Классический алгоритм

Cтраница 2

Непосредственное применение функции fixDown позволяет построить классический алгоритм пирамидальной сортировки. Цикл for выполняет построение сортирующего дерева; далее, цикл while меняет местами наибольший элемент с последним элементом массива и восстанавливает свойства сортирующего дерева, продолжая этот процесс до тех пор, пока сортирующее дерево не станет пустым. В некоторых средах программирования это невозможно. [16]

В § 2.1 мы видели, что классический алгоритм деления может быть определен для любого кольца R с функцией из R в множество N. При этом мы использовали только то обстоятельство, что множество N является вполне упорядоченным. [17]

Его доказательство будет основано на одном варианте классического алгоритма Гюйгенса, который уже не раз помогал нам в этой книге. Соотношение (83.3) по существу выражает этот алгоритм в наиболее общей форме, но при этом не видно, будут ли рассматриваемые величины столь гладкими, чтобы этот алгоритм было удобно применять. Поэтому мы дополним его стандартной процедурой сглаживания, которая заключается в усреднении по малым кубам. [18]

В качестве алгоритмов локального поиска могут быть применены классические алгоритмы: метод Гаусса - Зайделя, градиента, наискорейшего спуска. [19]

Прежде чем будут рассмотрены некоторые программы, реализующие классический алгоритм поиска в пространстве состояний, давайте сначала обсудим, как пространство состояний может быть представлено в прологовской программе. [20]

В данной статье представлен квантовый алгоритм поиска, который работает всего лишь полиномиально быстрее, чем любой классический алгоритм; однако это не связано с тем, что он наталкивается на недоказанные трудности проблемы факторизации. [21]

Модифицированный L - алгоритм, описанный выше, сохраняет верхнюю форму Хессенберга, но число выполняемых операций по сравнению с классическим алгоритмом значительно меньше. [22]

Если оператор U ( и, следовательно, его собственные векторы) экспоненциально большой размерности, что типично, то неизвестны классические алгоритмы, которые могут найти хотя бы собственные значения за полиномиальное время. Хотя требование существования начального вектора состо-ния Va с определенными свойствами может показаться слишком ограничивающим, часто ( если не сказать обычно) возможно получить такое предположение для реальных проблем, используя существующие классические приемы. Например, в любой физической системе с дискретными энергетическими уровнями, которые не расположены экспоненциально близко к основному состоянию ( как в атоме), если возможно получить классически любой вектор состояния с предполагаемой нергией просто меньшей, чем первое возбужденное состояние ( на не-кспоненцально малую величину), тогда этот вектор состояния должен содержать компоненты основного состояния, не являющиеся пренебре-имо малыми, и - хотя это может даже отдаленно не походить на сновное состояние - этот вектор может быть использован как прибли-енное состояние Va для определения истинного основного состояния и нергии основного состояния за полиномиальное время. Наконец, если из-за каких-то проблем невозможно получить классически приблизительный подсчет с требуемой точностью, часто бывают случаи, когда вектор состояния Va может быть получен с использованием квантового лгоритма, как квантово смоделированный отжиг. [23]

Были проведены расчеты с целью выяснить роль того основного элемента, который отличает используемый в расчетах алгоритм решения задачи квадратичного программирования от классического алгоритма строго выпуклого программирования. [24]

В противоположность предыдущему мы не можем утверждать, что кольца, удовлетворяющие условиям этого следствия, являются областями главных левых идеалов, поскольку классический алгоритм деления асимметричен. [25]

Нейронная реализация функции принадлежности. [26]

Представляемая нечеткая нейронная сеть сможет одновременно формировать нечеткие правила и адаптировать функции принадлежности путем модификации весов связей в процессе обучения и - что самое важное - для этого будет применяться классический алгоритм обратного распространения ошибки. [27]

Сложность состоит в том, что в них обычно не предусмотрено использование знаний из данной предметной области, В настоящей главе автор предложил два метода усвоения и уточнения знаний для медицинской экспертной системы, в которых используются достоинства классических алгоритмов. Кроме того, вводится некоторая зависимость от самих знаний, что необходимо для практического успеха подобных систем. [28]

Какие классические алгоритмы допускают квантовое ускорение типа у / Время. [29]

Основное в процедуре - обучение распознаванию областей компетентности BI решающих правил коллектива R. Это требует привлечения классических алгоритмов обучения. Но собранный случайным образом коллектив решающих правил будет содержать и мало - и некомпетентные члены или решающие правила. Нужно такие правила заменить на компетентные, поэтому должна существовать возможность выбора новых членов коллектива из некоторого множества решающих правил. [30]

Страницы: 1 2 3 4