大概是由于以前人们使用计算工具非常落后,所以计算量较小的计算方法更受欢迎 解线性方程组的约当消去法的计算量比高斯消去法稍大一些,这对于我们现在使用的计算机来说,完全算 不了什么 约当消去法算法更简单,编程的方式更灵活,还可用来求解有无数组解的线性方程组,还可用来求矩阵的逆。所以约当消去法的价值超过了高斯消去法。 高斯消去法的回顾 高斯消去法的的关键是把线性方程组化为上三角形线性方程组,也就是利用akk不为零来消去

采用一种改进的Potts模型Monte Carlo算法,对具有Weibull尺寸分布(参数β=3.47)的晶粒组织进行了3D正常晶粒长大过程的仿真研究.仿真结果表明:整个晶粒长大过程遵循抛物线长大规律,晶粒生长指数为0.501,非常接近理论值0.5.晶粒长大过程可分为过渡阶段与准稳态长大两个阶段.Weibull尺寸分布参数β由过渡阶段的3.47逐渐演变为准稳态阶段的2.76,准稳态阶段晶粒尺寸分布参数保持β=2.76不变.晶粒的平均面数〈f〉随仿真时间的增加而增大,在准稳态阶段后期趋近于稳定数值.晶粒面数分布为Lognormal分布,最高频率面数f为10,个体晶粒面数范围为3~43

通过本章的学习应掌握Exce中的算法问题,将管 理活动提升到理论的高度,提高数字化管理的能力

南京大学：《计算机问题求解》课程教学资源（PPT课件讲稿）数论算法

南京大学：《计算机问题求解》课程教学资源（PPT课件讲稿）数论算法（OLD）

传统的分类算法大多假设数据集是均衡的,追求整体的分类精度.而实际数据集经常是不均衡的,因此传统的分类算法在处理实际数据集时容易导致少数类样本有较高的分类错误率.现有针对不均衡数据集改进的分类方法主要有两类:一类是进行数据层面的改进,用过采样或欠采样的方法增加少数类数据或减少多数类数据;另一个是进行算法层面的改进.本文在原有的基于聚类的欠采样方法和集成学习方法的基础上,采用两种方法相结合的思想,对不均衡数据进行分类.即先在数据处理阶段采用基于聚类的欠采样方法形成均衡数据集,然后用AdaBoost集成算法对新的数据集进行分类训练,并在算法集成过程中引用权重来区分少数类数据和多数类数据对计算集成学习错误率的贡献,进而使算法更关注少数数据类,提高少数类数据的分类精度

针对部分聚类算法对数据输入顺序敏感的问题,定义了不干涉序列指数,提出了应用不干涉序列指数对分类数据进行加权排序的方法,并基于该方法对受数据输入顺序影响的CABOSFV_C分类数据高效聚类算法进行改进,提出了考虑加权排序的聚类算法(CABOSFV_CSW),消除了算法对数据输入顺序的敏感性.采用UCI基准数据集进行实验,发现应用加权升序排序的CABOSFV_CSW算法在处理分类数据时,聚类质量较原始CABOSFV_C算法和其他受数据输入顺序影响的算法在准确性上有改善,在稳定性上有显著提高

1.1 算法与程序 1.2 表达算法的抽象机制 1.3 描述算法 1.4 算法复杂性分析

Ch.1 绪论 Ch.2 数字概率算法 Ch.3 Sherwood算法 Ch.4 Las Vegas算法 Ch.5 Monte Carlo算法

三步鉴定流程 18种通过审核的候选算法 决策树基本概念 决策树算法 决策树研究问题 主要参考文献 算法陈述 数据挖掘10大算法一览 开放式讨论