深圳大学管理学院：《运筹学与最优化方法》课程教学资源（PPT课件讲稿）第4章 最优化搜索算法的结构与一维搜索

一 烟花算法搜索机制 二 基础算子分析：EFWA 三 爆炸算子与自适应搜索：dynFWA 四 选择算子与信息继承：CoFFWA 五 几点认识

深圳大学管理学院：《运筹学》课程教学资源（PPT课件讲稿）规划论（非线性规划）运筹学1类 最优化搜索算法的结构与一维搜索

为能彻底解决群体智能算法早熟问题的同时保持原算法主体不变且可与现有优化理论协同优化，在前期仿真实验和理论证明的基础上，提出了一种逐层演化的改进策略.利用在原算法中构建基于搜索空间压缩理论的自适应系统，通过逐层的压缩、选择、再初始化的操作，以包括压缩后搜索空间在内的社会信息作为遗传知识，指导寻优过程，从而实现最终解精度的提升、避免早熟问题的出现.对基准函数进行仿真实验可以看出该策略在提升算法精度，增强后期个体活性方面具有良好的表现

1 数学之美 系列一 — 统计语言模型 系列二 — 谈谈中文分词 系列三 — 隐含马尔可夫模型在语言处理中的应用 系列四 — 怎样度量信息? 系列五 — 简单之美：布尔代数和搜索引擎的索引 系列六 — 图论和网络爬虫 (Web Crawlers) 系列七 — 信息论在信息处理中的应用 系列八 — 贾里尼克的故事和现代语言处理 系列九 — 如何确定网页和查询的相关性 系列十 — 有限状态机和地址识别 系列十一 — Google 阿卡 47 的制造者阿米特.辛格博士 系列十二 — 余弦定理和新闻的分类 系列十三 — 信息指纹及其应用 系列十四 — 谈谈数学模型的重要性 系列十五 — 繁与简 自然语言处理的几位精英 系列十六(上)—不要把所有的鸡蛋放在一个篮子里-谈谈最大熵模型 系列十六(下)— 不要把所有的鸡蛋放在一个篮子里-最大熵模型. 系列十七 — 闪光的不一定是金子 -- 谈谈搜索引擎作弊问题 (Search Engine Anti-SPAM) 系列十八 — 矩阵运算和文本处理中的分类问题 系列十九 — 马尔可夫链的扩展 贝叶斯网络 (Bayesian Networks) 系列二十 — 自然语言处理的教父 -- 马库斯 系列二十一 — 布隆过滤器（Bloom Filter） 系列二十二 — 由电视剧《暗算》所想到的-谈谈密码学的数学原理 系列二十三 — 输入一个汉字需要敲多少个键-谈谈香农第一定律 系列二十四 — 从全球导航到输入法-谈谈动态规划 2 浪潮之巅 2.1 第一章 — 帝国的余辉（AT&T) 2.5 第二章 — 蓝色巨人（IBM） 2.11 第三章 — “水果”公司的复兴 （乔布斯和苹果公司） 2.15 第四章 — 计算机工业的生态链 2.18 第五章 — 奔腾的芯（英特尔—Intel） 2.23 第六章 — 互联网的金门大桥（思科） 2.27 第七章 — 硅谷的见证人（惠普公司） 2.32 第八章 — 没落的贵族—摩托罗拉 2.38 第九章 — 硅谷的另一面 2.43 第十章 — 短暂的春秋——与机会失之交臂的公司 2.49 第十一章 — 幕后的英雄—风险投资（Venture Capital） 2.55 第十二章 — 信息产业的规律性

针对线性自抗扰控制器参数难于整定的问题,提出了一种基于动态响应过程时序数据挖掘的参数自整定算法.算法以线性自抗扰控制器中线性误差反馈律的两个增益信号回路的动态响应为参数调整对象,通过改进变收缩系数的随机搜索算法进行参数整定,记录动态响应过程数据,基于关联关系挖掘得到控制参数调整策略应用于线性自抗扰控制器的参数自整定.为验证本文提出的参数自整定方法的实际效果,以液压自动位置控制系统为控制对象,分别采用阶跃响应仿真和Monte Carlo实验进行对比研究.结果表明,基于数据挖掘参数自整定的线性自抗扰控制器动态响应较好,鲁棒性较强,改进了变收缩系数随机搜索算法调整时间较长以及传统线性自抗扰控制器超调较大的缺点,是一种具有实用性的线性自抗扰控制器参数自整定方法

第一章 信息资源和信息素养教育 第一节 信息的意义 一、信息的基本含义 二、信息资源及类型 三、信息素质与综合素质 四、信息素质与创新能力 五、信息利用与事业进步 第二节 高校图书馆信息资源的利用 第二章 信息检索的基础知识 第四章 搜索引擎

第十章搜索与散列 1、静态索引结构 2、动态索引结构 3、Trie树 4、散列(Hashing)

第十章搜索与散列 一、静态索引结构 二、动态索引结构 三、 Trie树 四、散列(Hashing)

建立快速有效的针对大规模文本数据的聚类分析方法是当前数据挖掘研究和应用领域中的一个热点问题.为了同时保证聚类效果和提高聚类效率，提出基于\互为最小相似度文本对\搜索的文本聚类算法及分布式并行计算模型.首先利用向量空间模型提出一种文本相似度计算方法；其次，基于\互为最小相似度文本对\搜索选择二分簇中心，提出通过一次划分实现簇质心寻优的二分K-means聚类算法；最后，基于MapReduce框架设计面向云计算应用的大规模文本并行聚类模型.在Hadoop平台上运用真实文本数据的实验表明：提出的聚类算法与原始二分K-means相比，在获得相当聚类效果的同时，具有明显效率优势；并行聚类模型在不同数据规模和计算节点数目上具有良好的扩展性