四正则图的纵横嵌入优化并行算法

纵横嵌入术已为超大规模集成电路(VLSI)的平面设计提供了较完备的理论体系，在EREW PRAM（Exclusive-Rread and Exclusive-Write Parallel Random Aachine)并行计算模型上，使用O((m n)／logn)个处理器，时间复杂度为O(logn)，对四正则图的纵横嵌入图优化，使图中边的总折数达到最少且所占面积最小。     

序贯LSB隐写术的提取攻击

序贯LSB隐写术在载体中通过连续LSB替换嵌入消息,其提取攻击问题本质上是消息嵌入起止点的估计问题。该文建立针对序贯LSB隐写术的提取攻击模型,将提取攻击问题转化为一类排序问题。对嵌入率未知情形,提出计算复杂度为O(n)的提取攻击算法。对嵌入率已知情形,给出计算复杂度为O(2logn)的快速提取攻击算法。实现了对序贯JSteg算法的提取攻击。     

一个求图的连通分支的并行算法

已知一个无向图G(V,E),|V|=n,|E|=m,本文基于SIMD共享存贮模型,运用数据在图中快速传播原理,建议了一个新的求图的连通分支算法,具体来讲,在SIMD—CREW共享存贮模型上,求图的连通分支需O(log²n)时间、O(n²/logn)处理器;而在SIMD—CRCW共享存贮模型上需O(logn)时间、O(n²)处理器,建议的算法同著名的Hirschberg算法相比,其主要差别表现在:1)采用的求解方法不同;2)建议的算法简单易懂     

基因组Translocation排序问题的改进多项式算法

该文给出基因组Transhocation排序问题的一个改进多项式算法，原算法所有存储空间O（n)，时间复杂度为O(n^3)，文中改进算法仍采用O(n)存储空间，时间复杂度为O(n^2logn),具体地，将计算Translocation距离的时间复杂度由O(n^3)改进为O(n^2),将计算Translocation序列的时间复杂度由O(n^3)改进为O(n^2logn).     

最近点问题的三角不等式算法

本文用树结构存贮有限空间的点.然后,设计了一个查找针对已知查询点的最近点的算法——三角不等式算法.整个算法的空间复杂性为O(n);预处理和查询时间复杂性分别为O(n·logn)和O(c·logn), c<相似文献   

多播3-Omega交换网的设计思想

阐述了具有最佳硬件复杂度且可无阻地在输入/输出间传输任意多播信号的多播3-Omega网的设计思想，设计理念可表述为“置换-复制-置换”，组成形式为“Omega-1+Omega+Omega-1”。它具有O(nlogn)的硬件代价，存储空间和时间复杂度均为O(nlogn)，连接建立时间为(logn)，传输延迟O(logn)，符合Shannon的硬件代价极限标准，具有良好的可实现性。     

可重构造网孔机器上最小生成森林的边更新算法

最小生成森林的边更新在网络路由等方面有着重要的应用价值 .给定 n个结点的无向加权单图 G,该文首先在 n× n的二维可重构造网孔机器上提出了在 O(1)时间内判断 n个结点的无向图的连通性和在 O(logn)时间内求 n个结点的内向树中任一结点到根的路径两个算法 ,并在 n× n× n的三维可重构造网孔机器上提出了 O(1)时间内求 n个结点内向树中任一结点到根的路径的算法 .然后在上述算法的基础上提出了两个 G的最小生成森林的边更新算法 ,一个运行在 n× n的二维可重构造网孔机器上 ,时间复杂度是 O(logn) ,另一个运行在 n× n× n的三维可重构造网孔机器上 ,时间复杂度是 O(1) .     

带权无向图中反馈顶点集的固定参数枚举算法

反馈顶点集(FVS)问题是一个经典的NP-完全问题,在很多领域有重要的应用.人们对该问题进行了大量的研究,但目前还没有有效的算法枚举带权无向图的反馈顶点集.文中通过对带权无向图中反馈顶点集问题的结构的深入分析,给出了一个有效的基于分支搜索技术的固定参数枚举算法.算法将反馈顶点集问题转化为反馈边集问题,通过枚举z个权值最大的森林来枚举z个权值最小的含k条边的反馈边集,从而得到z个权值最小的含k个顶点的反馈顶点集,算法时间复杂度为O(5kn2(logn+k)+3kz(n2logn+z)).     

双调选择网络及其在多处理器上的双调选择算法

所谓(m,n)选择问题系数指从n个数中选择m个最小(或最大)者的问题.此问题的并行求解目前在网络上已得以实现,而在多处理器系统上却很少被人研究.本文首先基于Batcher的双调归併原理,提出一种比较器数目和延迟级数分别为O(nlog~2m)和O(logn·logm)~(2))的双调选择网络;然后通过观察该网络中数据移动之特点来找出双调选择网络中相继各列枢点之变化规律;最后由此规律给出了一种在n个处理器上可在O(logn·logm)时间步内完成的并行双调选择算法.     

张量学习诱导的多视图谱聚类

现有的方法将通过张量奇异值分解(t-SVD)正则化的低秩表示应用到多视图子空间聚类中,取得了令人印象深刻的聚类性能.然而,它们都具有以下两个共同的缺点:(1)他们专注于探索样本之间的关系以构建表征,然后将其堆叠为张量,其计算复杂度至少为O(n² logn);(2)他们总是直接在整合的表征上运行标准的谱聚类算法,而忽略了不同表征对最终聚类结果的先验知识.为了解决这些问题,本文提出了一种新颖的张量学习诱导的多视图谱聚类(TLIMSC)方法,其中同时探索了空间聚类结构和互补信息.具体来说,该方法将关联样本和簇关系的多视图谱嵌入表示堆叠成张量,计算复杂度最终变为O(n logn).然后,将学习到的带有不同自适应置信度的表征与最终的一致聚类结果联系起来.在五个数据集上的广泛实验证明了TLIMSC所具有的有效性和高效性.