異構詞的方法演算法

① 異構網路的網路選擇演算法的研究

異構網路中無線資源管理的一個重要研究方向就是網路選擇演算法，網路選擇演算法的研究很廣泛，這里給出了幾個典型的無線網路選擇演算法的類別。 預切換可以有效的減少不必要的切換，並為是否需要執行切換做好准備。通常情況下可以通過當前接收信號強度來預測將來接收信號強度的變化趨勢，來判斷是否需要執行切換。
文獻 中利用多項式回歸演算法對接收信號的強度進行預測，這種方法的計算復雜度較大。文獻 中，利用模糊神經網路來對接收信號強度進行預測，模糊神經網路的演算法最大的問題，收斂較慢，而且計算的復雜度高。文獻 中，利用的是最小二乘演算法（LMS）來預測接收的信號強度，通過迭代的方法，能夠達到快收斂，得到較好的預測。還有在文獻 中，直接採用接收信號強度的斜率來預測接收信號強度，用來估計終端在該網路中的生存時間，但是這種方法太簡單，精度不是很高。 在垂直切換的過程中，對於相同的切換場景，通常會出現現在的已出現過的切換條件，對於其垂直切換的結果，可以應用到當前條件下，這樣可以有效避免的重新執行切換決策所帶來的時延。
文獻[33]中，提出利用用戶連接信息（User Connection Profile，UCP）資料庫用來存儲以前的網路選擇事件。在終端需要執行垂直切換時，首先檢查資料庫中是否存在相同的網路選擇記錄，如果存在可以直接接入最合適的網路。在文獻[34]中，提出了將切換到該網路的持續服務時間和距離該網路的最後一次阻塞時間間隔作為歷史信息記錄下來，根據這些信息，選擇是否有必要進行切換。 由於用戶對網路參數的判斷往往是模糊的，而不是確切的概念，所以通常採用模糊邏輯對參數進行定量分析，將其應用到網路選擇中顯得更加合理。模糊系統組成通常有3個部分組成，分別是模糊化、模糊推理和去模糊化。對於去模糊化的方法通常採用中心平均去模糊化，最後得到網路性能的評價值，根據模糊系統所輸出的結果，選擇最適合的網路。
通常情況下，模糊邏輯與神經網路是相互結合起來應用的，通過模糊邏輯系統的推理規則，對神經網路進行訓練，得到訓練好的神經網路。在垂直切換的判決的時候，利用訓練好的神經網路，輸入相應網路的屬性參數，選擇最適合的網路接入。
基於模糊邏輯和神經網路的策略，可以對多種因素(尤其動態因素)進行動態地控制，並做出自適應的決策，可以有效提高網路選擇的合理性，但該策略最大的缺點是，演算法的實現較為復雜，在電池容量和處理能力均受限的移動設備上是不合適的。 在異構網路選擇中，博弈論是一個重要的研究方向。在博弈論的模型中，博弈中的參與者在追求自身利益最大化的同時，保證自身付出的代價盡量小。參與者的這兩種策略可以通過效用函數和代價函數來衡量。因此通過最大化效用函數和最小化代價函數，來追求利益的最大化。
文獻[36]中提出一種基於博弈論的定價策略和網路選擇方案，該方案中服務提供商（Service Providers，SPs）為了提高自己的利潤需要面臨競爭，它是通過用戶間的合作或者非合作博弈來獲得，在實際的異構網路場景下，用戶和服務提供商SPs之間可以利用博弈模型來表示。Dusit Niyato在文獻[37]中，通過競價機制來進行異構網路資源的管理，這里將業務分成兩種類型，一種是基本業務，另一種類似高質量業務，基本業務的價格是固定的，而高質量業務的價格是動態變化的，它是隨著服務提供商的競爭和合作而變化的。因此這里從合作博弈和非合作博弈兩方面來討論定價機制。Dusit Niyato在文獻[38]中基於進化博弈理論，來解決在帶寬受限情況下，用戶如何在重疊區域進行網路選擇。 網路選擇的目標通常是通過合理分配無線資源來最大化系統的吞吐量，或者最小化接入阻塞概率等，這樣就會涉及網路優化問題。
網路選擇演算法往往是一種多目標決策，用戶希望得到好的服務質量、價格便宜的網路、低的電池功率消耗等。對於多目標決策演算法，通常是不可能使得每個目標同時達到最優，通常的有三種做法：其一，把一些目標函數轉化為限制條件，從而減少目標函數數目；其二，將不同的目標函數規范化後，將規范化後的目標函數相加，得到一個目標函數，這樣就可以利用最優化的方法，得到最優問題的解；其三，將兩者結合起來使用。例如文獻[39]中，採用的是讓系統的帶寬受限，最大化網路內的所有用戶的手機使用時間，即將部分目標函數轉化為限制條件。文獻[40]中，採用的是讓用戶的使用的費用受限，最大化用戶的利益和最小化用戶的代價，這里採用的是上面介紹的第三種方法。 基於策略的網路選擇指的是按照預先規定好的策略進行相應的網路操作。在網路選擇中，通常需要考慮網路負荷、終端的移動性和業務特性等因素。如對於車載用戶通常選擇覆蓋范圍大的無線網路，如WCDMA、WiMAX等；對於實時性要求不高的業務，並且非車載用戶通常選擇WLAN接入。這些均是通過策略來進行網路選擇。
文獻[41, 42]提出了基於業務類型的網路選擇演算法，根據用戶的業務類型為用戶選擇合適的網路。文獻[35]提出基於負載均衡的網路選擇演算法，用戶選擇接入或切換到最小負載因子的網路。[43]提出了一種考慮用戶移動性和業務類型的網路選擇演算法。 多屬性判決策略（Multiple Attribute Decision Making，MADM）是目前垂直切換方面研究最多的領域。多屬性判決策略主要分為基於代價函數的方法和其他方法。
基於代價函數的方法
代價函數一般有兩種構造形式，一種是多屬性參數值的線性組合，如（2.1）式所示；另一種是多屬性參數值的權重指數乘積或者是屬性參數值的對數線性組合，如（2.2）式所示。
（2.1）
（2.2）
其中代表規范化的第個網路的第個屬性值，代表第個屬性的權值。對於屬性的規范化，首先對屬性進行分類，分為效益型、成本型等，然後根據不同的類型的，對參數進行歸一化，採用最多的是線性規范化、極差規范化和向量變換法。關於權值的確定可以分為簡單賦權法(Simple Additive Weighting，SAW)、層次分析法（Analytic Hierarchy Process，AHP）、熵權法、基於方差和均值賦權法。
(1) SAW：用戶根據自己的偏好，確定每個屬性的重要性，通常給出每個參數取值的具體參數值。
(2) AHP：首先分析評價系統中各要素之間關系，建立遞階層次結構；其次對同一層次的各要素之間的重要性進行兩兩比較，構造判斷矩陣；接著由每層判斷矩陣計算相對權重；最後計算系統總目標的合成總權重。
(3) 熵權法：通過求解候選網路中的同一屬性的熵值，熵值的大小表明網路同一屬性的參數值的差異，差別越大，說明該屬性對決策影響越大，相應權值的取值就越大。
(4) 基於方差和均值賦權法：通過求解候選網路中同一屬性參數的均值和方差，結合這兩個參數確定該屬性的重要性程度值，然後再對其進行歸一化，得到每個屬性的參數值。
其他方法
(1) 基於方差和均值賦權法：通過求解候選網路中同一屬性參數的均值和方差，結合這兩個參數確定該屬性的重要性程度值，然後再對其進行歸一化，得到每個屬性的參數值。
(2) 逼近理想解排序法（TOPSIS）:首先對參數進行歸一化，從網路的每組屬性參數值里選擇最好的參數組成最優的一組屬性參數，同樣也可以得到最差的一組屬性參數。將每個網路與這兩組參數比較，距離最優參數組越近，並且與最差組越遠，該網路為最合適的網路。
(3) 灰度關聯分析法（GRA）：首先對參數進行歸一化，再利用GRA方法，求得每個網路的每個屬性的關聯系數，然後求出每個網路總的關聯系數。根據每個網路總的關聯系數，選擇最適合的網路。
(4) 消去和選擇轉換法（ELECTRE）：首先對參數進行歸一化，構造加權的規范化矩陣，確定屬性一致集和不一致集。然後計算一致指數矩陣和劣勢矩陣，最後得到一致指數矩陣和不一致指數矩陣。根據這兩個矩陣，確定網路的優劣關系，選擇最適合的網路。
VIKOR：首先對參數進行歸一化，首先確定最優和最差屬性參數組，然後計算得到每個網路屬性的加權和屬性中最大的參數值，然後利用極差規范化對網路的加權和以及最大屬性值進行歸一化，最後利用歸一化的參數進行加權求和，依據這個值，選擇最合適的網路。

② 用於數據挖掘的聚類演算法有哪些，各有何優勢

在數據挖掘的世界裡，各種聚類演算法猶如璀璨繁星，各有其獨特的魅力和優勢。要深入了解這些演算法，首先得明白它們是如何在數據的海洋中繪制出清晰的輪廓：

③ 化學怎麼用不飽和度判斷是不是同分異構體

不飽和度不一樣的話也可以是同分異構體的（高中內容也是這樣的）
舉個例子說明如下：如CH3-O-O-NO2和CH2=CH-O-O-NH2
同分異構體的標准判斷方法是：結構要不同，但組成的各原子種類及其個數應該相等，這樣宏觀上就是分子量相等
至於不飽和度演算法見下：1.含C，H兩種元素的如CnHm，
則不飽和度演算法為Ω=（2*n+2-m）/2
2.含C，H，O的，直接等效為沒有O
3.含C，H，O，N的，有兩種情形，N，O組合，即NO2
以H換之，再如2或1進行計算
N，H組合，即NH2
以氫替代之，再如2或1進行計算
至於不飽和度的數法，即雙鍵，環的不飽和度為1，三鍵為2，立體結構環數數了之後要減一，在此就不作贅述
希望以上是你想要的