選用的演算法

⑴ 1.選用優先順序演算法和時間片輪轉演算法模擬實現進程調度演算法

我們考試上交的 能運行

#define MAX 100
#include<stdio.h>
#include<stdlib.h>
#include<math.h>
int b;//存放進程本次結束時的時間
void main()
{
int i,N,t,k;
int a[MAX];//存放進程的剩餘時間
int cnt[MAX];//存放進程調度次數
printf("請輸入進程數N:");
scanf("%d",&N);
printf("\n請輸入時間片t大小:");
scanf("%d",&t);
printf("\n請依次輸入各個進程的服務時間");
for(i=0;i<N;i++)
{
scanf("%d",&a[i]);
cnt[i]=0;
}
printf("被調度進程\t進程調度次數 \t本次運行時間結果\t剩餘時間\n");
k=1;
while(k)
{
for(i=0;i<N;i++)
{
if(a[i]!=0)
if(a[i]>=t)
{
a[i]-=t;
b+=t;
cnt[i]=cnt[i]+1;
printf("\n\t%d\t\t%d\t\t%d\t\t%d",i+1,cnt[i],b,a[i]);
}
else
{
b=b+a[i];
cnt[i]=cnt[i]+1;
a[i]=0;
printf("\n\t%d\t\t%d\t\t%d\t\t%d",i+1,cnt[i],b,a[i]);
}
else continue;
}
for(i=0;i<N;i++)
if(a[i]!=0)
{ k=1;break;}
else continue;
if(i>=N)
k=0;
}
printf("\n");
printf("進程全部運行完成!");
printf("\n");

}

⑵ 機器學習演算法選擇問題

你這個類似故障分類問題了。分以下兩種情況給你提供個思路吧：
1.如果你的數據是有標簽的，那就可以做有監督的機器學習了。
就是你的數據樣本是某時刻各種屬性值，標簽是此時刻是否有零件有故障以及哪個零件故障。
可以選用的模型有：LogisticRegression、SVM、NaiveBayes、DecisionTree、KNN等，較淺的神經網路也是可以的。
2.如果你的數據沒有標簽，就不太好辦了，可以試試無監督的聚類方法看看有沒有什麼發現。如Kmeans。
3.我做過的故障分類是有監督的，零件屬於某個子系統，子系統又屬於某個系統。我先對系統建模，再對子系統建模，再對零件建模，逐步定位到具體問題。
4.如果你的數據真的是無標簽的，另外給你提供個線索，可以去研究下自編碼網路。

⑶ 學習演算法 特徵的選擇演算法有哪些

一個演算法應該具有以下五個重要的特徵：
1、有窮性： 一個演算法必須保證執行有限步之後結束；
2、確切性： 演算法的每一步驟必須有確切的定義；
3、輸入：一個演算法有0個或多個輸入，以刻畫運算對象的初始情況，所謂0個輸入是指演算法本身定除了初始條件；
4、輸出：一個演算法有一個或多個輸出，以反映對輸入數據加工後的結果。沒有輸出的演算法是毫無意義的；
5、可行性： 演算法原則上能夠精確地運行，而且人們用筆和紙做有限次運算後即可完成

⑷ 選擇哪種優化演算法比較好

如果追求結果 那麼可以用窮舉方法 也就是一個個試驗 其他的優化演算法都差不多 可以確定一個條件數 然後達到這個數值才停止優化

⑸ 6,路由選擇有哪些演算法

關於路由器如何收集網路的結構信息以及對之進行分析來確定最佳路由，有兩種主要的路由演算法：
總體式路由演算法和分散式路由演算法。採用分散式路由演算法時，每個路由器只有與它直接相連的路由器的信息——而沒有網路中的每個路由器的信息。這些演算法也被稱為dv（距離向量）演算法。採用總體式路由演算法時，每個路由器都擁有網路中所有其他路由器的全部信息以及網路的流量狀態。這些演算法也被稱為ls（鏈路狀態）演算法。

⑹ 如何選擇合適的數據挖掘演算法

首先是根據你的目的和思路
其次要根據支持數據的類型
最後要看準確性和可靠性等

⑺ 初學者如何選擇合適的機器學習演算法（附演算法

如何為分類問題選擇合適的機器學習演算法 若要達到一定的准確率，需要嘗試各種各樣的分類器，並通過交叉驗證選擇最好的一個。但是，如果你只是為你的問題尋找一個「足夠好」的演算法或者一個起點，以下准則有利於選擇合適的分類器：你的訓練集有多大？如果訓練集很小，那麼高偏差/低方差分類器（如樸素貝葉斯分類器）要優於低偏差/高方差分類器（如k近鄰分類器），因為後者容易過擬合。然而，隨著訓練集的增大，低偏差/高方差分類器將開始勝出（它們具有較低的漸近誤差），因為高偏差分類器不足以提供准確的模型。這可以認為這是生成模型與判別模型的區別。一些特定演算法比較樸素貝葉斯優點：簡單；如果樸素貝葉斯（NB）條件獨立性假設成立，相比於邏輯回歸這類的判別模型，樸素貝葉斯分類器將收斂得更快，所以你只需要較小的訓練集。而且，即使NB假設不成立，樸素貝葉斯分類器在實踐方面仍然表現很好。如果想得到簡單快捷的執行效果，這將是個好的選擇。缺點：不能學習特徵之間的相互作用（比如，它不能學習出：雖然你喜歡布拉德·皮特和湯姆·克魯斯的電影，但卻不喜歡他們一起合作的電影）。邏輯回歸優點：有許多正則化模型的方法，不需要像在樸素貝葉斯分類器中那樣擔心特徵間的相互關聯性。與決策樹和支持向量機 不同，有一個很好的概率解釋，並能容易地更新模型來吸收新數據（使用一個在線梯度下降方法）。如果你想要一個概率框架（比如，簡單地調整分類閾值，說出什麼時候是不太確定的，或者獲得置信區間），或你期望未來接收更多想要快速並入模型中的訓練數據，就選擇邏輯回歸。決策樹優點：易於說明和解釋，很容易地處理特徵間的相互作用，並且是非參數化的，不用擔心異常值或者數據是否線性可分（比如，決策樹可以很容易地某特徵x的低端是類A，中間是類B，然後高端又是類A的情況）。缺點：1）不支持在線學習，當有新樣本時需要重建決策樹。2）容易過擬合，但這也正是諸如隨機森林（或提高樹）之類的集成方法的切入點。另外，隨機森林適用於很多分類問題（通常略優於支持向量機）---快速並且可擴展，不像支持向量機那樣調一堆參數。隨機森林正漸漸開始偷走它的「王冠」。 SVMs 優點：高准確率，為過擬合提供了好的理論保證；即使數據在基礎特徵空間線性不可分，只要選定一個恰當的核函數，仍然能夠取得很好的分類效果。它們在超高維空間是常態的文本分類問題中尤其受歡迎。然而，它們內存消耗大，難於解釋，運行和調參 復雜，盡管如此，更好的數據往往勝過更好的演算法，設計好的特徵非常重要。如果有一個龐大數據集，這時使用哪種分類演算法在分類性能方面可能並不要緊；因此，要基於速度和易用性選擇演算法。

⑻ 選擇排序演算法

#include<stdio.h>
int main(){
int n,k,i,j,m;
int a[100];

scanf("%d",&n);
for(i=0;i<n;i++){
scanf("%d",&a[i]);
}
for(i=0;i<n-1;i++){
for(j=i+1;j<n;j++){
if(a[i]>a[j]){
k=a[j];
a[j]=a[i];
a[i]=k;
}
}
}
for(i=0;i<n;i++){
printf("%d ",a[i]);
}

return 1;
}