离散算法

❶ 离散数学算法

设要排序的数组是A[0]……A[N-1]，首先任意选取一个数据（通常选用第一个数据）作为关键数据，然后将所有比它小的数都放到它前面，所有比它大的数都放到它后面，这个过程称为一趟快速排序。值得注意的是，快速排序不是一种稳定的排序算法，也就是说，多个相同的值的相对位置也许会在算法结束时产生变动。 一趟快速排序的算法是： 1）设置两个变量I、J，排序开始的时候：I=0，J=N-1； 2）以第一个数组元素作为关键数据，赋值给key，即 key=A[0]； 3）从J开始向前搜索，即由后开始向前搜索（J=J-1），找到第一个小于key的值A[J]，并与A[I]交换； 4）从I开始向后搜索，即由前开始向后搜索（I=I+1），找到第一个大于key的A[I]，与A[J]交换； 5）重复第3、4、5步，直到 I=J； (3,4步是在程序中没找到时候j=j-1，i=i+1，直至找到为止。找到并交换的时候i， j指针位置不变。另外当i=j这过程一定正好是i+或j-完成的最后另循环结束) 例如：待排序的数组A的值分别是：（初始关键数据：X=49） 注意关键X永远不变，永远是和X进行比较，无论在什么位子，最后的目的就是把X放在中间，小的放前面大的放后面。 A[0] 、 A[1]、 A[2]、 A[3]、 A[4]、 A[5]、 A[6]： 49 38 65 97 76 13 27 进行第一次交换后： 27 38 65 97 76 13 49 ( 按照算法的第三步从后面开始找) 进行第二次交换后： 27 38 49 97 76 13 65 ( 按照算法的第四步从前面开始找>X的值，65>49,两者交换，此时：I=3 ) 进行第三次交换后： 27 38 13 97 76 49 65 ( 按照算法的第五步将又一次执行算法的第三步从后开始找 进行第四次交换后： 27 38 13 49 76 97 65 ( 按照算法的第四步从前面开始找大于X的值，97>49,两者交换，此时：I=4,J=6 ) 此时再执行第三步的时候就发现I=J，从而结束一趟快速排序，那么经过一趟快速排序之后的结果是：27 38 13 49 76 97 65，即所以大于49的数全部在49的后面，所以小于49的数全部在49的前面。 快速排序就是递归调用此过程——在以49为中点分割这个数据序列，分别对前面一部分和后面一部分进行类似的快速排序，从而完成全部数据序列的快速排序，最后把此数据序列变成一个有序的序列，根据这种思想对于上述数组A的快速排序的全过程如图6所示： 初始状态 {49 38 65 97 76 13 27} 进行一次快速排序之后划分为 {27 38 13} 49 {76 97 65} 分别对前后两部分进行快速排序 {27 38 13} 经第三步和第四步交换后变成 {13 27 38} 完成排序。 {76 97 65} 经第三步和第四步交换后变成 {65 76 97} 完成排序。 图示

记得采纳啊

❷ 离散数学，用等值算法判断下列公式类型，求详细过程，这题有三个字母，搞得我好乱啊（x_x；）

(q∧(p∨t))→((p∧s)→q)
⇔ ¬(q∧(p∨t))∨((p∧s)→q) 变成 合取析取
⇔ ¬q∨¬(p∨t) ∨((p∧s)→q) 德摩根定律
⇔ ¬q∨¬(p∨t) ∨(¬(p∧s)∨q) 变成 合取析取
⇔ ¬p∨¬(p∨t) ∨¬(p∧s)∨q 结合律
⇔ ¬p∨¬(p∧s)∨q 吸收律
⇔ ¬(p∧s)∨q 吸收律

是可满足式。

❸ pso的离散算法

很多优化问题涉及到离散或二值的变量，典型的例子包括调度问题或路由问题。而PSO算法的更新公式和过程是面向连续空间并为其设计的，因此需要做一些修改使之适应离散空间的情况。编码的修改可能很简单，难点在于定义速度的意义和确定轨迹的变化。
Kennedy定义了第一个离散二进制版本的PSO算法。微粒使用二进制字符串进行编码。通过使用sigmoid函数，速度被限制在[0, 1]区间之内，并被解释为“概率的变化”。Yang对该方法在量子空间进行了扩展。
Mohan提出了几种二进制方法（直接方法、量子方法、正则方法、偏差向量方法以及混合方法），但是从有限的实验中没有得出什么结论。Clerc对一些专用于某些约束优化问题如TSP问题的PSO算法变种进行了试验，结果显示该方法比较有前途。Pang使用模糊矩阵来表示微粒的位置和速度，对PSO算法的算符进行了重定义，并将其应用到TSP问题的求解。Pampara将PSO算法与信号处理中的角调制技术结合起来，将高维二进制问题降维为一个在连续空间中定义的四维问题，并通过求解该四维问题来获得原问题的解。Afshinmanesh重新定义了离散PSO算法中的加法与乘法，并使用人工免疫系统中的阴性选择来实现速度限制Vmax。
Hu提出了一种改进PSO算法来处理排列问题。微粒被定义为一组特定值的排列，速度基于两个微粒的相似度重新定义，微粒根据由它们的速度所定义的随机率来变换到一个新的排列。引入了一个变异因子来防止当前的pBest陷入局部最小。在n皇后问题上的初步研究显示改进的PSO算法在解决约束满意问题方面很有前途。
Migliore对原始的二进制PSO算法进行了一些改进，提出了可变行为二进制微粒群算法（VB-BPSO）和可变动态特性二进制微粒群算法（VD-BPSO）。VB-BPSO算法按照连续PSO算法的速度更新公式的思想设计了一个新的速度更新公式，用来确定微粒位置向量每一位为1的概率。而VD-BPSO算法则是根据一定规则在两组不同参数确定的VB-BPSO算法之间切换。Migliore应用该算法设计出一种简单鲁棒的自适应无源天线。
Parsopoulos以标准函数为例测试微粒群优化算法解决整数规划问题的能力。Salman将任务分配问题抽象为整数规划模型并提出基于微粒群优化算法的解决方法。两者对迭代产生的连续解均进行舍尾取整后评价其质量。但是PSO算法生成的连续解与整数规划问题的目标函数评价值之间存在多对一的映射，以整型变量表示的目标函数不能准确反映算法中连续解的质量，而由此导致的冗余解空间与相应的冗余搜索降低了算法的收敛效率。
高尚采用交叉策略和变异策略，将PSO算法用来解决集合划分问题。赵传信重新定义了微粒群位置和速度的加法与乘法操作，并将PSO算法应用到0/1背包问题求解中。EL-Gallad在PSO算法中引入探索和勘探两个算子，用于求解排序问题。Firpi提出了BPSO算法的一种保证收敛的版本（但是并未证明其保证收敛性），并将其应用到特征选择问题。
上述离散PSO算法都是间接的优化策略，根据概率而非算法本身确定二进制变量，未能充分利用PSO算法的性能。在处理整数变量时，PSO算法有时候很容易陷入局部最小。原始PSO算法的思想是从个体和同伴的经验进行学习，离散PSO算法也应该借鉴该思想。高海兵基于传统算法的速度—位移更新操作，在分析微粒群优化机理的基础上提出了广义微粒群优化模型（GPSO），使其适用于解决离散及组合优化问题。GPSO 模型本质仍然符合微粒群优化机理，但是其微粒更新策略既可根据优化问题的特点设计，也可实现与已有方法的融合。基于类似的想法，Goldbarg将局部搜索和路径重连过程定义为速度算子，来求解TSP问题。

❹ 如何理解离散数学中算法的确定性

题中E、F分别在AA1、C1B1上，所以“”后的图形中必须有AA1、C1B1；故“”方式有以下四种：（ⅰ）沿CC1将面ACC1A1和面BCC1B1至同一平面，如图1，求得：EF2=；（ⅱ）沿BB1将面ABB1A1和面BCC1B1至同一平面，如图2，求得：EF2=；（ⅲ）沿A1B1将面ABB1A1和面A1B1C1至同一平面，如图3，求得：EF2=；（ⅳ）沿A1C1将面ACC1A1和面A1C1B1至同一平面，如图4，求得：EF2=；比较可得（ⅳ）情况下，EF的值最小；故EF的最小值为．

❺ 粒子群算法和离散粒子群算法有什么不同主要差别体现在哪里

一般就是在跟新粒子位置后，对粒子进行离散点处理。
比如：
你的粒子的离散点是0到9的整数。
那么对每个粒子更新位置后，比如是在（0,1）范围内的随机数。那么就（0，0.1）范围令其值为0；（0.1,0.2）范围令其值为1；............（0.9.1）范围令其值为9。
当然初始位置值也需要这样处理。

❻ 如何理解离散数学中算法的确定性

18·解：题中E、F分别在AA1、C1B1上，所以“”后的图形中必须有AA1、C1B1；故“”方式有以下四种：（ⅰ）沿CC1将面ACC1A1和面BCC1B1至同一平面，如图1，求得：EF2=；（ⅱ）沿BB1将面ABB1A1和面BCC1B1至同一平面，如图2，求得：EF2=；（ⅲ）沿A1B1将面ABB1A1和面A1B1C1至同一平面，如图3，求得：EF2=；（ⅳ）沿A1C1将面ACC1A1和面A1C1B1至同一平面，如图4，求得：EF2=；比较可得（ⅳ）情况下，EF的值最小；故EF的最小值为．

❼ FLUENT中的求解器、算法和离散方法

求解器：

FLUENT中求解器的选择在如下图所示界面中设置：

❽ 粒子群算法主要用于处理离散问题，离散指什么

比如说港口海岸线，离散的是指：把海岸线人为地划分为1,2,3号泊位，来泊分散地安排在每个泊位；反之，则是连续的。

❾ 有哪位大神会计算足球的离散值求详细讲解和算法公式

AVEDEV函数主要用来衡量数据的离知散程度.
如果样本数据在A1:A100,计算离散程序输入以下公式
=AVEDEV(A1:A100)
离散度道,应该就是可以专用标准差来显示的。
每个数和平均数的属差的平方相加再除以个数,最后开方.