的现状,充分利用岩土层界面的地质调查点数据,有效扩充钻孔数据范围,为高精度的岩土层界面拟合提供有效数据,并利用基于Closest Point算法的结构分析模型进行Kriging插值计算,实现Kriging算法与Closest Point算法的融合,完成对露天矿边坡各岩土层的三维拟合.现场选取测量点的比对结果表明,基于Kriging与Closest Point融合算法的界面拟合,与传统的人工经验评价方法相比,能大幅提高拟合精度,且简单易行

针对经典人工蜂群算法收敛速率较慢,后期易陷入局部最优解的不足,本文将粒子群算法中\全局最优\的思想引入到人工蜂群算法的改进过程,从而形成了一种新的人工蜂群改进算法——粒子蜂群算法.首先,提出了趋优度的概念,用来衡量引领蜂在有限次迭代过程中向全局最优解靠近或远离的程度,趋优度值可以评价个体的\发展潜力\,趋优度值越低的个体,越需要增大变异的程度,以便找到质量更优的解.其次,专门设计了一种新的蜜蜂群体——粒子蜂,在引领蜂变异阶段根据趋优度的大小将引领蜂变异为侦查蜂和粒子蜂,粒子蜂的出现在很大程度上增加了种群的多样性,拓展了算法的搜索范围.然后,通过粒子蜂群算法种群序列是一个有限齐次马尔科夫链和种群进化单调性的分析,验证了本文所提算法的种群序列依概率1收敛于全局最优解集.最后,将本文所提算法应用于多个常见测试函数,并与经典蜂群算法、近年其他文献改进蜂群算法进行了仿真对比研究,仿真结果表明本文所提算法确实加大了种群的分散度、扩宽了搜索范围,从而具有更快的收敛速度和更高的寻优精度

• 1.1算法定义及特性 • 1.2分析算法 • 1.3算法表示（设计） • 1.4基本数据结构（栈队列树图等）

• 1.1 算法定义及特性 • 1.2 分析算法 • 1.3 算法表示（设计） • 1.4 基本数据结构（栈队列树图等）

• 烟花算法 • 爆炸因子分析及改进 • 两种新爆炸策略 • 烟花算法优化多峰问题 • 基于推测点加速烟花算法 • 讨论 • 总结

随机数在概率算法设计中扮演着十分重要的角色。在现实计算机 上无法产生真正的随机数，因此在概率算法中使用的随机数都是 一定程度上随机的，即伪随机数

理解RAM，RASP和图灵机计算模型 理解非确定性图灵机的概念 理解P类与NP类语言的概念 理解NP完全问题的概念 理解近似算法的性能比及多项式时间近似格式的概念 通过范例学习NP完全问题的近似算法 （1）顶点覆盖问题 （2）旅行售货员问题 （3）集合覆盖问题 （4）子集和问题

4.1 活动安排问题 4.2 贪心算法的基本要素 4.3 最优装载 4.4 哈夫曼编码 4.5 单源最短路径 4.6 最小生成树 4.7 多机调度问题 4.8 贪心算法的理论基础

迄今为止，所有的NP完全问题都还没有多项式时间算法。对于这类问题，通常可采取以下几种解题策略。 (1)只对问题的特殊实例求解 (2)用动态规划法或分支限界法求解 (3)用概率算法求解

算法与过程 过程(Procedure)与算法(Algorithm)是解决问题的一种方法的逐步描述,它 (1)是由若干条指令组成的有穷序列; (2)每条指令的意义都是确定的; (3)具有零个或多个输入; (4)产生若干个输出;