演算法的步驟

『壹』 生成演算法的步驟是( )

直線生成演算法中的數值/字微分分析法是一種增量計算方法。它按照斜率絕對值|k|<1和|k|>1來遞增畫描點。|k|<1時，取像素（x，（int）(y+0.5)；|k|>1時，取像素（（int）(x+0.5)，y)。

循環結構需要重復執行同一操作的結構稱為循環結構，即從某處開始，按照一定條件反復執行某一處理步驟，反復執行的處理步驟稱為循環體。循環結構中通常都有一個起循環計數作用的變數，這個變數的取值一般都包含在執行或終止循環的條件中。

演算法原理

SJT演算法，即Steinhaus–Johnson–Trotter algorithm，是一種全排列生成演算法。在該演算法中，不斷的尋找一種相鄰元素相互交換的順序，根據這種交換的順序，依次計算下一個排列。在SJT演算法中，每次循環都進行一次滿足條件的相鄰元素的交換，直到不存在滿足條件的可交換的元素，此時說明所有排列的情況均已輸出，演算法結束。

『貳』 演算法的執行流程是指演算法中各個處理步驟的執行次序

任何演算法都是由若干個順序結構組成．
循環結構中要對是否循環進行判斷，所以一定包含選擇結構，
故選C．

『叄』 一個演算法的執行步驟可以是無限的

這句話不對，所包含的步驟是無限的演算法是無法完成的，所以是錯的。一個演算法應該具有以下五個重要的特徵：

1、有窮性
演算法的有窮性是指演算法必須能在執行有限個步驟之後終止；

2、確切性
演算法的每一步驟必須有確切的定義；

3、輸入項
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出了初始條件；

4、輸出項
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
演算法中執行的任何計算步驟都是可以被分解為基本的可執行的操作步，即每個計算步都可以在有限時間內完成（也稱之為有效性）。

『肆』 在計算機上實現演算法要通過什麼方式

摘要 計算機演算法是以一步接一步的方式來詳細描述計算機如何將輸入轉化為所要求的輸出的過程，或者說演算法是對計算機上執行的計算過程的具體描述。

『伍』 python演算法設計的步驟有三步分別是

1. 弄清楚題目的意思，列出題目的輸入、輸出、約束條件
其中又一道題目是這樣的：「有一個mxn的矩陣，每一行從左到右是升序的，每一列從上到下是升序的。請實現一個函數，在矩陣中查找元素elem，找到則返回elem的位置。」題設只說了行和列是升序的，我在草稿紙上畫了一個3x4的矩陣，裡面的元素是1~12，於是我就想當然的認為矩陣的左上角是最小的元素，右下角是最大的元素。於是整個題目的思考方向就錯了。
2. 思考怎樣讓演算法的時間復雜度盡可能的小
繼續以上面的題目為例子。可以有如下幾種演算法：
a. 遍歷整個矩陣進行查找，那麼復雜度為O(m*n)；
b. 因為每一行是有序的，所以可以對每一行進行二分查找，復雜度為O(m*logn)。但是這樣只用到了行有序的性質。
c. 網上查了一下，最優的演算法是從矩陣的左下角開始，比較左下角的元素（假設為X）與elem的大小，如果elem比X大，那麼X所在的那一列元素就都被排除了，因為X是該列中最大的了，比X還大，那麼肯定比X上面的都大；如果elem比X小，那麼X所在的那一行就可以排除了，因為X是這一行里最小的了，比X還小那麼肯定比X右邊的都小。每迭代一次，矩陣的尺寸就縮小一行或一列。復雜度為O(max(m,n))。
可以先從復雜度較高的實現方法入手，然後再考慮如何利用題目的特定條件來降低復雜度。
3. 編寫偽代碼或代碼

『陸』 演算法分析中動態規劃的四個基本步驟

1、描述優解的結構特徵。

2、遞歸地定義一個最優解的值。

3、自底向上計算一個最優解的值。

4、從已計算的信息中構造一個最優解。

『柒』 演算法步驟

上述演算法的流程如圖4-1所示。

演算法從尋找初始可行解開始。通常的做法是，它對應於從鬆弛變數列形成的基底。如果沒有初始可行解存在，則演算法在第二步停止。

圖4-1 菲力浦的多目標單純形法計算框圖

如果存在一個可行基底。便置計數器b和c分別為1和0。計數器b標識各個基底，計數器c標識對應於非劣勢解的基底，在第三步中計算與初始基底對應的解。在第四步中，通過解非劣勢性子問題來檢查可行解的非劣勢性。

演算法在第四、五、六步中進行循環，直到發現一個非劣勢解。發現後，把這個非劣勢解在第七步中列印出來。

為了檢查另外的非劣勢解，在第八步中求解方向子問題。如果沒有合適的（s_k）_min=0，那麼，不存在別的非劣勢解，演算法停止。但是，如果第九步確定了一個（s_k）_min=0，且第十步指出對應的x_k將引導到一個未探索過的基底，則對應的x_k進入基底，轉到第七步去列印出這個另外的非劣勢解。演算法將繼續在第七、八、九、十、十一、七步之間進行循環，直到出現沒有對應的x_k導致未探索基底時為止。

為了進一步理解菲力浦的多目標單純形法求解的有關步驟，我們考慮上一節中的例子並添加鬆弛變數來產生初始多目標單純形表。

極大優勢

華北煤田排水供水環保結合優化管理

其中，

華北煤田排水供水環保結合優化管理

滿足於約束條件

華北煤田排水供水環保結合優化管理

初始基本可行解在表4-2中列出，初始基底是根據與鬆弛變數x₃、x₄、x₅相關的列來形成的。從而，演算法的第一、二、三步是滿足的。

表4-2 初始基本可行解表

接下來，演算法確定x₁=x₂=0是否為非劣勢解點。這由解非劣勢性子問題來進行。要解這個非劣勢性子問題，需要確定（u^T+e^T）D。矩陣D對應於目標函數行中的非基本列，就是

華北煤田排水供水環保結合優化管理

對於x₁=x₂=0要是非劣勢的，必須存在一個權數集w_i=u_i+1，使得

華北煤田排水供水環保結合優化管理

或

華北煤田排水供水環保結合優化管理

或

華北煤田排水供水環保結合優化管理

減去剩餘變數s₁，s₂，添加人工變數y₁，y₂，產生所需要的第一演算階段單純形問題：

華北煤田排水供水環保結合優化管理

滿足於約束條件

華北煤田排水供水環保結合優化管理

對此非劣勢性子問題的初始表如表4-3所示。

表4-3 非劣勢性子問題的初始表

把第三行加到第一行上，產生初始可行解，如表4-4所示。

表4-4 初始可行解

根據單純形法則，u₂進入基底，旋轉主元是第三行框起來的數2。變換後得表4-5。

表4-5 非劣勢解表

此時y_min=0，s₁=7/2，u₂=1/2，u₁=s₂=y₁=y₂=0，於是點x₁=x₂=0是非劣勢解。

我們也注意到，表4-5表明存在正的權數w₁=u₁+1=1，w₂=u₂+1=3/2，解x₁=x₂=0也是下面問題的最優解。這個問題是：

華北煤田排水供水環保結合優化管理

滿足於

華北煤田排水供水環保結合優化管理

因此，可以這樣說，菲力浦演算法允許我們「朝後」應用加權方法：對於一個非劣勢解x，確定出一組權數w，它們是在加權方法中用來得出這個非劣勢解x所需要的權數。

接下來求解方向子問題，以確定是否存在另外的非劣勢解。從表4-5，我們能夠看到，有s₂=0。於是，如果引入x₂將導致一個未探索過的基底，則存在另一個非劣勢解點。從表4-2，對x₂的旋轉主元是第五行中的數字5，這表明新的基底將是x₂、x₃和x₄，它還沒有被探索過。

顯然沒有必要，因為已經確定了將導致另一個非劣勢解的x_k，但我們現在也能夠確定引入x₁是否會導致一個非劣勢解。這可以通過解下面的方向子問題來進行。這個方向子問題是：

華北煤田排水供水環保結合優化管理

滿足於

華北煤田排水供水環保結合優化管理

在第一演算階段以後（表4-5），得到如下的方向子問題，表4-6所示。

表4-6 方向子問題表

把第2行加到第一行上，產生了表4-7。

表4-7 最優解表

表4-7是最優的，它指出s₁=7/2＞0，因此引入x₁將導致一個有劣勢解。

我們現在引入x₂。以表4-2第五行的元素為主元進行旋轉，得到主問題的第二個表，如表4-8所示，從而，x₁=0，x₂=72/5是一個非劣勢解，把它列印出來。

表4-8 主問題二表

為了檢查是否存在別的非劣勢解，現在必須重新求解方向子問題。要這樣做，必須又一次計算（u^T+e^T）D，其中的矩陣D此時為

華北煤田排水供水環保結合優化管理

於是，

華北煤田排水供水環保結合優化管理

由此，方向子問題的合適的約束集為

華北煤田排水供水環保結合優化管理

關於目標函數，可以為s₁和s₅。然而，在前面我們是用x₂驅趕x₅而得到目前的非劣勢解點，因此，易知有s₅=0，且把x₅帶入基底會產生出前面的非劣勢解點。從而，僅需對s₁檢查方向子問題，就是，

華北煤田排水供水環保結合優化管理

滿足於

華北煤田排水供水環保結合優化管理

用表的形式，見表4-9。

表4-9 方向子問題表

把表4-9的第2行加到第1行上，得表4-10。對表4-10以第2行第二列元素為主元進行旋轉，得到最優的表4-11。從表4-11可以看出，s₁=0，這表示此時把x₁引入基底將產生另一個非劣勢解點。從表4-3可明顯看出，旋轉主元是4/25，將把x₄驅趕出基底。這導致又一個未探索過的基底（x₁，x₂和x₃）和第三個非劣勢解點。以4/25為主元旋轉，得到下面表4-12中的解：非劣勢點x₁=7，x₂=13。

表4-10 方向子問題過渡表

表4-11 最優解表

表4-12 非劣勢解表

繼續與前面同樣的過程，即求解與表4-12相關的方向子問題，得到s₄=0和s₅=9/2。引入s₄將把x₁從基底中驅趕出去並返回到先前的非劣勢解。引入x₅將把x₂從基底中驅趕出去將得到一個有劣勢解。這樣，演算法停止^［134］。

『捌』 BP演算法的實現步驟

BP演算法實現步驟（軟體）：
1）初始化
2）輸入訓練樣本對，計算各層輸出
3）計算網路輸出誤差
4）計算各層誤差信號
5）調整各層權值
6）檢查網路總誤差是否達到精度要求
滿足，則訓練結束；不滿足，則返回步驟2）
3、多層感知器（基於BP演算法）的主要能力：
1）非線性映射：足夠多樣本－>學習訓練
能學習和存儲大量輸入－輸出模式映射關系。只要能提供足夠多的樣本模式對供BP網路進行學習訓練，它便能完成由n維輸入空間到m維輸出空間的非線性映射。
2）泛化：輸入新樣本（訓練時未有）－>完成正確的輸入、輸出映射
3）容錯：個別樣本誤差不能左右對權矩陣的調整
4、標准BP演算法的缺陷：
1）易形成局部極小（屬貪婪演算法，局部最優)而得不到全局最優；
2）訓練次數多使得學習效率低下，收斂速度慢（需做大量運算）；
3）隱節點的選取缺乏理論支持；
4）訓練時學習新樣本有遺忘舊樣本趨勢。
注3：改進演算法—增加動量項、自適應調整學習速率（這個似乎不錯)及引入陡度因子

『玖』 演算法過程是什麼

『拾』 演算法 步驟 （需要詳細的步驟啊~）

判斷點A（1，2）與⊙C （x-5）^2+（y-1）^2=9的位置關系。

第一步:
判斷C的圓心O坐標(5,1);
半徑r=Sqrt[9]=3.
第二步:
計算A與圓C的距離,
|AO|=Sqrt[(1-5)^2+(2-1)^2]=Sqrt[17].
第三步:
比較|AO|與r的大小關系.
Sqrt[17]>Sqrt[9].
第四步:
結論,A在圓C外.