演算法研究

❶ 為什麼要研究演算法

01 演算法的優劣是程序質量的重要標志。當我們遇到難題時，總是要求計算機在較短時間內解決難題，這樣我們就得深入研究演算法，挑選出好的演算法，以編出高效、實用的軟體，使計算機更快、更出色地完成任務。

通俗地說，演算法就是解決問題的具體辦法。在《三國演義》中，周瑜與諸葛亮為了打破曹操強大的80萬大軍的進攻，先設法除去曹軍中諳熟水戰的水軍將領蔡瑁、張允，於是就有了“群英會蔣干中計”；曹軍中沒有了真正懂得水戰規律的將領，加上北方軍人不適應艦船上生活，於是龐統的連環計獲得成功；由於是隆冬季節在大江之上作戰，所以就要有黃蓋使苦肉計和草船借箭，然後，東吳水軍才能在東南風起時火燒赤壁，取得破曹的決定性勝利。這也是周瑜、諸葛亮的破曹演算法。以上環節中如果有一個環節失誤，後果不堪設想。

在日常生活中，要解決一個問題，也總要先找出解決這個問題的步驟或辦法。問題簡單，解決問題的步驟就少些；問題復雜，解決問題的步驟就多。

許多著名的問題能得到解決，都是因為有人提出了巧妙的演算法。舉一個簡單的例子：9枚外表相同的硬幣中混進了一枚假幣，知道它與真幣重量不同，如果給你一架天平，至少需要稱幾次才能找到那枚假幣？這個演算法你可能很快就會設計出來。但如果999枚硬幣中混進一枚假幣，你又怎樣用天平將它稱出來呢？再舉一個例子：有幾個公路互通的城市，售貨員從一個城市出發，要乘車走遍所有幾個城市，最後回到出發點，該怎樣找出售貨員可以走的最短線路？用計算機與人下棋，如果是下五子棋，走棋的演算法較簡單，可能很多人都能設計出來，若是走圍棋呢？恐怕就很難設計演算法了！

在計算機領域，演算法是指計算機用來解決某一問題的精確的方法。它是計算機程序的重要組成部分，演算法的優劣是程序質量的重要標志。當我們遇到難題時，總是要求計算機在較短時間內解決難題，這樣我們就得深入研究演算法，挑選出好的演算法，以編出高效、實用的軟體，使計算機更快、更出色地完成任務。

❷ 演算法研究現狀

Farmer以及Deutsch和Journel雖然在1992年就提出了多點地質統計學方法,但其主要是通過在模擬退火中加入多點統計目標函數,然後對模擬圖像進行反復迭代達到與輸入統計參數匹配。該演算法受到數據樣板大小、模擬類型值多少的影響,此外迭代收斂也是一個不可避免的問題。受計算機性能以及演算法的雙重影響,模擬速度極其緩慢。因此對該方法的應用報道很少。1993年,Guardiano et al.提出了一種非迭代演算法。它並不通過變差函數及克里金建立條件概率分布,而是直接利用數據樣板掃描訓練圖像,並根據數據樣板掃描獲得的不同數據事件出現頻率,代替數據事件的多點統計概率。即對於每一個未取樣點,通過局部條件數據構成的數據事件,掃描訓練圖像推斷局部數據事件聯合未知點的條件概率(cpdf)。該方法屬於序貫模擬的范疇,但由於每次條件概率的推斷都需要重復掃描訓練圖像,對計算機性能要求相當高,因而該方法也一直停留在實驗室階段。

多點地質統計學得到快速發展,是源於搜索樹概念的提出,即一種存儲數據事件概率的數據結構。Strebelle(2000)對Guardiano et al.的演算法進行了改進,提出將掃描訓練圖像獲得的多點概率保存在「搜索樹」里,隨後的模擬採用序貫模擬的思路。在每模擬一個未知節點時,條件概率直接從「搜索樹」里讀取,大大縮短了運算機時,使得多點統計學儲層建模真正意義上的推廣成為可能。Strebelle將此演算法命名為Snesim(Singlenormal equation simulation)。Snesim演算法推出後,立刻受到建模界的關注,成為近幾年儲層建模熱點。通過實際研究區建模,有些學者指出Snesim尚存在一些缺陷,表現在以下幾個方面:

1)訓練圖像的平穩性問題。如何將實際儲層中的大量非平穩信息表現為訓練圖像並能應用多點統計方法進行建模;

2)集成軟數據(如地震)及評估訓練圖像或軟數據的權重問題,尤其是它們在某種程度上不一致時;

3)儲層形態合理再現問題。在現有演算法中,當數據事件稀少時,往往通過去除最遠條件節點方法來獲得可靠的數據事件,而這種處理方法往往會導致儲層構型再現失敗;此外,訓練圖像過小將導致目標不連續,影響建模真實性;而訓練圖像過大則導致運行機時大,Snesim的實施存在困難;

4)多重網格搜索問題。兩點統計學的多重網格搜索方法,不能改變粗網格模擬值,而條件數據重新分配具有相當大的誤差,導致實際地質結構特徵再現效果較差;

5)由於多點地質統計學仍然是基於像元的演算法,所以只能在一定程度上重現目標的形狀,對於更復雜的如尖角或者U型目標的應用則效果較差。

對於Snesim存在的問題,不同學者通過研究提出了各自的解決方案或建議。如非平穩性問題,Caers(2002)就採取類似於變差函數套合方式,通過伸縮和旋轉變換,將非平穩的地質模式變化為平穩的地質模式,隨後採用Snesim進行建模。再如數據樣板再現,Liu(2003)就通過賦予不同節點不同權重,在數據事件稀少時,舍棄權重最小數據點以獲得可靠的數據事件,而不是Snesim中去除最遠條件節點的方式;Stien(2007)則允許刪除條件數據點的值,而不是把它從條件數據集中移去。當所有節點被模擬後,再對那些被刪掉值的點重新模擬。Suzuki(2007)提出了一種新的方法,即實時後處理方法(PRTT),其主要思想是在某一點上如果條件化失敗,不是去掉一些條件數據縮小數據模板,而是返回到上一步,對前面模擬的數據進行修改,以達到數據事件合理化。在儲層屬性及數據事件多時,Arpat(2003)、Zhang(2003)等提出聚類的思想對相似數據事件進行歸類,從而減少運行機時及不合理數據事件的出現概率。

儲層建模是對地下沉積儲層地質模式的再現。考慮到儲層建模過程,實質上是對地下儲層特徵沉積模式的重建過程。如果將各種地質模式看成是一幅圖像的構成單元,對儲層預測也就是圖像的重建過程。基於此思想,在2003年Stanford油藏預測中心舉行的會議上,Arpat提出了Simpat(Simulation with pattenrs)多點地質統計學隨機建模方法,即通過識別不同的地質模式,採用相似性判斷方法,在建模時再現這些地質模式。Simpat模擬流程採用的也是序貫模擬的思路。由於是對地質模式處理,而地質模式是通過空間多個點構成的數據事件反映的,因此,在模擬實現時以整個數據事件賦值或者數據事件的子集取代了單個模擬網格節點的賦值。也就是說,在模擬過程中,在對某個未知值的預測過程中,除了模擬節點處賦值外,用來預測節點處值的條件數據的值也會有變化。Arpat通過這種數據事件整體賦值,實現儲層地質模式再現。在數據事件選擇上,Arpat擯棄了傳統的概率推斷、蒙特卡羅抽樣的隨機建模方法,而是借鑒計算機視覺及數字圖像重建領域的知識,利用數據事件的相似性對數據事件進行選擇。Arpat對此方法進行了較詳細的論證,表明此方法能夠較好再現儲層結構特徵。在此基礎上,基於距離相似度的多點地質統計學(distance-based multiple point geostatistics)開始得到研究和發展(Suzuki et al.,2008;Scheidt et al.,2008;Honarkhah et al.,2010)。與傳統基於統計抽樣的模擬不同,基於距離相似度的方法直接計算數據事件的相似性,並用最相似的數據進行整體替換。

基於統計抽樣以及儲層模式分類的考慮,Zhang(2006)提出了Fitlersim(Filter-Based simulation)方法。他認為在訓練圖像中眾多儲層模式可以由幾個濾波函數進行描述,由濾波函數獲得儲層模式的統計得分,在此基礎上,進行儲層模式的聚類,達到降低儲層維數、提高運算效率的目的。此外,在聚類過程中考慮相似的儲層模式出現的頻率,使得儲層預測具有統計學的意義。Yin(2009)則從目標骨架提取出發,約束多點統計模式選擇,提出了基於儲層骨架的多點地質統計學方法。

❸ 如果想成為一個演算法工程師，研究生期間應該做哪些准備

研究演算法是以數學功底為主，語言為輔。
數學上要徹底掌握的知識有大學高數，復變函數，線性代數，離散數學，數據結構，還有數據挖掘中所需的概率論與數理統計知識等。
平時不要太拘泥於看教材，多實踐，養成良好思維，有想法的人搞技術才有前途。盡量去實現自己遇到過的任何一種演算法，演算法無論好壞總有其特點。
此外還要有一定的英語水平（起碼過個6級），因為這方面的官方資料大多是外文的。
總之，凡事無絕對，修行在個人，能不能成主要看你自己

❹ 人工神經網路演算法研究及應用的目錄

第1章 緒論
1.1 神經網路在石油生產中的應用簡介
1.2 神經網路的研究與發展歷史
1.3 儲層預測的研究與進展
1.4 神經網路模式識別概述
1.5 遺傳演算法研究與發展概述
1.6 模擬退火演算法的研究和發展概況
1.7 支持向量機的研究與進展
1.8 本書的主要研究內容及章節安排
第2章 人工神經網路
2.1 引言
2.2 神經元模型
2.3 神經網路模型
2.4 感知器
2.5 誤差回傳神經網路(BP)
2.6 神經網路的優點
2.7 本章小結
第3章 改進遺傳演算法的徑向基函數網路方法研究及應用
3.1 引言
3.2 徑向基函數網路
3.3 遺傳演算法
3.4 自適應遺傳演算法(AGA)基本原理
3.5 基於改進遺傳演算法的徑向基函數網路
3.6 改進的遺傳演算法徑向基函數網路的應用
3.7 本章小結
第4章 小波變換及小波神經網路方法研究及應用
4.1 引言
4.2 小波分析
4.3 小波變換模極大檢測地震反射界面
4.4 小波神經網路
4.5 小波神經網路的應用一
4.6 本章小結
第5章 模糊神經網路方法研究及應用
5.1 引言
5.2 模糊理論
5.3 模糊關系和模糊邏輯推理
5.4 模糊邏輯系統
5.5 模糊系統和神經網路的融合
5.6 模糊神經網路
5.7 用於火山岩儲層識別預測的模糊神經網路
5.8 基於模糊神經網路的火山岩儲層的識別與預測
5.9 基於模糊神經網路多感測器數據融合的海底輸油管道腐蝕檢測系統
5.1 0本章小結
第6章 改進的模擬退火人工神經網路方法研究及應用
6.1 引言
6.2 模擬退火演算法及其特性
6.3 模擬退火演算法的漸近收斂性
6.4 模擬退火演算法與局部搜索演算法比較
6.5 鮑威爾(P0well)演算法
6.6 改進的模擬退火人工神經網路
6.7 改進的模擬退火人工神經網路應用
6.8 演算法比較
6.9 本章小結
第7章 支持向量機方法研究及應用
7.1 引言
7.2 機器學習的基本問題和方法
7.3 統計學習理論的主要內容
7.4 分類支持向量機
7.5 回歸支持向量機
7.6 支持向量機的應用
7.7 本章小結
第8章 結論
參考文獻

❺ 怎樣研究演算法

演算法是一個體系。為什麼說研究演算法的都是高學歷高智商的人呢，就是因為搞演算法不是一蹴而就的。
首先你不要心急，這東西真沒有捷徑。
我給你說說大概的步驟吧。
首先要學習數學，初等數學啦，高等數學啦，甚至說是概率，幾何，代數，離散數學，數學分析，數學建模，這些都要多多少少的涉及。
這時候很多人就煩了，說搞演算法，你讓我學什麼數學啊。
確實，你學完這些課，你還不能編自己的演算法，但是這裡面很多演算法的思想非常重要，你沒見過你就不會用，你就不會分析，所以這些課學好了都不行，還要學精。

再者就是做項目，結合項目來不斷見識演算法和思想。
我說說我用了幾年吧，我大三開始好好學習的，兩年時間完成了數學課程的學習，之後讀研，三年時間主要是用本科學的數學課程來進行演算法分析，編寫演算法。
研究生一畢業就去工作，直接找的演算法工程師的工作，工作剛開始比較難，強度稍微大一點，不過好在有基礎，所以大概一個月就上手了。

總之怎麼研究演算法，這東西不能一蹴而就，你要耐下心來學基礎課程。
如果你還沒考大學，你去考數學專業或者計算機專業或者金融專業。
如果你已經畢業了，可以考這幾個方向的研究生。

❻ 國內做演算法研究的研究生具體怎麼做的

嘗試跨領域研究，主動學習提出一個重要的問題，跨越一個重要的領域，將決定你未來的成敗。我也在台大和清華教了十幾年的課，我常常跟學生講，選對一個領域和選對一個問題是成敗的關鍵，而你自己本身必須是帶著問題來探究無限的學問世界，因為你不再像大學時代一樣泛濫無所歸。所以這段時間內，必須選定一個有興趣與關注的主題為出發點，來探究這些知識，產生有機的循環。由於你是自發性的對這個問題產生好奇和興趣，所以你的態度和大學部的學生是截然不同的，你慢慢從被動的接受者變成是一個主動的探索者，並學會悠遊在這學術的領域。我舉一個例子，我們的中央研究院院長李遠哲先生，得了諾貝爾獎。他曾經在中研院的周報寫過幾篇文章，在他的言論集裡面，或許各位也可以看到，他反復提到他的故事。

❼ 演算法的研究方法和技術有哪些

論文的研究方法與技術路線有哪些
1、研究背景 研究背景即提出問題，闡述研究該課題的原因。研究背景包括理論背景和現實需要。還要綜述國內外關於同類課題研究的現狀：①人家在研究什麼、研究到什麼程度？②找出你想研究而別人還沒有做的問題。③他人已做過，你認為做得不夠

❽ 幾種搜索引擎演算法研究

2.1Google和PageRank演算法
搜索引擎Google最初是斯坦福大學的博士研究生Sergey Brin和Lawrence Page實現的一個原型系統[2]，現在已經發展成為WWW上最好的搜索引擎之一。Google的體系結構類似於傳統的搜索引擎，它與傳統的搜索引擎最大的不同處在於對網頁進行了基於權威值的排序處理，使最重要的網頁出現在結果的最前面。Google通過PageRank元演算法計算出網頁的PageRank值，從而決定網頁在結果集中的出現位置，PageRank值越高的網頁，在結果中出現的位置越前。
2.1.1PageRank演算法
PageRank演算法基於下面2個前提：
前提1：一個網頁被多次引用，則它可能是很重要的；一個網頁雖然沒有被多次引用，但是被重要的網頁引用，則它也可能是很重要的；一個網頁的重要性被平均的傳遞到它所引用的網頁。這種重要的網頁稱為權威（Authoritive）網頁。
前提2：假定用戶一開始隨機的訪問網頁集合中的一個網頁，以後跟隨網頁的向外鏈接向前瀏覽網頁，不回退瀏覽，瀏覽下一個網頁的概率就是被瀏覽網頁的PageRank值。

❾ 如何做演算法研究

一、DSP與TI

為什麼提到電機控制很多人首先會聯想到DSP？而談到DSP控制總繞不過TI，首先DSP晶元是一種具有特殊結構的微處理器。該晶元的內部採用程序和數據分開的哈佛結構，具有專門的硬體乘法器，提供特殊的指令，可以用來快速地實現各種數字信號處理演算法。基於DSP晶元構成的控制系統事實上是一個單片系統，因此整個控制所需的各種功能都可由DSP晶元來實現。因此，可以減小目標系統的體積，減少外部元件的個數，增加系統的可靠性。優點是穩定性好、精度高、處理速度快，目前在變頻器、伺服行業有大量使用。主流的DSP廠家有美國德州儀器（Texas Instruments，TI）、ADI、motorola、傑爾等其他廠商，其中TI的TMS320系列以數字控制和運動控制為主，以價格低廉、簡單易用、功能強大很是受歡迎。

二、常見的電機控制演算法及研究方法

1、電機控制按工作電源種類劃分：可分為直流電機和交流電機。按結構和工作原理可劃分：可分為直流電動機、非同步電動機、同步電動機。不同的電機所採用的驅動方式也是不相同的，這次主要介紹伺服電機，伺服主要靠脈沖來定位，伺服電機接收到1個脈沖，就會旋轉1個脈沖對應的角度，從而實現位移，因此，伺服電機本身具備發出脈沖的功能，所以伺服電機每旋轉一個角度，都會發出對應數量的脈沖，同時又與伺服電機接受的脈沖形成了呼應，或者叫閉環，進而很精確的控制電機的轉動，從而實現精確的定位，可以達到0.001mm。伺服電機相比較普通電機優勢在於控制精度、低頻扭矩，過載能力，響應速度等方面，所以被廣泛使用於機器人，數控機床，注塑，紡織等行業
三、PWM控制及測試結果

脈沖寬度調制是利用微處理器的數字輸出來對模擬電路進行控制的一種非常有效的技術，廣泛應用在從測量、通信到功率控制與變換的許多領域中，脈沖寬度調制是一種模擬控制方式，其根據相應載荷的變化來調制晶體管基極或MOS管柵極的偏置，來實現晶體管或MOS管導通時間的改變，從而實現開關穩壓電源輸出的改變

❿ 演算法的應用研究是怎樣的

群搜索自提出以來