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。     

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。     

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.     

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。     

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。     

递归算法在C语言程序设计中的实现

本文根据递归算法的定义，对其在C语言程序设计中的应用进行了阐述，通过对递归的内部实现过程的描述，对递归的使用进行评价，说明递归在程序设计中具有一定的使用空间．     

递归算法在C语言程序设计中的实现

本文根据递归算法的定义,对其在C语言程序设计中的应用进行了阐述,通过对递归的内部实现过程的描述,对递归的使用进行评价,说明递归在程序设计中具有一定的使用空间.     

LU分解递归算法的研究

将递归方法引入稠密线性代数的计算,能产生自动的矩阵分块,使算法适合于当今分级存储高性能计算机的结构,提高运算速度。文中对解线性代数方程组的LU分解递归算法进行了研究,给出了算法的详细推导过程。     

全排列递归算法在算法教学中的重要性

全排列递归算法简洁,清晰,可读性强。针对该算法在递归算法的设计以及回溯法中的应用．讨论了全排列递归算法在算法教学中的重要作用。     

乔莱斯基分解递归算法的研究

1 引言以乔莱斯基(Cholesky)分解、LU分解等为代表的线性代数问题的数值计算在现代科学研究和工程技术中得到广泛应用。随着计算机结构和技术的发展,实现这些线性代数数值计算的计算机算法和软件也在不断发展。通用的基本线性代数子程序库BLAS(Basic Lin-ear Algebra Subprograms)从70年代的Level-1 BLAS(执行向量一向量运算),发展到80年代的Level-2     

基于遗传算法的锂离子电池等效电路参数识别

结合锂离子电池双极性等效电路模型提出了一种基于遗传算法的参数识别方法,该方法通过指数函数对电路模型中的电阻、电容、恒压源等元件进行有理逼近,根据电池在不同充放电速率下的输出电压特性数据,通过实数编码遗传算法得到最优的函数参数,从而得到最优的电阻、电容,开路电压等电路参数值,针对电池在不同的工作状态,不同的工作参数下的运行数据,系列仿真和实验结果表明该算法原理简明,收敛较快,辨识得到的最优模型其电压输出特性与电池的实际电压输出特性基本吻合,能较精确的反映电池的实际特性,具有较高的辨识精度。     

蚁群算法中参数设置对其性能影响的研究

蚁群算法是一种新型的仿生智能算法,但由于算法中参数众多,各种参数值的设置对蚁群算法的性能影响很大。因此。蚁群算法中各参数的合理设置是十分关键的,这也是蚁群算法研究的一个难点问题。对蚁群算法的基本原理进行详细介绍,对蚁群算法中各参数对其性能的影响以及各参数的合理设置进行分析研究。     

基于规则归纳的遗传算法选择和参数设置

在设计遗传算法时,讨论算法种类的选取和控制参数的设置,基于规则归纳方法,提出一种研究遗传算法种类选择和控制参数设置的实验模型,以遗传算法数值优化问题为背景,用统一结构描述遗传算法实验,利用属性分组等操作规范训练集与决策树算法SLIQ进行规则归纳,将获取的规则用于指导遗传算法设计,并用设计出的算法解决某函数的优化求解问题。     

一种基于线性动态参数的自适应粒子群优化算法

提出一种权重因子和认知因子线性自适应性改变的粒子群优化算法(APSO-LDP),该算法中个体学习因子和社会学习因子都可以按设定的方式进行线性适应性改变。其中个体学习因子的线性减少、社会学习因子的线性增大,有助于粒子群前期的多样性和后期的跟随最优粒子,而惯性权重的线性减少更达到快速收敛和局部搜索能力的平衡。实验表明,该改进算法具有较好的寻优能力。