دانلود پاورپوینت بررسی الگوریتم ها

\n

پاورپوینت کامل تحلیل الگوریتمها

\n

دانلود پاورپوینت الگوریتم بهینه سازی فاخته

\n عنوان های پاورپوینت  : \n\n \n\nبرسی الگوریتم ها\n\nتحلیل الگوریتم ها\n\nمرتب سازی درجی روی آرایه های کوچک در مرتب سازی ادغام\n\nدرستی قانون Horner\n\n \n\nوارونگی\n\nرشد توابع\n\n \n\nنمادهای استاندارد و توابع عمومی\n\n \n\nتحلیل الگوریتم ها\n\nپیچیدگی زمانی برخی توابع عمومی\n\n \n\n

---

\n\n

دانلود پاورپوینت الگوریتم ترکیبی فرا ابتکاری برای حل مساله مکان یابی مسیریابی –وس

\nقسمت ها و تکه های اتفاقی از فایل\n\nتحلیل الگوریتم ها\n\n1 . با استفاده ازاستقرای ریاضی نشان دهید زمانی که n توان صحیحی از 2 است جواب رابطه بازگشتی زیربرابرچیست ؟\n\nاگر n = 2                                      2\n\nاگربرای k>1 ، n = 2      T(n) =    2T(n/2) + n\n\n \n\n2 . مرتب سازی درجی می تواند به صورت یک روال بازگشتی بشرح زیر بیان شود . به منظور مرتب کردن A[1..n] ، آرایه A[1...n-1] را بطور بازگشتی مرتب کرده و سپس A(n) را درآرایه مرتب شده A[1..n-1] درج می کنیم . یک رابطه بازگشتی برای زمان اجرای این نسخه بازگشتی از مرتب سازی درجی بنویسید .\n\nمرتب سازی درجی روی آرایه های کوچک در مرتب سازی ادغام\n\n1 . یک تغییر در مرتب سازی ادغام را در نظر بگیرید که درآن n/k زیر لیست با طول k با استفاده از مرتب سازی درجی ، مرتب شده و سپس با استفاده از فرایند ادغام استاندارد ادغام می شوند و k مقداری است که باید مشخص شود .\n\n \n\na . نشان دهید که n/k زیر لیست هر یک با طول k می توانند بوسیله مرتب سازی درجی در بدترین حالت در زمان Θ(n/k)  مرتب شوند.\n\nb . نشان دهید که زیر لیست ها می توانند دربدترین حالت درزمان Θ(nlg(n/k)) ادغام شوند .\n\nدرستی قانون Horner\n\nقطعه کد زیر قانون horner را برای ارزشیابی چند جمله ای\n\nP(x) = ∑ a  x\n\n \n\n= a  + x(a  + x(a  +…+x(a    + xa  )…)),\n\nبا ضرایب داده شده a  ,a  ,…, a   و یک مقدار برای x پیاده سازی می کند :\n\n1     y ← 0\n\n2      i ← n\n\n3      While i ≥ 0\n\n4          do  y ← a  + x . y\n\n5                 i ← i -1\n\n \n\na . زمان اجرای مجانبی این قطعه کد برای قانون Horner چیست ؟\n\n \n\nb . شبه کدی برای پیاده سازی الگوریتم ارزشیابی ساده چند جمله ای بنویسید که هر جمله از چند جمله ای را از ابتدا محاسبه می کند . زمان اجرای این الگوریتم چیست ؟ در مقایسه با قانون Horner چگونه است ؟\n\nc . ثابت کنید که ثابت زیر یک ثابت حلقه برای حلقه while در خطوط 3- 5 است .\n\n \n\ny = ∑ a        x\n\n \n\nوارونگی\n\n1 . چه آرایه ای با عناصر مجموعه {1,2,…,n }  بیشترین وارونگی ها را دارد ؟ این آرایه چند وارونگی دارد ؟\n\n \n\n2 . چه رابطه ای بین زمان اجرای مرتب سازی درجی و تعداد وارونگی ها درآرایه ورودی  وجود دارد ؟\n\n \n\n3 . الگوریتمی ارائه دهید که تعداد وارونگی ها در یک جایگشت روی n عنصر را در بدترین حالت در زمان Θ(nlgn)  تعیین کند .\n\nرشد توابع\n\n1 . فرض کنید f(n) و g(n) بطور مجانبی توابع غیرمنفی باشند . با استفاده از تعریف اصلی نماد Θ ، ثابت کنید که max(f(n),g(n)) = Θ(f(n) + g(n))\n\n \n\n2 . توضیح دهید چرا عبارت ” زمان اجرای الگوریتم A حداقل O(n  ) است ” ، بی معنی است ؟\n\n \n\n3 . آیا 2    = O(n  )  ؟ آیا 2   = O(2   )  ؟\n\n \n\n4 . نشان دهیدهر ثابت حقیقی a  وb که b>0 ،\n\n( n+a )  = Θ(n  )\n\n \n\n5 . آیا 2    = O(n  )  ؟ آیا 2   = O(2   ) ؟\n\n \n\n6 . ثابت کنید زمان اجرای یک الگوریتم  Θ(g(n))  است اگر و فقط اگر زمان اجرای آن در بدترین حالت O(g(n))  و زمان اجرای آن در بهترین حالت Ω(g(n))  باشد .\n\n \n\n \n\nنمادهای استاندارد و توابع عمومی\n\n1 . نشان دهید اگر f(n) و g(n) توابع صعودی یکنواخت باشند ، آنگاه توابع f(n) + g(n) وf(g(n)) نیز صعودی یکنواخت هستند ، و اگر علاوه بر آن f(n) و g(n) غیر منفی نیز باشند ، آنگاه f(n). g(n)  صعودی یکنواخت است .\n\n \n\n2 . آیا تابع ┌ lg n ┐!  بطور چند جمله ای محدود است ؟ آیا تابع ┌ lg lgn ┐!  بطور چند جمله ای محدود می شود ؟\n\n3 . کدام یک بطور مجانبی بزرگتر است :\n\nlg *(lgn)   یا lg(lg*n)\n\n \n\n \n\na . توابع زیر را برحسب مرتبه رشد رتبه بندی کنید .\n\n \n\nLg(lg*n)     2        (√2 )           n           n!         (lg n)!\n\n \n\n(3/2)          n         lg  n        lg(n!)        2            n\n\n \n\nLn ln n       lg*n     n. 2         n             ln n        1\n\n \n\n2              (lg n)       e            4          (n+1)!       √ lg n\n\nتحلیل الگوریتم ها\n\nنکات مهم درسی\n\n \n\nبرای دو تابع f(n)  و g(n)  داریم f(n) = Θ(g(n))  اگروفقط اگر f(n) = O(g(n))  و f(n) = Ω(g(n))  .\n\n \n\nاکثر ویژگی های رابطه ای اعداد حقیقی در مقایسه های مجانبی نیز به کار میروند .\n\nتعدی :\n\nf(n) = Θ(g(n))  و g(n) = Θ(h(n)) دلالت می کنند براینکه f(n) = Θ(h(n))\n\nf(n) = O(g(n))  و g(n) = O(h(n)) دلالت می کنند براینکه f(n) = O(h(n))\n\nf(n) = Ω(g(n))  و g(n) = Ω(h(n)) دلالت می کنند براینکه f(n) = Ω(h(n))\n\nf(n) = o(g(n))  و g(n) = o(h(n))  دلالت می کنند براینکه f(n) = o(h(n))\n\nf(n) = ω(g(n))  و g(n) = ω(h(n)) دلالت می کنند براینکه f(n) = ω(h(n))\n\n \n\nانعکاسی :\n\nf(n) = Θ(f(n))\n\nf(n) = O(f(n))\n\nf(n) = Ω(f(n))\n\nتقارن :\n\nf(n) = Θ(g(n))  اگر و فقط اگر g(n) = Θ(f(n))\n\nترانهاده تقارن :\n\nf(n) = O(g(n))  اگر و فقط اگر g(n) = Ω(f(n))\n\nf(n) = o(g(n))  اگر و فقط اگر  g(n) = ω(f(n))\n\n \n\nمی توان یک تشبیه بین مقایسه مجانبی دو تابع f و g و مقایسه دو عدد حقیقی a و b ایجاد نمود :\n\nf(n) = O(g(n))      ≈        a ≤ b\n\nf(n) = Ω(g(n))      ≈        a ≥ b\n\nf(n) = Θ(g(n))      ≈        a = b\n\nf(n) = o(g(n))       ≈        a < b\n\nf(n) = ω(g(n))      ≈        a > b\n\nمی گوییم f(n) بطور مجانبی کوچکترازg(n) است اگرf(n) = o(g(n)) وf(n)  بطور مجانبی بزرگتراز g(n) است اگر f(n) = ω(g(n))  .\n\nپیچیدگی زمانی برخی توابع عمومی\n\nبه ازای تمام n ها و a ≥ 1 روابط زیر را در ارتباط با پیچیدگی زمانی توابع  داریم :\n\n \n\n1. n  = o(a  )\n\nبنابراین هرتابع نمایی با پایه اکیدا بزرگتراز1 سریعتر ازهر تابع چند جمله ای رشد می کند\n\n2. Lg  n = O(n  )\n\nهرتابع چند جمله ای مثبت سریعتر از هر تابع چند لگاریتمی رشد می کند .\n\n3. n! = o(n  )\n\n4. n! = ω(2  )\n\n5. lg(n!) = Θ (n lgn)\n

دانلود پاورپوینت لایه های شبکه های عصبی الگوریتم و معماری شبکه های عصبی

\n \n\n۳۰ تا ۷۰ درصد پروژه / پاورپوینت / پاور پوینت / سمینار / طرح های کار افرینی / طرح توجیهی /  پایان نامه/  مقاله ( کتاب ) های اماده   به صورت رایگان میباشد