选择特殊符号
选择搜索类型
请输入搜索
《图谱理论与复杂网络相关算法》通过对图的邻接矩阵、Laplacian矩阵、signless Laplacian矩阵及关联矩阵性质的研究，证明了一些图类的谱确定性，发现并证明了几类不能由谱确定的同谱图类，拓宽了谱确定图类的范围;对复杂网络的社团结构提取算法进行了研究。全书共分6章，第1章给出了相关概念及符号表示，列举了已有的谱确定图类及图谱理论在计算机科学中的应用;第2章归类了图的谱性质，给出了后面证明中要用到的基本引理;第3章证明了似双星树的谱确定性;第4章证明了几类单圈图的谱确定性;第5章证明了几类双圈图的谱确定性;第6章研究了复杂网络社团发现算法。
针对复杂网络理论的地铁网络特性分析
针对复杂网络理论的地铁网络特性分析
本文基于复杂网络理论,不考虑地铁网络的中间普通车站,仅关注线网起点站、换乘站、终点站及其中间相连接的线路,研究了地铁网络复杂特性的指标评价系统,并分析了线网的复杂特性。文中以某市地铁规划网络工程实例,对指标评价适用性进行了验证,为地铁网络复杂特性研究提供了一定参考。
基于复杂网络理论的国内地铁网络特性分析
基于复杂网络理论的国内地铁网络特性分析
基于复杂网络理论,在分析国内地铁网络拓扑结构的基础上对其相继故障进行了研究。结果表明:国内地铁网络具有较大平均最短路径,聚类系数近似为零,节点度和介数具有线性正相关性,度分布近似为Poisson分布,网络结构近似为随机网络;在相继故障扩散过程中蓄意攻击比随机攻击具有较快的传播速度,但在扰动幅度和故障规模关系中呈现出相似的变化趋势,蓄意攻击效果并不明显。
基本信息
版 次： 1
页 数： 161
装 帧： 平装
开 本： 32开
所属分类： 图书>科学与自然>数学
内容简介
这些理论与算法不仅适用于工程结构设计，对其他工程优化设计问题亦具有通用性。 《工程优化理论与算法》可供从事航空、航天、机械、造船、车辆、建筑工程等工程设计领域的技术人员学习、使用，也可作为高等院校相关专业（包括力学专业）高年级大学生和研究生的教科书或参考书。2100433B
单纯形法是G.B.Dantzig在1947年提出的一种线性规划算法，他本人以及其他学者后来又提出多种形式的变形和改进。实践表明，单纯形法及其变形和改进是非常行之有效的，在市场上已经形成许多可以有效解央大型线性规划问题的软件包。线性规划研究线性目标函数在一组线性等式与线性不等式约束下的极值问题。这本来是连续问题，Dantzig发现线性规划问题的可行解集(即满足约束条件的点的全体)是一个超多面体。 如果它的最优解存在，那么最优解一定可以在这个超多面体的某个顶点取到。由于超多面体的顶点只有有限个，从而使线性规划成为一个组合优化问题。单纯形法是按照一定的规划，从可行解集的一个顶点转移到另一个顶点，使得目标函数的值不断地得到改进，最后达到最优。尽管单纯形法一直使用得很好，但在最坏情况下它需要指数运行时间，从而使线性规划问题是否属于P类一度成为人们关心的问题。1979年前一位苏联数学家提出一个多项式时间的线性规划算法——椭球算法， 从而解决了这个问题。1984年印度数学家N.Karmarkar又提出一个新的更好的多项式时间算法——投影算法。
将给定的元素序列按照某种顺序关系重新排列成有序序列称作排序。例如将n个数组成的序列按照从小到大的顺序重新排列；将n个英语单词组成的序列按照字典顺序重新排列。在给定的集合中查找某个特定的元素称作检索。例如从给定的n个数中找到最大的数。排序和检索算法已经成为数据结构中不可缺少的部分，是计算机科学技术中最基本、使用最频繁的算法。正因为如此，它们也是研究得最细致的一类组合算法(参见排序算法)。
图与网络优化算法是组合算法中内容最丰富的部分。图论中的计算问题包括图的搜索路径问题、连通性问题可平面性检验、着色问题、网络优化等。图论中的著名算法有求最小生成树的Kruskal算法、求最短路的Dijkstra算法和Floyd算法、求二部图最大匹配(指派问题)的匈牙利算法、求一般图最大匹配的Edmonds"花”算法、求网络最大流和最小割的标号法等。
贪心法是求解关于独立系统组合优化问题的一种简单算法，求最小生成树的Kruskal算法就是一种贪心法。但是，贪心法并不总能找到最优独立集，贪心法能求得最优独立集的充分必要条件是L为一个拟阵。事实上，求最大生成树是关于拟阵的组合优化问题，而二部图的所有匹配构成的独立系统U不是拟阵。
组合算法要解决的问题只有有限种可能，在没有更好办法时总可以用穷举搜索的办法来解决，即逐个检查所有可能的情况。当情况较多时这样做是很费时的。实际上，并不需要机械地检查每一种情况，常常有可能提前判断出某些情况不可能取到最优解，从而可以提前舍弃这些情况。这样使“隐含地”检查了所有情况，既减少了搜索量，又保证不漏掉最优解。参见回溯法。
分支限界法是一种用于求解组合优化问题的排除非解的搜索方法。它的基本思想是：把问题分成若干个子问题，估计子问题的目标函数值的上界或下界。对于最大值问题，子问题的下界也是原问题的下界。 当子问题的上界小于原问题的下界时，不可能在这个子问题中取得原问题的最优解，舍去这个子问题。否则将这个子问题再划分成若干更小的子问题，重复上述过程，直到没有需要检查的子问题为止。
其他组合算法还有动态规划，快速传里叶变换等 。2100433B
毕业季到了！学生党们即将离开校园迈入社会。随着各个大厂的校招纷纷结束，一份流传于江湖的“18届互联网校招薪酬表”引得众人羡慕！
这份清单包括多家知名互联网企业AI类岗位的年薪水平，30万起跳，40万-50万的也比比皆是。而从拿到这些企业offer的同学反馈来看，这份清单显示的年薪水平还是比较准确的。
纵使给出了优厚的待遇，人工智能领域的人才缺口还是非常大。
腾讯近期发布的报告显示，目前人工智能领域合格的研究人员数量仅为30万，其中包括相关研究领域的学生。然而，全国范围内，人工智能的人才缺口却为一百万甚至更多。在2018年及未来的几年内，“抢得到人才”绝对是人工智能企业发展的前提及关键。
机器学习算法工程师必备的能力项
要成为一名合格的机器学习算法工程师可以说是难上加难，因为在掌握工程师的通用技能以外，还需要掌握一张不算小的机器学习算法知识网络。
下面我们就将成为一名合格的算法工程师所需的技能进行拆分，一起来看一下究竟需要掌握哪些技能才能算是一名合格的算法工程师。
01：基础开发能力
所谓算法工程师，首先需要是一名工程师，那么就要掌握所有开发工程师都需要掌握的一些能力。在大多数企业的大多数职位中，算法工程师需要负责从算法设计到算法实现再到算法上线这一个全流程的工作。
02：概率和统计基础
概率和统计可以说是机器学习领域的基石之一，从某个角度来看，机器学习可以看做是建立在概率思维之上的一种对不确定世界的系统性思考和认知方式。学会用概率的视角看待问题，用概率的语言描述问题，是深入理解和熟练运用机器学习技术的最重要基础之一。
在统计方面，一些常用的参数估计方法也需要掌握，典型的如最大似然估计、最大后验估计、EM 算法等。这些理论和最优化理论一样，都是可以应用于所有模型的理论，是基础中的基础。这些分布贯穿着机器学习的各种模型之中，也存在于互联网和真实世界的各种数据之中，理解了数据的分布，才能知道该对它们做什么样的处理。
03：开发语言和开发工具
近年来 Python 可以说是数据科学和算法领域最火的语言，主要原因是它使用门槛低，上手容易，同时具有着完备的工具生态圈，同时各种平台对其支持也比较好。但是在模型训练方面，有一些更加专注的工具可以给出更好的训练精度和性能，典型的如 LibSVM、Liblinear、XGBoost 等。大数据工具方面，目前离线计算的主流工具仍然是Hadoop和Spark，实时计算方面 Spark Streaming 和 Storm 也是比较主流的选择。
另外，在学习Python以外，我建议大家可以再学习一下R语言，主要原因有以下几点：
R语言具有最完备的统计学工具链。我们在上面介绍了概率和统计的重要性，R语言在这方面提供的支持是最全面的，日常的一些统计方面的需求，用R来做可能要比用Python来做还要更快。Python的统计科学工具虽然也在不断完善，但是R仍然是统计科学最大最活跃的社区。 **向量化、矩阵化和表格化思维的培养。**R中的所有数据类型都是向量化的，一个整形的变量本质上是一个长度为一的一维向量。在此基础上R语言构建了高效的矩阵和（DataFrame）数据类型，并且在上面支持了非常复杂而又直观的操作方法。这套数据类型和思考方式也在被很多更现代化的语言和工具所采纳，例如Numpy中的ndarray，以及Spark最新版本中引入的DataFrame，可以说都是直接或间接从R语言得到的灵感，定义在上面的数据操作也和R中对DataFrame和向量的操作如出一辙。就像学编程都要从C语言学起一样，学数据科学和算法开发我建议大家都学一下R，学的既是它的语言本身，更是它的内涵思想，对大家掌握和理解现代化工具都大有裨益。04：机器学习理论（最重要）
虽然现在开箱即用的开源工具包越来越多，但并不意味着算法工程师就可以忽略机器学习基础理论的学习和掌握。这样做主要有两方面的意义：
①掌握理论才能对各种工具、技巧灵活应用，而不是只会照搬套用。
②学习机器学习的基础理论的目的不仅仅是学会如何构建机器学习系统，更重要的是思维模式，否则思考效率和深度都会非常受限。
-END-
工程优化理论与算法简介