1845D，独领风骚

今天你 用 什 么ＣＰＵ 了？Ｐｅｎ－ ｔｉｕｍ３？Ａｔｈｌｏｎ ＸＰ还 是 Ｐｅｎｔｉｕｍ４？ 今天你用什么 内存了？ＳＤＲＡＭ？ ＲＡＭＢＵＳ还是 ＤＤＲ ＳＤＲＡＭ？ 目前搭配Ｐｅｎ－ ｔｉｕｍ４ 的内存有ＳＤＢＡＭ、ＤＤＢＡＭ以及ＲＤＲＡＭ三种，一些玩家会产生这样的疑问：哪种内存才能让 Ｐｅｎｔｉｕｍ ４具有狂飙的速度呢？从理论上来说，ＣＰＵ进行内部数据处理时本身存在着数据传输的带宽，当ＣＰＵ和内存进行外部数据交换时也存在着内存带宽，如果内存带宽可以尽可能地满足ＣＰＵ的数据传输带宽的要求，那么ＣＰＵ性能就…     

应用嵌套排序的并行CHOLESKY分解算法

应用嵌套排序的并行ＣＨＯＬＥＳＫＹ分解算法迟学斌（中国科学院计算中心）ＰＡＲＡＬＬＥＬＣＨＯＬＥＳＫＹＤＥＣＯＭＰＯＳＩＴＩＯＮＵＳＩＮＧＮＥＳＴＥＤＤＩＳＳＥＣＴＩＯＮＴＥＣＨＮＯＬＯＧＹ￥ＣｈｉＸｕｅｂｉｎ（ＣｏｍｐｕｔｉｎｇＣｅｎｔｅｒ，Ａｃａ...     

单输出组合网络的TLU FPGA的逻辑映射

基于真值表结构的ＦＰＧＡ，即ＴＬＵＦＰＧＡ是一种颇具代表性的ＦＰＧＡ结构。在本文中作者针对单输出组合网络，提出并实现了对面积和延迟进行折衷考虑的ＴＬＵＦＰＧＡ的逻辑映射算法，它综合了面积驱动的Ｃｈｏｒｒｌｅ－ｃｒｆ及延迟驱动的Ｃｈｏｒｔｌｅ－ｄ的的优点。     

小间隔数据的地址映射链接排序算法研究

本文结合小间隔数据的特点,提出了一种谓之地址射链接的新排序方法,给出了百序算法的描述、时间复杂度分析及用ＰＡＳＣＡＬ语言、Ｃ语言编写程序进行算法比较的实验结果。     

UNIX环境中光标键的获取算法及虚拟键盘的一种实现

本文在简要介绍ＴＥＲＭＣＡＰ数据库后，给出在ＵＮＩＸ终端原始工作模式下获取光标键的一种算法。受这个算法的启发，文中又给出虚拟键盘的一种实现方法。这个实现较好地体现了ＵＮＩＸ系统Ｖ中ＳＴＲＥＡＭＳ的精神。     

CUBE计算中的MMST树以及BIT形成算法

首先介绍了联机分析处理（ＯＬＡＰ）中的ＣＵＢＥ运算符以及几种计算ＣＵＢ的优化方法，然后分析了以减少１０操作优化方法为主的ＭＭＳＴ优化策略，并给出了形成ＭＭＳＴ树的ＢＩＴ算法以及伪代码。该ＢＩＴ算法概念清晰，实现简捷快速，在以ＭＭＳＴ树为基础的ＣＵＢＥ计算中非常关键。     

加电自检中MMU的功能检测分析

结合ＳＰＡＲＣ２０工作站ＭＭＵ的操作及其执行机制，通过对加电自检程序的分析，对ＳＰＡＲＣＲｅｆｅｒｅｎｃｅ ＭＭ＊检测机制进行了研究，给出了检测的内容及其实现算法。     

至尊攒机之九月篇

随着市场的火爆，大多数配件都经常出现缺货的现象。ＡＭＤ毒龙和雷鸟系列ＣＰＵ到目前为止，缺货情况仍没有得到的改善，所以价格也上涨不少。市场上传来Ｉｎｔｅｌ点仓的消息，可迟迟却不见动作，不过我们仍会发现ＰⅢ以及Ｃｅｌｅｒｏｎ不停的进行小幅度降价，让人感觉不够爽快。　　这段时间，Ｐ４　系列ＣＰＵ却异常火爆了起来，原因是ＲＡＭＢＵＳ在天天降价，降幅高达到了２５％，在ｉ８４５以及ＰＸ２６６等搭配ＤＤＲ／ＳＤＲＡＭ的Ｐ４芯片组上市之前，ＲＡＭＢＵＳ自当做最后的挣扎。再看ＳＤＲＡＭ和ＤＤＲ　ＳＤＲＡＭ，简直是…     

不连续生产系统的最大加工能力与最优生产安排的强多项式算法

不连续生产系统的最大加工能力与最优生产安排的强多项式算法杨承恩，梁枢里（长沙铁道学院）ＴＨＥＭＡＸＩＭＵＭＰＲＯＣＥＳＳＩＮＧＣＡＰＡＣＩＴＹＡＮＤＯＰＴＩＭＡＬＳＣＨＥＤＵＬＥＯＦＡＤＩＳＣＯＮＴＩＮＵＯＵＳＰＲＯＤＵＣＴＩＯＮＳＹＳＴＥＭ￥Ｙａｎ...     

内点方法下线性规划分解算法及其并行计算

内点方法下线性规划分解算法及其并行计算魏紫銮，吴力（中国科学院计算中心）ＡＤＥＣＯＭＰＯＳＩＴＩＯＮＡＬＧＯＲＩＴＨＭＡＮＤＩＴＳＰＡＲＡＬＬＥＬＣＯＭＰＵＴＡＴＩＯＮＦＯＲＬＩＮＥＡＲＰＲＯＧＲＡＭＭＩＮＧＵＮＤＥＲＴＨＥＩＮＴＥＲＩＯＲＰＯＩＮＴ...     

整数提升小波多相矩阵分解系数的快速提取算法

整数提升小波多相矩阵分解系数不唯一,选取方法多样,计算量大。首先采用滤波器迭代次数选取算法,按照输入的信噪比(SNR)比例求出优化迭代次数;然后以非线性迭代比较算法为判定准则,结合求出的优化迭代次数,得到满足参数要求的优化分解系数。迭代次数是依据待测数据求得的,因此优化分解系数对该数据取得较好的处理效果,满足多相矩阵分解系数选取的要求。迭代比较算法满足收敛特性,通过比较滤波器的冲击和阶跃响应是否满足设定的误差限,可减少迭代运算次数,快速准确地选取优化小波系数。通过实验分析可知,该快速提取算法能有效满足数据处理的要求,减少待测数据处理的计算量,提高数据处理的效率。     

森林优化特征选择算法的增强与扩展

特征选择作为一种重要的数据预处理方法，不但能解决维数灾难问题，还能提高算法的泛化能力.各种各样的方法已被应用于解决特征选择问题，其中，基于演化计算的特征选择算法近年来获得了更多的关注并取得了一些成功.近期研究结果表明，森林优化特征选择算法具有更好的分类性能及维度缩减能力.然而，初始化阶段的随机性、全局播种阶段的人为参数设定，影响了该算法的准确率和维度缩减能力；同时，算法本身存在着高维数据处理能力不足的本质缺陷.从信息增益率的角度给出了一种初始化策略，在全局播种阶段，借用模拟退火控温函数的思想自动生成参数，并结合维度缩减率给出了适应度函数；同时，针对形成的优质森林采取贪心算法，形成一种特征选择算法EFSFOA（enhanced feature selection using forest optimization algorithm）.此外，在面对高维数据的处理时，采用集成特征选择的方案形成了一个适用于EFSFOA的集成特征选择框架，使其能够有效处理高维数据特征选择问题.通过设计对比实验，验证了EFSFOA与FSFOA相比在分类准确率和维度缩减率上均有明显的提高，高维数据处理能力更是提高到了100 000维.将EFSFOA与近年来提出的比较高效的基于演化计算的特征选择方法进行对比，EFSFOA仍具有很强的竞争力.     

Feature Selection Using Grey Wolf Optimization with Random Differential Grouping

Big data are regarded as a tremendous technology for processing a huge variety of data in a short time and with a large storage capacity. The user’s access over the internet creates massive data processing over the internet. Big data require an intelligent feature selection model by addressing huge varieties of data. Traditional feature selection techniques are only applicable to simple data mining. Intelligent techniques are needed in big data processing and machine learning for an efficient classification. Major feature selection algorithms read the input features as they are. Then, the features are preprocessed and classified. Here, an algorithm does not consider the relatedness. During feature selection, all features are misread as outputs. Accordingly, a less optimal solution is achieved. In our proposed research, we focus on the feature selection by using supervised learning techniques called grey wolf optimization (GWO) with decomposed random differential grouping (DrnDG-GWO). First, decomposition of features into subsets based on relatedness in variables is performed. Random differential grouping is performed using a fitness value of two variables. Now, every subset is regarded as a population in GWO techniques. The combination of supervised machine learning with swarm intelligence techniques produces best feature optimization results in this research. Once the features are optimized, we classify using advanced kNN process for accurate data classification. The result of DrnDG-GWO is compared with those of the standard GWO and GWO with PSO for feature selection to compare the efficiency of the proposed algorithm. The accuracy and time complexity of the proposed algorithm are 98% and 5 s, which are better than the existing techniques.     

查询代价视图选择问题的研究及实现

实视图选择问题是数据仓库研究的重要问题之一。数据仓库存储实视图主要为OLAP查询,用户查询响应时间是首要考虑的问题,提出了查询代价视图选择问题,给出了其代价模型。提出了对查询代价视图选择问题利用遗传算法来解决的方法和策略。经实验证明,该算法达到了良好的效果,效率高。     

基于动态规划思想求解关键路径的算法

关键路径通常是在拓扑排序的基础上求得的。提出了一种利用图的广度优先搜索与动态规划算法相结合求解关键路径的新算法,该算法采用图的邻接表结构形式,不需要进行拓扑排序,较传统的算法具有较高的效率,同时具有较高的健壮性。     

关键路径求解的新算法

关键路径通常是在拓扑排序的基础上求得的。文中在按广度优先搜索基础上，提出了一种新的求解关键路径的算法，该算法采用图的十字链表结构形式，不需要进行拓扑排序，算法的时间复杂度为O(n e)，较传统的算法效率更高。     

基于密度峰值和近邻优化的聚类算法

针对密度峰值算法在选取聚类中心时的时间复杂度过高,需要人工选择截断距离并且处理流形数据时有可能出现多个密度峰值,导致聚类准确率下降等问题,提出一种新的密度峰值聚类算法,从聚类中心选择、离群点筛选、数据点分配三方面进行讨论和分析,并给出相应的聚类算法。在聚类中心的选择上采取KNN的思想计算数据点的密度,离群点的筛选和剪枝以及数据点分配则利用Voronoi图的性质,结合数据点的分布特征进行处理,并在最后应用层次聚类的思想以合并相似类簇,提高聚类准确率。实验结果表明:所提算法与实验对比算法相比较,具有较好的聚类效果和准确性。     

离散型增强烟花算法和[kNN]在特征选择中的研究

特征选择是从原始特征集中选取特征子集,并且降低特征维度和减少冗余信息,从而达到提高分类准确度的效果。为了达到此效果,提出了新的特征选择算法。该算法使用经过离散化处理之后的增强烟花算法来搜索特征子集,同时将特征子集和经过惩罚因子处理之后约束条件融入到目标函数中,然后将搜索到的特征子集的数据放到[kNN]分类器进行训练和预测,最后使用十折交叉验证来检验分类的准确性。使用UCI数据进行仿真实验,仿真结果表明：与引导型烟花算法、烟花算法、蝙蝠算法、乌鸦算法、自适应粒子群算法相比,所提算法的总体性能优于其他五种算法。     

一种高效的K-medoids聚类算法

针对K-medoids算法初始中心点选择敏感、大数据集聚类应用中性能低下等缺点,提出一个基于初始中心微调与增量中心候选集的改进K-medoids算法。新算法以微调方式优化初始中心,以中心候选集逐步扩展的方式来降低中心轮换的计算复杂性。实验结果表明,相对于传统的K-medoids算法,新算法可以提高聚类质量,有效缩短计算时间。     

基于Petri网分解技术的自动化物流系统建模分析*

针对西安科技大学自动化物流系统的任务规划,提出了一种基于变迁指标和库所指标融合的Petri网分解方法。采用Petri网理论对该物流系统建立模型,给出定义,在此基础上采用提出的Petri网分解方法得到融合了T网和S网特性的最小子网。通过分析该最小子网,得出Petri网模型的活性和有界性,据此推断出物流系统的任务规划合理有效。该方法大大减少了直接分析子网或原Petri网模型的计算量,可避免全局或局部死锁,为系统良好运行提供了依据。