◼ 什么是句法分析 ◼ 与形式语言句法分析的比较 ◼ 上下文无关语法的分析策略 ◼ 自顶向下分析法 ◼ 自底向上分析法 ◼ 左角分析法 ◼ 上下文无关语法的分析算法 ◼ 移进－归约算法 ◼ Marcus确定性分析算法 ◼ CYK算法 ◼ Earley算法 ◼ Tomita算法 ◼ Chart算法 ◼ 概率上下文无关语法 ◼ 组块分析与部分分析

4.1 并行算法的基础知识 4.1.1 并行算法的定义和分类 4.1.2 并行算法的表达 4.1.3 并行算法的复杂性度量 4.1.4 并行算法中的同步和通讯 4.2 并行计算模型 4.2.1 PRAM模型 4.2.2 异步APRAM模型 4.2.3 BSP模型 4.2.4 logP模型

❑ 理解算法的概念。 ❑ 理解什么是程序，程序与算法的区别和内在联系。 ❑ 掌握算法的计算复杂性概念。 ❑ 掌握算法渐近复杂性的数学表述。 ❑ 掌握用C++语言描述算法的方法

针对目前局部回归神经网络动态BP算法的误差导数计算复杂、收敛速度慢的缺陷,提出了一种新的快速算法.该算法是将信号流图引入动态BP算法,较好地解决了求解误差导数的复杂性,同时采用BFGS算法加快了网络的收敛速度.仿真结果表明了本算法的有效性

1.1什么是数据结构 1.2基本概念和术语 1.3抽象数据类型的表示与实现 1.4算法和算法分析 1.4.1算法 1.4.2算法设计的要求 1.4.3算法效率的度量 1.4.4算法的存储空间需求

针对密度聚类算法对邻域参数设置敏感的问题，提出一种基于密度的模糊自适应聚类算法.算法在无需预先设置聚类数以及邻域参数的情况下，可以自适应地根据样本间距离关系确定邻域半径得到样本密度，并根据样本密度逐渐增加聚类中心.为了保障聚类结果的正确性，同时提出一种新的模糊聚类有效性指标以判断最佳聚类数，消除了密度聚类算法对参数的敏感性.用UCI基准数据集进行实验，发现本文算法在对数据进行聚类时，聚类质量较原始密度聚类算法在准确性和自适应性方面均有显著提高

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

为了发挥粒子群算法和专用遗传算法的各自优点,提出了一种将二者结合的切换优化策略.该策略前期采用一种基于种群最优个体混沌化的混沌粒子群算法,后期选用专用遗传算法.通过大量仿真实验确定了在迭代代数、种群标准差和最优个体适应度差三种切换指标下各自的最优切换条件.与单一专用遗传算法和单一混沌粒子群算法的仿真对比表明:本文提出的切换优化策略在综合路径长度、平滑性和规划时间三个性能指标后具有一定的优越性

对一种已有的自适应算法进行了改进,并将该算法思想引入到粒子群算法的改进中,在种群进化到一定代数时按照改进自适应算法改变搜索范围的大小,实现了自动调整搜索范围、提高收敛速度和精度并可有效防止粒子群算法早熟收敛的目的,同时通过实验仿真进行了验证.将该改进粒子群算法应用到热连轧机精轧机组的负荷分配优化计算中,程序运行时间小于5s,满足实时性的要求,为其提供了一种更为有效的优化手段

本章对目前常用的几种智能优化计算算法作简单介绍，以使读者对它们有个基本认识。内容包括神经网络、遗传算法、模拟退火算法和神经网络混合优化学习策略。 10.1 人工神经网络与神经网络优化算法 10.2 遗传算法 10.3 模拟退火算法 simulated annealing,简称SA 10.4 神经网络权值的混合优化学习策略