递归算法应用分析

递归算法是程序设计中一种重要的方法,对于一些看起来很复杂的问题,使用递归方法可以提供非常优雅和简洁的解决方案,而且解题思路清晰、代码量小。但是递归算法的设计有几个需要注意的关键点,如果不能很好的解决,则无法在程序设计中体现递归的强大功能。该文通过两个示例说明设计递归算法中需要关注的关键点及其解决办法。     

递归算法的参数设置

递归算法参数的设置是至关重要的,基于递归算法的特征,提出一种通用的递归算法的设计模式．在此基础上进一步讨论参数的设置的方式及其效果,为研究递归算法提供有效的解决方案,具有很强的实用性,并结合经典实例给以说明。     

递归算法的参数设置

递归算法参数的设置是至关重要的,基于递归算法的特征,提出一种通用的递归算法的设计模式,在此基础上进一步讨论参数的设置的方式及其效果,为研究递归算法提供有效的解决方案,具有很强的实用性,并结合经典实例给以说明。     

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。     

递归算法的非递归实现

递归以其算法简单清晰、可读性强及易实现而具有很好的理论，但在实际应用时，递归过程用到的大量数据不管有用无用都需要保存，而当递归层次多到一定程度，将耗尽系统内存资源，因此很少在真正的实际应用中使用，实用性较差。如果可以设计出一种既保持递归算法简单、清晰、易实现的优点，双能避免递归算法极耗内存缺陷的新型递归算法，将是一件十分有意义的事情。     

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.     

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。     

递归程序非递归化算法在企业生产中的应用

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。本文针对一个企业材料截断应用案例．通过数学建模、算法分析与实现,证明效果很好。     

汉诺塔非递归算法研究

汉诺塔(Tower of Hanoi)问题是求在三个柱子之间移动圆盘的方法,它是递归程序设计的经典例子,已经证明其时间复杂度下限是O(2n),空间复杂度是O(n),实际使用时很容易溢出.给出汉诺塔问题的两个非递归算法:解集递推法和解集树法.解集递推法的时间复杂度和空间复杂度都是O(2n),该算法空间复杂度很大,无法实际使用,提出该算法的目的是为了引出解集树法.解集树法可以计算出指定的任意一步移动方法,时间复杂度和空间复杂度分别是O(n*2n)和O(1).并证明了汉诺塔问题的空间复杂度下限是O(1).     

JUnit框架剖析

JUnit是java语言的开放源码的单元测试框架,设计非常精巧.分析它的包结构、主要类的关系和作用以及框架中涉及到的设计模式,并通过一个实例展示其扩展功能.     

一种改进的单元测试JUnit框架

随着增量开发模式和重构技术地流行,软件自动化测试JUnit技术也随之产生并得到了广泛应用。本文在传统JUnit框架基础上提出一种新的单元测试框架,新框架基于复用思想,有效的实现数据与代码分离,提高测试效率。最后给出新框架的实现方案。     

Hammerstein-Wiener系统的递推贝叶斯参数辨识算法

为了辨识一类非线性Hammerstein-Wiener系统,基于递推贝叶斯算法和奇异值分解,提出了一种两阶段在线辨识算法。该算法首先利用递推贝叶斯算法估计乘积项参数,然后利用奇异值分解得到待估计参数。仿真结果表明,所提算法可以以较小的计算量获得精度较高的参数估计值。     

基于多线程并发的JUnit与TestNG测试框架比较

在多线程并发测试需求面前,Junit和TestNG这两个简单的单元测试框架一直被拿来作比较,而用户一般更偏向于配置简单、灵活、易操作且满足测试要求的测试框架.本文对Junit和TestNG两种多线程并发测试方式进行实验对比,目的在于验证两种框架对多线程并发测试的实现方式,为用户在实际测试场景中选择工具提出了依据.     

最小二乘估计的HOUSEHOLDER变换快速递推算法

本文利用HOUSEHOLDER交换(简称H-变换)推导出最小二乘估计的递推算法和遗忘因子法的快速算法.与现有的最小二乘递推算法相比,本文提出的算法不仅运算量大大减少,而且数值稳定性好,占用内存量少.     

一种不完全信息下递推辨识方法及收敛性分析

针对信号在网络环境下传输带来不完全信息使得在线参数辨识算法和收敛性困难的问题, 不同于传统递推最小二乘方法, 本文提出了一种不完全信息下递推辨识方法并分析其收敛性. 首先运用伯努利分布刻画引起不完全信息的数据丢包特性, 然后基于辅助模型方法补偿不完全信息并构造了新的数据信息矩阵, 并运用矩阵正交变换性质对数据信息矩阵进行QR分解, 推导了融合网络参数的递推辨识新算法, 理论证明了在不完全信息下递推参数辨识算法的收敛性. 最后仿真结果验证了所提方法的可行性和有效性.     

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。     

限定记忆参数估计的Householder变换快速递推算法

利用Householder变换推导出一个新的最小二乘估计的限定记忆快速递推算法(RHFM).该算法具有运算量小,数值稳定性好、占用内存少的优点,可以用于各种静、动态模型的参数估计.     

非均匀采样多率ARMAX系统RELS算法性能分析

针对一类有色噪声干扰的非均匀采样多率ARMAX系统的辩识问题,基于增广参数维数理论,将系统模型参数化,将信息向量中含有的不可测噪声项用其估计残差代替,推导了非均匀采样ARMAX系统的递推增广最小二乘(RELS)算法;利用鞅收敛定理对该算法的收敛性进行了理论分析,结果表明该算法在噪声方差有界和广义持续激励的条件下能够收敛到真参数.仿真例子验证了该算法具有良好的收敛速度与估计精度.