算法的步骤

‘壹’ 生成算法的步骤是( )

直线生成算法中的数值/字微分分析法是一种增量计算方法。它按照斜率绝对值|k|<1和|k|>1来递增画描点。|k|<1时，取像素（x，（int）(y+0.5)；|k|>1时，取像素（（int）(x+0.5)，y)。

循环结构需要重复执行同一操作的结构称为循环结构，即从某处开始，按照一定条件反复执行某一处理步骤，反复执行的处理步骤称为循环体。循环结构中通常都有一个起循环计数作用的变量，这个变量的取值一般都包含在执行或终止循环的条件中。

算法原理

SJT算法，即Steinhaus–Johnson–Trotter algorithm，是一种全排列生成算法。在该算法中，不断的寻找一种相邻元素相互交换的顺序，根据这种交换的顺序，依次计算下一个排列。在SJT算法中，每次循环都进行一次满足条件的相邻元素的交换，直到不存在满足条件的可交换的元素，此时说明所有排列的情况均已输出，算法结束。

‘贰’ 算法的执行流程是指算法中各个处理步骤的执行次序

任何算法都是由若干个顺序结构组成．
循环结构中要对是否循环进行判断，所以一定包含选择结构，
故选C．

‘叁’ 一个算法的执行步骤可以是无限的

这句话不对，所包含的步骤是无限的算法是无法完成的，所以是错的。一个算法应该具有以下五个重要的特征：

1、有穷性
算法的有穷性是指算法必须能在执行有限个步骤之后终止；

2、确切性
算法的每一步骤必须有确切的定义；

3、输入项
一个算法有0个或多个输入，以刻画运算对象的初始情况，所谓0个输入是指算法本身定出了初始条件；

4、输出项
一个算法有一个或多个输出，以反映对输入数据加工后的结果。没有输出的算法是毫无意义的；

5、可行性
算法中执行的任何计算步骤都是可以被分解为基本的可执行的操作步，即每个计算步都可以在有限时间内完成（也称之为有效性）。

‘肆’ 在计算机上实现算法要通过什么方式

摘要 计算机算法是以一步接一步的方式来详细描述计算机如何将输入转化为所要求的输出的过程，或者说算法是对计算机上执行的计算过程的具体描述。

‘伍’ python算法设计的步骤有三步分别是

1. 弄清楚题目的意思，列出题目的输入、输出、约束条件
其中又一道题目是这样的：“有一个mxn的矩阵，每一行从左到右是升序的，每一列从上到下是升序的。请实现一个函数，在矩阵中查找元素elem，找到则返回elem的位置。”题设只说了行和列是升序的，我在草稿纸上画了一个3x4的矩阵，里面的元素是1~12，于是我就想当然的认为矩阵的左上角是最小的元素，右下角是最大的元素。于是整个题目的思考方向就错了。
2. 思考怎样让算法的时间复杂度尽可能的小
继续以上面的题目为例子。可以有如下几种算法：
a. 遍历整个矩阵进行查找，那么复杂度为O(m*n)；
b. 因为每一行是有序的，所以可以对每一行进行二分查找，复杂度为O(m*logn)。但是这样只用到了行有序的性质。
c. 网上查了一下，最优的算法是从矩阵的左下角开始，比较左下角的元素（假设为X）与elem的大小，如果elem比X大，那么X所在的那一列元素就都被排除了，因为X是该列中最大的了，比X还大，那么肯定比X上面的都大；如果elem比X小，那么X所在的那一行就可以排除了，因为X是这一行里最小的了，比X还小那么肯定比X右边的都小。每迭代一次，矩阵的尺寸就缩小一行或一列。复杂度为O(max(m,n))。
可以先从复杂度较高的实现方法入手，然后再考虑如何利用题目的特定条件来降低复杂度。
3. 编写伪代码或代码

‘陆’ 算法分析中动态规划的四个基本步骤

1、描述优解的结构特征。

2、递归地定义一个最优解的值。

3、自底向上计算一个最优解的值。

4、从已计算的信息中构造一个最优解。

‘柒’ 算法步骤

上述算法的流程如图4-1所示。

算法从寻找初始可行解开始。通常的做法是，它对应于从松弛变量列形成的基底。如果没有初始可行解存在，则算法在第二步停止。

图4-1 菲力浦的多目标单纯形法计算框图

如果存在一个可行基底。便置计数器b和c分别为1和0。计数器b标识各个基底，计数器c标识对应于非劣势解的基底，在第三步中计算与初始基底对应的解。在第四步中，通过解非劣势性子问题来检查可行解的非劣势性。

算法在第四、五、六步中进行循环，直到发现一个非劣势解。发现后，把这个非劣势解在第七步中打印出来。

为了检查另外的非劣势解，在第八步中求解方向子问题。如果没有合适的（s_k）_min=0，那么，不存在别的非劣势解，算法停止。但是，如果第九步确定了一个（s_k）_min=0，且第十步指出对应的x_k将引导到一个未探索过的基底，则对应的x_k进入基底，转到第七步去打印出这个另外的非劣势解。算法将继续在第七、八、九、十、十一、七步之间进行循环，直到出现没有对应的x_k导致未探索基底时为止。

为了进一步理解菲力浦的多目标单纯形法求解的有关步骤，我们考虑上一节中的例子并添加松弛变量来产生初始多目标单纯形表。

极大优势

华北煤田排水供水环保结合优化管理

其中，

华北煤田排水供水环保结合优化管理

满足于约束条件

华北煤田排水供水环保结合优化管理

初始基本可行解在表4-2中列出，初始基底是根据与松弛变量x₃、x₄、x₅相关的列来形成的。从而，算法的第一、二、三步是满足的。

表4-2 初始基本可行解表

接下来，算法确定x₁=x₂=0是否为非劣势解点。这由解非劣势性子问题来进行。要解这个非劣势性子问题，需要确定（u^T+e^T）D。矩阵D对应于目标函数行中的非基本列，就是

华北煤田排水供水环保结合优化管理

对于x₁=x₂=0要是非劣势的，必须存在一个权数集w_i=u_i+1，使得

华北煤田排水供水环保结合优化管理

或

华北煤田排水供水环保结合优化管理

或

华北煤田排水供水环保结合优化管理

减去剩余变量s₁，s₂，添加人工变量y₁，y₂，产生所需要的第一演算阶段单纯形问题：

华北煤田排水供水环保结合优化管理

满足于约束条件

华北煤田排水供水环保结合优化管理

对此非劣势性子问题的初始表如表4-3所示。

表4-3 非劣势性子问题的初始表

把第三行加到第一行上，产生初始可行解，如表4-4所示。

表4-4 初始可行解

根据单纯形法则，u₂进入基底，旋转主元是第三行框起来的数2。变换后得表4-5。

表4-5 非劣势解表

此时y_min=0，s₁=7/2，u₂=1/2，u₁=s₂=y₁=y₂=0，于是点x₁=x₂=0是非劣势解。

我们也注意到，表4-5表明存在正的权数w₁=u₁+1=1，w₂=u₂+1=3/2，解x₁=x₂=0也是下面问题的最优解。这个问题是：

华北煤田排水供水环保结合优化管理

满足于

华北煤田排水供水环保结合优化管理

因此，可以这样说，菲力浦算法允许我们“朝后”应用加权方法：对于一个非劣势解x，确定出一组权数w，它们是在加权方法中用来得出这个非劣势解x所需要的权数。

接下来求解方向子问题，以确定是否存在另外的非劣势解。从表4-5，我们能够看到，有s₂=0。于是，如果引入x₂将导致一个未探索过的基底，则存在另一个非劣势解点。从表4-2，对x₂的旋转主元是第五行中的数字5，这表明新的基底将是x₂、x₃和x₄，它还没有被探索过。

显然没有必要，因为已经确定了将导致另一个非劣势解的x_k，但我们现在也能够确定引入x₁是否会导致一个非劣势解。这可以通过解下面的方向子问题来进行。这个方向子问题是：

华北煤田排水供水环保结合优化管理

满足于

华北煤田排水供水环保结合优化管理

在第一演算阶段以后（表4-5），得到如下的方向子问题，表4-6所示。

表4-6 方向子问题表

把第2行加到第一行上，产生了表4-7。

表4-7 最优解表

表4-7是最优的，它指出s₁=7/2＞0，因此引入x₁将导致一个有劣势解。

我们现在引入x₂。以表4-2第五行的元素为主元进行旋转，得到主问题的第二个表，如表4-8所示，从而，x₁=0，x₂=72/5是一个非劣势解，把它打印出来。

表4-8 主问题二表

为了检查是否存在别的非劣势解，现在必须重新求解方向子问题。要这样做，必须又一次计算（u^T+e^T）D，其中的矩阵D此时为

华北煤田排水供水环保结合优化管理

于是，

华北煤田排水供水环保结合优化管理

由此，方向子问题的合适的约束集为

华北煤田排水供水环保结合优化管理

关于目标函数，可以为s₁和s₅。然而，在前面我们是用x₂驱赶x₅而得到目前的非劣势解点，因此，易知有s₅=0，且把x₅带入基底会产生出前面的非劣势解点。从而，仅需对s₁检查方向子问题，就是，

华北煤田排水供水环保结合优化管理

满足于

华北煤田排水供水环保结合优化管理

用表的形式，见表4-9。

表4-9 方向子问题表

把表4-9的第2行加到第1行上，得表4-10。对表4-10以第2行第二列元素为主元进行旋转，得到最优的表4-11。从表4-11可以看出，s₁=0，这表示此时把x₁引入基底将产生另一个非劣势解点。从表4-3可明显看出，旋转主元是4/25，将把x₄驱赶出基底。这导致又一个未探索过的基底（x₁，x₂和x₃）和第三个非劣势解点。以4/25为主元旋转，得到下面表4-12中的解：非劣势点x₁=7，x₂=13。

表4-10 方向子问题过渡表

表4-11 最优解表

表4-12 非劣势解表

继续与前面同样的过程，即求解与表4-12相关的方向子问题，得到s₄=0和s₅=9/2。引入s₄将把x₁从基底中驱赶出去并返回到先前的非劣势解。引入x₅将把x₂从基底中驱赶出去将得到一个有劣势解。这样，算法停止^［134］。

‘捌’ BP算法的实现步骤

BP算法实现步骤（软件）：
1）初始化
2）输入训练样本对，计算各层输出
3）计算网络输出误差
4）计算各层误差信号
5）调整各层权值
6）检查网络总误差是否达到精度要求
满足，则训练结束；不满足，则返回步骤2）
3、多层感知器（基于BP算法）的主要能力：
1）非线性映射：足够多样本－>学习训练
能学习和存储大量输入－输出模式映射关系。只要能提供足够多的样本模式对供BP网络进行学习训练，它便能完成由n维输入空间到m维输出空间的非线性映射。
2）泛化：输入新样本（训练时未有）－>完成正确的输入、输出映射
3）容错：个别样本误差不能左右对权矩阵的调整
4、标准BP算法的缺陷：
1）易形成局部极小（属贪婪算法，局部最优)而得不到全局最优；
2）训练次数多使得学习效率低下，收敛速度慢（需做大量运算）；
3）隐节点的选取缺乏理论支持；
4）训练时学习新样本有遗忘旧样本趋势。
注3：改进算法—增加动量项、自适应调整学习速率（这个似乎不错)及引入陡度因子

‘玖’ 算法过程是什么

‘拾’ 算法 步骤 （需要详细的步骤啊~）

判断点A（1，2）与⊙C （x-5）^2+（y-1）^2=9的位置关系。

第一步:
判断C的圆心O坐标(5,1);
半径r=Sqrt[9]=3.
第二步:
计算A与圆C的距离,
|AO|=Sqrt[(1-5)^2+(2-1)^2]=Sqrt[17].
第三步:
比较|AO|与r的大小关系.
Sqrt[17]>Sqrt[9].
第四步:
结论,A在圆C外.