递归算法的非递归化实现

由递归算法直接转换成相应的非递归算法能有效地提高程序的执行效率，本文列出了几类递归算法的非递归化实现方法，分别说明了这几类递归算法的特点及算法实例，并给出了相应的非递归算法。     

递归算法设计及其非递归化研究

递归做为一种算法设计思想在求解实际问题和程序设计中广泛应用,采用递归设计的算法具有思路清晰、易于描述复杂问题等优点。文中对递归算法的理论依据、设计思想、应用、递归的内部执行过程做了较为全面的探讨,并以火车进站问题为例,重点分析了如何根据问题的递归表达函数扩充为递归算法。同时,对递归的非递归化作了较为深入的分析和探讨,并给出了实例源程序。理论分析和实践证明,在具体应用问题中,通过寻找问题对应的递归表达函数,可以容易和准确地设计出求解的递归算法,提高算法设计效率。     

递归问题的非递归实现方法研究与应用

使用非递归方式实现递归问题的算法程序,不仅可以节省存储空间,而且可以极大地提高算法程序的执行效率。本文给出了两种将递归问题的递归算法转换成非递归算法的有效方法,并以具体实例加以说明。     

递归的非递归算法研究

本文对递归的非递归算法进行了研究，并给出了由递归到递推的抽象算法，并说明了该算法的具体运用。     

一个递归算法非递归化的算法框架

虽然递归算法具有结构简练、清晰、可读性强等优点,但有时受执行效率和程序设计语言的限制,必须实现递归向非递归的转换.提出一个通用的算法框架实现一般递归算法向非递归算法的转换.该框架产生的非递归算法没有标号,适用于大多数程序设计语言.结合几个典型的实例说明该框架的应用方法和有效性.     

程序设计中的递归算法分析

递归算法是程序设计中的一种有力的工具,许多问题采用递归方法来编写求解程序．使程序非常简洁而清晰。本文针对学生在学习程序设计课程时对递归算法难以理解及掌握等情况,阐述了递归算法的本质及解决问题的思路。     

Cholesky分解递归算法与改进

递归算法是计算稠密线性代数的一种新的有效方法。递归产生自动、变化的矩阵分块,能充分发挥当今分级存储高性能计算机的效率。对Cholesky分解递归算法进行了研究,给出了算法的详细推导过程,用具有递归功能的Fortran90实现了算法,并通过矩阵元素顺序重排的方法,进一步提高了递归算法的运算速度。研究产生的算法比目前常用的分块算法快15％－25％。     

论递归算法的非递归化

递归算法简单自然、结构清晰、易写易读、易于验证其正确性，但执行效率不高。因此，在程序设计中，通常对所要处理的问题先用递归算法加以描述，然后再将其改写成非递归算法。本文从四个方面论述了递归算法的模拟问题。     

二叉树遍历递归算法非递归化的讨论

尽管递归算法具有结构简炼、清晰、可读性强等优点,但递归算法在执行过程会耗费太多的时间和空间,为了追求算法的时空效率,必须将递归算法转化为非递化算法,问题才能得到有效解决,本文讨论了在递归算法执行过程中栈的变化和给出了改进的非递归化算法。     

分治递归算法的解题能力

为了培养学习编程的逆向思维，运用分治思想的递归算法提高解决问题的能力，理解分治和递归的关系，掌握递归算法解决问题的条件和原理是十分必要的。从提出问题、分析问题、抽象问题的特征、解决问题和分析递归算法的局限性的过程，运用比较法比较迭代与递归之间的关系，结合具体问题，对理解递归算法解决问题给出了有效的方法。用分治的递归方法求解问题，其结构简单，可读性强，但是递归算法理解起来有一定难度，研究了递归算法的特征、递归与分治之间的关系、递归与迭代之间的关系，根据时间和空间复杂度，给出了递归算法的深度建议。实践的结果证明，采用这样的方式，能够帮助读者理解逆向思维和分治思想的本质，提升运用递归算法解决生活和学习中的问题的能力。     

基于CURE聚类算法改进的原型选择算法

针对传统K近邻分类器在大规模数据集中存在时间和空间复杂度过高的问题,可采取原型选择的方法进行处理,即从原始数据集中挑选出代表原型（样例）进行K近邻分类而不降低其分类准确率.本文在CURE聚类算法的基础上,针对CURE的噪声点不易确定及代表点分散性差的特点,利用共享邻居密度度量给出了一种去噪方法和使用最大最小距离选取代表点进行改进,从而提出了一种新的原型选择算法PSCURE （improved prototype selection algorithm based on CURE algorithm）.基于UCI数据集进行实验,结果表明：提出的PSCURE原型选择算法与相关原型算法相比,不仅能筛选出较少的原型,而且可获得较高的分类准确率.     

基于遗传算法的建筑布局求解算法

通过分析建筑布局的特点提出了建筑布局的两种表示方式：特征树表示和矩阵表示。提出使用遗传算法来对布局设计过程中的方案进行约束和控制。对原有的遗传算法做了改进,在适应度函数构建方面,增加了对称度和黄金分割度的度量。实验结果表明,该算法非常适合于求解布局问题。     

BP算法分析与改进

在人工神经网络中,BP神经网络是一种应用广泛的多层前馈神经网络。分析了BP算法的基本原理,指出了BP算法具有收敛速度慢、易陷入局部极小点等缺陷以及这些缺陷产生的根源。针对这些缺陷,通过在标准BP算法中引入变步长法、加动量项法、遗传算法、模拟退火算法等几种方法来优化BP算法。实验结果表明,这些方法有效地提高了BP算法的收敛性,避免陷入局部最小点。     

利用遗传算法改进BP学习算法

首先介绍了遗传算法和标准BP算法及其改进形式,并指出遗传算法和BP算法各自的优缺点,然后着重讨论了如何采用遗传算法和梯度BP算法相结合的方法来训练前馈神经网络,从而提高神经网络的收敛速度和收敛质量。最后进行了仿真实验,结果表明,该方法不仅收敛速度快,而且易达到最优解,具有一定的实用价值。     

分水岭算法的改进方法研究

现有分水岭算法对噪声敏感且存在过分割现象。结合当前研究进展,介绍模拟泛洪的分水岭算法和模拟降水的分水岭算法。针对传统算法的缺点,总结4种分水岭算法的改进方法,分析其优缺点并指出未来分水岭算法的研究方向。     

基于SAC的特征选择算法

特征选择通过移除不相关和冗余的特征来提高学习算法的性能。基于进化算法在求解优化问题时表现出的优越性能,提出FSSAC特征选择方法。新的初始化策略和评估函数使得SAC能将特征选择作为离散空间搜索问题来解决,利用特征子集的准确率指导SAC的采样阶段。在实验阶段,FSSAC结合SVM,J48和KNN分类器,通过UCI数据集完成验证,并与FSFOA,HGAFS,PSO等算法进行了比较。实验结果表明,FSSAC可以提高分类器的分类准确率,且具有良好的泛化性能。除此之外,对FSSAC和其他算法在特征空间维度缩减情况方面做了对比。     

一种改进的猴群算法

猴群算法是一种新的群体智能优化算法,该算法可以有效地求解线性、非线性、非凸和复杂高维函数的优化问题,目前已得到了许多学者的研究和关注.为了进一步提高猴群算法的求解精度,给出了一种改进的猴群算法.首先,采用均匀分布的Kent混沌映射产生猴群算法的初始可行解.然后,在该算法的爬过程中采用递减的因子作为爬步长.最后,在仿真实验中,与已有方法进行比较,结果显示了所给改进猴群算法的求解精度明显得到改善,即所提算法是可行的.     

HVXC解码算法的定点化及优化

讨论了HVXC解码算法的定点化。考虑到嵌入处理器的运算速度一般较低,为进一步降低HVXC解码算法的复杂度,还介绍了VXC解码算法所采用的优化处理方法。经过定点化处理和优化处理的HVXC解码算法已成功应用于一个实用的嵌入式语音合成系统中。     

水下声学传感器网络节点定位算法及自组织过程研究

针对水下声学传感器网络中锚节点稀少的问题,给出了一种分布式的水下节点自定位算法.为配合定位算法的完成,提供定位过程所需的邻接信息表等信息,提出了一种分布式的并发数据传播算法,并针对该数据传播算法中存在的通信冲突问题,给出了冲突解决策略.仿真试验验证了上述两种方法配合完成水下节点定位的可行性和有效性.