神经网络算法范文第1篇
神经网络在学习与运算方面能力十分突出, 因此人们就以此为依据, 构建了人工神经网络。神经网络主要包括两个部分, 首先是神经元, 其在信息处理过程中属于最为基本的单元, 同时也是网络设计的基本要素[1]。其次是结构模型, 其构成单元为神经元, 能够顺利进行信息的传输与处理。
二、模型构建
(一) 结构分析
通过将神经元进行组合就形成了包含多个层次的网络, 其结构如图1所示。
(二) 算法分析
网络性能的评判标准是MSE, 在此过程中还应考虑到与网络相关的时间因素。公式 (1) 为输出误差的函数。
结合误差的定义, 可得出权值与误差之间的关系, 如公式 (2) 所示。
通过对以上两个公式进行分析, 可得出误差与输入层之间的函数表达式, 如公式 (3) 所示。
由公式 (3) 可知, 输出误差与不同层级的权值之间存在函数关系, 因此如果想要将误差控制在最小范围内, 就可改变权值, 这样就能使数据信息更加精确。
三、影响因素
(一) 拟合性能
相关人员对网络结构进行了大量的研究, 通过对数据信息进行整合与分析, 发现网络自身所具有的泛化能力与多项因素有着直接关联。除神经元的数量之外, 也与所选取的样本数量的多少直接相关, 同时也会受到训练次数的影响。
(二) 数据集
研究工作对样本变量主要有以下两个方面的要求。第一, 应尽量选取大数据样本, 这样就能使其置信空间符合研究需求。第二, 样本之间应尽量分散, 不能有过强的相关性[2]。
(三) 初始化
初始化包括两个部分, 分别是权值和阈值, 这两项因素会对训练过程造成一定的影响, 使得曲面上的点进行移动, 而曲面最大的特质在于其不够均匀, 因此需要通过初始值改变收敛目标, 使其能够在原有基础上得到进一步优化。通常情况下初始值有较强的随机性, 使得网络之间差异性过强, 进而使得优化仅局限在部分区域而无法影响到最终的收敛目标, 这就必然会影响到训练的稳定性, 使其变得难以控制。为了解决这一问题, 应当增加训练的次数, 选择误差最小的初始值, 进而有效提高训练结果的准确性。
(四) 训练速度
训练速度也会受到多种因素的影响, 除结构和算法之外, 基本的参数也会使训练速度变慢。为了将训练时间控制在最小范围内, 在选择隐藏层时必须查看其结点数, 同时还必须考虑结构问题, 否则会使得样本不具有有效性。另外, 为了避免训练时间过长, 需要选择最为合适的节点数, 以免超出匹配范围。当前在确定结构时应用最为普遍的两种方法分别是试凑法和对比法, 其能够将训练时间控制在最为合理的范围内。另外, 通过算法能够了解节点的走向, 即节点移动的路线和在移动时所采取的方式, 这是影响拟合性能的一个至关重要的因素。
四、结语
总而言之, 研究神经网络的构造及功能对模型的构建具有十分重要的作用, 进而有效提高信息处理的效率。为了使网络性能得到进一步提升, 还必须了解其中的影响因素, 并在分析的原因的基础上加以控制, 本文就深入探究了这一问题。
摘要：神经网络处理信息的能力较强。同时, 当前计算机技术十分先进, 并且在科学技术的推动下又研究出了许多功能十分强大的信息技术, 因此相关人员就将先进技术与神经网络结构进行了结合, 进而在此基础上构建出了人工神经网络。
关键词：神经网络,网络模型,研究
参考文献
[1] 石艳, 韩群, 廉晓琴.神经网络设计方法与实例分析[M].北京:北京邮电大学出版社, 2013:23-26.
神经网络算法范文第2篇
1 多路径路由技术
在D W D M网络中, 单路径路由技术用最短路径来定义各个路由器的输出, 产生一条最优路径, 将到达的分组数据转到这条路径上来。在实践中, 会产生传输瓶颈, 在路由器的输出端产生阻塞, 增加流量负载, 也不能保证在DWDM网络实现中实现QoS。多路径路由技术利用网络的反馈信息来了解网络的路由信息, 然后根据优先级别的高低来确定转发分组数据。也就是说, 当中间路径的最优节点或最优路径处于忙的状态, 路由器就要查表再找一条路径来转发分组数据。如果所找的这条次优路径仍然存在上述问题, 按照预定义的优先级为分组数据寻找下一条次优路径, 直到找到合适的路径为止, 如果都没找到, 向发送端发送通知消息, 具体方案由ISP和用户协商确定。为有效的提供区分服务保证, 我们在网络的边缘路由器上设置多等级服务功能, 可以实现网络对区分服务的支持, 从而有效地提高网络的服务质量[1]。
2 于优先级的动态子通路保护算法 (PASPP)
PASPP算法[2]链路中的物理拓扑结构图映射为可达图, 然后将工作链路分为互不重叠的大致等长的n个子链路, 为每个链路提供保护, 然后利用最短路径算法为已到达的业务连接找到一条代价最小的工作链路, 如果有一条没找到得话, 则连接不能建立。PASPP算法[3]在ASPP算法基础上, 把到达的业务分为高低两个优先级。当业务连接到来时, 如果是高优先级的业务, 直接考虑通路中的剩余带宽, 当剩余带宽不能满足要求时, 可以直接抢占低优先级业务的保护通路来建立连接。如果是低优先级业务时, 若没有高优先级的业务时, 低优先级业务的保护通路直接建立, 如图1所示。
图1所示为一个单光纤、单波长、6节点的D W D M物理网络拓扑, 用一个波长所支持的传输速率作为带宽要求的基本单位, 按PASPP算法, 将业务分为高低两个优先级, 再为高优先级业务见通路时, 可以抢占低优先级业务通路, 设链路 (1, 2) 为某一连接的低优先级保护通路, 占用带宽为0.7单位, 剩余带宽为0.3单位。如果此时到达一个高优先级连接请求{5, 2, 0.6}, 选择路径5-3-2, 5-4-2或5-1-2建立通路, 选5-3-2时, 在为子通路3-2寻找保护通路时, 剩余带宽不够, 选5-4-2在为4-2寻找保护通路时, 剩余带宽不够, 此时又没有其他的空闲带宽可以用, 这时直接占用 (1, 2) 的保护通路, 等高优先级业务完成后, 被中断的低优先级业务通路保护恢复, 如果, 按ASPP算法, 由于业务级别相同, 对于最短路径, 不论选哪条, 通路都不能建立, 舍弃。所以, 对于A S P P, P A S P P两种算法来讲, P A S P P算法对资源的利用率更高些, 避免了保护通路的过多中断, 尽量给过于的通路提供更多的保护。
3 基于协商的重叠型路由算法
根据文献[5], 对等模型下的综合路由算法IR以扩大扩大IP/MPLS层和光层维护的数据库规模来提高网络的性能, 这样就加大了重叠模型下顺序路由机制SR与它的性能差距, 为了减小这种差距, 文献[4]提出在IP/MPLS层和光层之间引入一种协商机制 (consulting mechanism) , 这种协商机制可以能够降低标签交换请求的阻塞概率, 又能保持各层状态数据库的独立。具体工作过程如下。
当标签交换L SP请求到达IP/MPL S层, IP/MPL S层入口处的标签交换路由器LSR根据它所维护的路由拓扑为LSP计算显式路由。如果入口LSR认为与光层协商建立一条新的光路是有必要的, LSR就会向光层发送包含源目的地址信息的协商消息 (consulting message) 。光层收到协商信息后, 找到源目的OXC的地址后, 可以协商建立一条或多条光路, 这些光路信息可以通过相同的协商信息格式, 从而提高协商机制的效率, ({LSRx, LSRy}, cost) , 其中小括号内对应一条协商光路, 包括协商过程的开销 (cost) , 如果光层找到合适的就给IP/MPLS层一个肯定消息, 这里包括路径, 和建立光路径所需的开销, 当然这只是一种协商, 即使光层有足够的资源也可以给出否定信号。如果没找到合适的, 就直接返还否定信号, 这时将cost的值设置为无穷大就可以了。另外, 导致cost无穷大可能是管理方面或其他方面的原因, 也可能是缺少资源。但是在协商这一阶段, 不要求光路径进行预留或资源分配, 协商的目的只是简单的通知下当前的光层能否提供所需的空闲资源。光层资源最终是否实际被利用取决于IP/MPLS层的路由算法。协商过程如图2所示。
总的来说, IP via MPLS over DWDM网络中的动态路由问题是个NP[6]问题, 很多文献给出了不同的算法, 各有优缺点。
摘要：DWDM网络中的路由和波长分配 (RWA) 是一个NP-C问题, 文中给出了几种动态路由算法。
关键词：多路径路由技术,RWA,标签交换
参考文献
[1] 余一清, 等.基于QoS的WDM网络中多等级服务问题研究[J].计算机及应用, 2003, 9:12～13.
[2] Zhu H Y, Zang H, and Zhu K Y, etal..A novel generic graph model fortraffic grooming in heterogeneous WDMmesh networks.IEEE/ACM Trans.onNetworking, 2003, 11 (2) :285～289.
[3] 孙永飞, 等.一种新的WDM网状网中的动态子通路保护算法[J].计算机工程与应用, 2006 (17) :136～139.
[4] 王慕维.IPIMPLS over WDM网络综合路由策略研究[D].西安电子科技大学, 2006, 1.
[5] Y.Wang, Tee Hiang Cheng, and S.K.Bose, An Enquiry-Based DynamicService Provisionging Approach forOverlay IP over Optical Networks, Photon.Netw.Commun, 2005, 10 (3) :347～346
神经网络算法范文第3篇
在RBF网络中, 输出层和隐含层所完成的任务是不同的, 各自的学习策略和方法也不同。
1 基于RBF网络的学习方法
1.1 均值聚类算法[3]
首先, 从输入样本中选取样本聚类中心, 并进行初始化。
第二步, 按最邻近规则分组样本, 并分配给相应的聚类中心样本。
第三步, 将分配好的样本子集中的样本取平均值, 直到聚类中心的分布不发生变化为止, 这样就确定了RBF的中心。
1.2 混合学习算法[4]
混合学习算法主要有在线生成隐单元和网络参数学习两种。
1.2.1 在线生成隐单元
选定高斯函数作为所分配的隐单元的初始宽度, 并且作为判断输入数据和已存在隐单元距离的标准, 它决定了神经网络聚类的数目。假设其宽度为r (r>) 0, 按如下规则判断是否生成新的隐单元。
假设RBF网络已经存在K个隐单元, 对一个新的数据对, 如果//X-C.nearest//>r, 则生成一个新的隐单元, 其中, X=[X1, X2, …, XR]为R维输入向量, C.nearest为当前网络中和X最近的网络中心。对新生成的隐单元, 令其中心向量为该数据对的输入向量, 权值向量为该数据对的输出向量, 高斯函数的宽度初始化为r。否则, 如果不符合前面的条件, 则将该数据对划分到最小距离的那个中心所属的类中, 并且对应的中心向量不发生变化, 对应的权值向量变为该类中所有数据对的输出向量的算术平均值。
1.2.2 网络参数学习
第一步:给定高斯函数的宽度r、迭代终止精度ε以及学习率η和动态因子α。定义一个矢量A (t) 用于存放属于各类的输出矢量之和, 定义一个计数器B (t) 用于统计属于各类的样本数, 其中t为已获得的类别数。
第二步:从第一个数据对 (Xt, Yt) 开始, 形成一个聚类中心, 令:
Ct=Xt, σt=r, A (t) =Y t, B (t) =1该隐单元到输出层的权矢量为w1=A (t) /B (t) 。
第三步:对于第k个未参加过聚类计算的样本对 (Xt, Yt) , 按第一步中规则判定是否增加隐单元, 如果需增加隐单元, 则按第二步中方法对新的隐单元进行初始化。否则将其归入到最近距离的中心所属的那一类中, 并调整该中心到输出层的连接权值为该类中所有样本输出向量的算术平均。
第四步:将第一步到第三步中所得到的中心、宽度及权值作为梯度下降训练的初始参数。
第五步:对所有输入样本, 计算样本输出误差E, 并按下式调整各参数值:
其中, Wkj (t) 为第k个输出神经元与第j个隐层神经元之间第t次迭代计算时的连接权, 为第j个隐层神经元对应于第i个输入神经元第t次迭代计时的中心σj (t) , 为第j个隐层神经元第t次迭代计算时的宽度。η为学习率, α为动态因子。
第六步:按下式计算网络输出的均方根误差R M S的值。
第七步:如果RMS≤ε, 则训练结束, 否则转到第五步。
1.3 模糊聚类算法[5]
聚类分析是一种无监督的学习方法, 能够从研究对象的特征数据中发掘出关联规则, 是一种强有力的信息处理方法。在基于目标函数的聚类方法中, c-均值算法是一种最常用的方法, 它包括硬c-均值算法 (HCM) 和模糊c-均值算法 (FCM) 。
FCM算法的核心思想是:把n个向量Xk (k=1, 2, …, n) 分为c个组Gi (i=1, 2, …, c) , 并求每组的聚类中心使得距离指标的目标函数达到最小, 选择欧几里德距离作为组i中向量Xk与相应的聚类中心Xi间的距离指标时, 目标函数定义为:
v= (v1, v2, ..., vc) 为聚类中心矢量;dik=//xk-vi//为数据点xk与第i类中vi心之间的距离;m是权重指数, 一般取值为2;目标函数J为每个数据点到相应数据中心的加权距离平方和;应用lagrange乘数法对求解, 可得最佳隶属度U, 最佳聚类中心V为:
2 RBF的模拟计算
RBF的应用非常广泛, 下面将RBF应用于股票的预测进行模拟计算[6]。
由于股市中的数据可以看作一个时间序列x={xi/xi∈R, i=, 12, ..., L}进行处理, 采用K-均值聚类算法, 因此这里假定有时间序列, 现在希望通过序列的前N个时刻的值, 预测出后M个时刻的值。把数据分为K个长度为N+M的有一定重叠的数据段, 每一个数据段可以看作一个样本, 这样得到个K=L- (N+M) +1样本。这样以来我们可以将每个样本的前N个值作为RBF神经网络的输入, 后M个值作为目标输出。通过学习, 实现从RN到输出空间RM的映射, 从而达到预测的目的。
下面我们给出一样本数据 (某股票的行情) 如下。
这里我们取3天的数据作为一个周期, 3天的数据作为输入向量。输出则为预测日的股票价格。因此输入神经元个数N=3, 输出神经元个数M=1, 样本个数K=L- (M+N) +1=7。
我们取中间神经元的个数为50, 创建神经网络。程序代码如下。
结果分析:从结果y=0.8 3 4 2看, 它离0.9 2 5 6的实际值相差不是很远, 在一定误差范围内是正确的。这是由于这里的训练样本容量太小, 导致了网络的预报误差过大, 但如果采用更大容量的训练样本, 比如几年或者几十年的数据, 其性能将会更好。
3 结语
RBF的算法应用时多应跟实际的情况来选择, 恰当的选择能给计算和网络性能带来非常好的效果。R B F算法除了以上几种外, 还有, 分区聚类分析算法、减聚类监督学习算法等。
摘要：本文综合叙述了基于RBF网络的几种学习算法, 包括:均值聚类算法、混合学习算法、模糊聚类算法等学习算法, 简单介绍了各种算法的过程和应用范围, 最后对RBF网络学习进行了计算机模拟。
关键词：RBF网络,算法,聚类中心,函数,学习
参考文献
[1] 张顶学, 刘新芝, 等.RBF神经网络算法及其应用[J].石油化工高等学校学报, 2007:20 (3) :86～88.
[2] 曹建云, 陆国平, 等.径向基函数网络泛化能力研究及其应用[J].系统工程电子技术, 2006, 18 (1) :72～74.
[3] 肖健华.智能模式识别方法[M].广州:华南理工大学出版社, 2006:61～94.
[4] 张立明.人工神经网络的模型及其应用[M].上海:复旦大学出版社, 1992:36～86.
[5] 岳彩青, 常青美, 等.基于聚类分析的BRF网络建模方法及应用的研究[J].计算机仿真, 2006, 22 (1) :18～25.
神经网络算法范文第4篇
一、LDA模型算法概述
(一) LDA模型研究
LDA模型作为文档式主题生成概率模型, 通过三层进行表达, 首先在进行话题假设过程中, 设置一个假设词汇, 通过概率性混合, 使话题在其分布词中的概率表现出来;其次文档式资料在假设性话题中, 分布的概率为随机时, 并在限定区域内进行的随机概率性分布;最后在文档式资料中通过狄利克雷函数 (dirichlet) 在概率性分布中, 进行范围内取样, 并将文档式资料中包含的假设性话题进行定值, 通过假设性话题和区域范围内词中的分布概率, 依据范围性概率对其文档进行生词, 进而将文本信息从高维空间域降到多个N维欧几里得空间 (n-dimensional) , 通过空间域降层法提出文本信息中的假设话题, 因此LDA模型又叫三层式贝叶斯模型。
(二) LDA算法
LDA算法基于文本数值化的计算方式, 使人们对文本文档格式进行深刻理解。LDA计算方法为;
通过对伽玛函数 (Gamma) 的分部积分算法, 得出函数递归性质, β (v+1) =vβ (v) Gamma此时可作为阶乘式合理延拓值, 当h为整数时, 将得出β (h) = (h-1) !。将整值通过狄利克雷函数进行概率性计算, 当进行计算时, 可以单一性问题为主, 进行概率分布, 将A1、A2、A3……An作为 (0, 1) 区间内整体概率量。通过顺序进行统计, 将计量值作为A (1) 、A (2) 、A (3) ……A (n) 。通过代入式计算得出A (h1) 和A (h1+h2) 具体概率式联合分布方式首先将概率分散区间 (0, 1) 划分为:
A (h1) 在区间[A, 1A1+∆) , A (h1+h2) 在区间[A1+A, 2A1+A2+∆)
依据A3=1-A1-A2推出
即可通过狄利克雷函数得出概率性分布范围值量 (A1, A2, A3|z1, z2, h-z1-z2+1)
通过LDA模型全概率计算公式 (其中, 为范围内存在数据值量, 为范围内隐形变量) , 当求范围性概率分布时, 应对具体范围点U (X, Y) 进行相应的定性分布得出条件为。
依据dirichlet函数分布特性, 将假设性话题设置在随机词汇中, 以EM推导过程进行样值更新直至完全对应。
二、网络舆情模型分类
(一) 离散性模型和连续性模型
网络舆情模型, 可分为离散性模型和连续性模型。离散性模型将所参与者的意见划分为两个等级, 前 (+1) 和后 (-1) , 在参与者进行选择时, 必须从前和后之间选取一个来做出决定。提出此观点最早应该是伊辛模型 (Ising) , 通过正负极式参与观点进行研究, 在个人形成主观思想时, 其他人在进行选择时, 会客观对其形成影响, 甚至影响社会舆论的整体走势, 在因此将此模型设置为定性, 考虑到在人际交往过程中的双层式平行等级结构问题, 在建立具体模型时, 将思维定式以三维模型进行构建, 利用高维空间域的理念进行随机耦合。
连续性模型是将人际交往中的信任形式作为构建模型的主导方式, 在参与者进行选择时, 通过对此范围内造成的影响进行选择, 通过多数参与者的选择观点进行连续性交互, 形成对模型的构建。
(二) 顺序模型和逆序模型
网络舆情模型作为大众化行为方式, 通过大众关注层面不同可分为顺序模型和逆序模型。顺序模型是从上而下进行对观点进行转变, 以广泛性追溯到个体性的过程。顺序模型将待检测范围作为一个整体系统, 通过多层面的角度进行分析研究, 令整体系统透明化。例如, 通过散发型模型对舆论进行传播, 进而得到网络舆论在系统里传播形式。逆序模型在进行模拟触发时, 可通过对个体的行为特征、局部特征、作用程度、预设性行为等进行模拟, 对其预期时间内将要发生个体交互、群体行为等进行模拟演化。
(三) 社会领域模型与自然领域模型
在对网络舆情模型进行构建时, 由于覆盖面广, 涉及领域较多, 研究人员在进行对模型构建时, 通过学科领域的差异性, 建立不同分析性模型。通过模型构建使其在客观化进行分析, 可模拟出更多适用于参考性模型, 在对自然领域模型进行具体判断时有利于指出正确方向。社会领域模型, 作为研究社会领域导向时, 通过进行模拟式分析, 在社会因素背景下, 将数据信息进行模型式构建, 进而使在建设过程中, 令分析面更为广阔。网络舆情模型研究范围几乎涉及所有学科, 通过对社会领域和自然领域的融合, 使其在模拟过程中进行交互式研究。
三、基于LDA算法的网络舆情模型研究及其应用
网络舆情是指在一定时间发生的事情, 以网络为载体进行传播, 通过时间内事情发生、变化, 使接触人民的思想、看法、态度等, 进行基于价值观和人生观表现出的情感变化的总和。网络作为传播速度较快的媒体, 通过网络言论发表自由, 可对社会性事件进行直观性思想表达,
相对于传统社会型舆论来说, 社会舆论捕捉方式较为烦琐, 在进行交流式信息采集时, 将对参与者进行客观的言论影响, 造成资源消耗与回报不成正比。通过网络对社会舆情进行范围性融合, 使网络舆情可更精准进行采集与传播。
网络信息涉及范围较广, 信息内容较为复杂, 在进行整理信息过程中, 需经过一定模型方式进行对信息、词汇、话题进行分类型采集。通过LDA算法的融入使网络舆情模型可进行更精准采集, 通过对比信息, 以及概率性分布特征进行范围性概率对比, 使得信息具有精确性。
网络舆情模型是基于文本信息概率性分布提取的指定性信息, 可通过LDA算法进行对信息的精确计算, 可将预设性话题中包含的文本资料, 通过内容连续性进行文本信息的处理。
在通过LDA算法进行计算时, 可以将预设性话题中包含内容进行连贯性、排序性表示可设为A={a1, a2...ax., ..ay}, ax是网络舆情中的文档文本, 与预设性话题中的范围性随机概率相混合, r作为预设性话题中的指向性量值, R={r1...r2...rm...rn}, 其中n作为预设性话题总量, 表示网络舆情中话题单体, 它是由词汇经过随机概率性分布组合而成。将T作为文本文档中所包含的词汇量总集, Pax作为预设性话题随机性概率分布, 通过组生成网络舆情中A文本文档的第x个随机性词汇。
通过使用LDA算法进行对预设性话题进行精准提取。
将文本文档中的a x通过随机性概率分布确定具体文本文档长度A,
将文本文档中的ax通过随机性概率分布确定其多项式
文本文档ax中的词汇通过狄利克雷函数进行对文本文档的词汇进行生成最大词汇Q。
通过文本文档的预设性话题 (ω) 和词汇 (ξ) 进行模型参数演变得出实际估算值ψ、ϑ
是指预设性话题z所包含的词汇量是由a文本文档进行指向性传送;
是指文本文档a中范围里预设性话题的数量;
是指预设性话题z被词汇x概率性分布的次数;
是指文本文档x中预设性话题z中所含的概率性分布词汇;
通过文本文档中所含的预设性话题T, 通过三层式贝叶斯模型选取方式, 在确定Pax值时
由计算公式
可得出Q (P|z, K) 的K值为预设性话题中的最优选择
通过基于LDA算法的网络舆情模型的应用令其可快速、精准找到最佳话题分布范围。
四、结语
综上所述, 文章对LDA算法的介绍, 对网络舆情模型进行分析, 网络舆情模型通过LDA算法的计算, 可更精确的对预设性话题进行确定, 并选出最佳话题。通过概念性解析, 令话题演变路径更加清晰, 并可依据其走向做出正确预防措施。
摘要：网络舆情作为将数据信息和社会舆论通过网络采集方式, 将人们在社会事件中产生的观点与想法进行汇总, 通过对民生事件进行预设性话题分析, 在整体网络舆论爆发前做出预防性措施。文章对LDA模型算法进行概述, 对网络舆情模型进行分类, 通过网络舆情模型用LDA算法进行确认最佳话题。通过LDA算法可提前对网络舆情模型下的话题进行走势分析。
关键词：LDA算法,网络舆情模型,研究
参考文献
[1] 徐翔, 靳菁, 吕伟欣.网络舆情作为社会传感器对股票指数的影响——基于LDA主题模型的挖掘分析[J].财务与金融, 2018 (06) :1-9.
[2] 万红新.动态时间分布LDA的网络舆情热点词链提取研究[J].江西科技师范大学学报, 2016 (06) :110-115.
[3] 万红新, 彭云.基于主题模型和ARIMA算法的网络舆情热点发现研究[J].科技广场, 2016 (08) :17-20.
神经网络算法范文第5篇
一、网络图绘制规则
要对计算机运算流程、顺序做好综合性分析工作, 确保合理性, 通常要求由左向右开展工作;如果具备足够条件, 最好是选择虚工序 (这里是指不用消耗人力物力的一些工序) 进行相邻位置工序所存在链接关系的表达工作;不能有回路现象, 也不能存在出现缺口, 而且无论网络图布置方式如何, 必须确保网络图是在始点处出发, 于中途通过相应网络路线后能够顺利抵达目标终点;网络图布局规划工作必须科学合理, 一些相对重要的线路最好安排到网络图相对在中间位置的区域;一些工作会和其他工作有内在联系, 对于这些工作最后统一布置;如有条件, 尽量使用水平线与水平折线描述网络图线路;网络图要附有相应时间进度, 根据实际情况与工序特点进行网络图布置工作。
二、计算机算法设计思路
设计思路上一是要针对有内在联系的一些工序节点设置统一编号;处理分析数据表时, 通过使用特定算法确保当前施工工序和其他周边的工序间节点能够一一对应, 汇点和源点编号在唯一性状态下, 并保证符合网络图绘制标准有关要求。二是对于处理好的节点要做好分级处理工作, 对于有很大关联的节点做好转化工作, 最终使关系紧前紧后;之后选两个指定相接位置以线尾标识, 箭线中间标出工序代码, 如果是重要工序, 需要重点关注, 可以选择红色显示标识区分。
三、计算机算法概念
要进一步提高对计算机算法、操作的掌握水平, 就要清楚计算机算法概念。首先要明确始点工序通常所表示的为网络计划中所允许的一些工序, 这种工序一般不止一个, 一般会最早开工, 所以通常不会有紧前工序所具备的特点。此外, 终点工序一般是网络计划所规定的会在最后完工的一些工序, 这些工序通常也没有紧后工序所具备的特点。
四、网络图基础下的计算机算法以及相关显示方法
(一) 根据网络活动存在的逻辑关系进行的数字化处理工作
“网络逻辑的数字化”这一概念是说在网络图内, 在各个工序间节点编号上所存在的一些联系。工作中要先分析研究始点工序, 确定首节点实际编号和尾节点实际编号;之后做好始点工序观察工作, 确定紧后工序实际开始节点实际编号;再通过具体汇点做好确定工作, 力求全面。
(二) 节点排序工作
完成关于网络活动存在的逻辑关系的数字化处理工作后, 需要做好全部工序节点的赋值工作, 在进行赋值的活动中要保证赋值比结束节点编号要小。要按前文所述网络图绘制原则进行节点号码编号工作, 确保排序科学性、有效性。根据整理与分析研究, 以下思路可供参考:先是找到在开始节点上编号比结束节点要大的编号n点和M点, 同时也要做好所有工序始发与结束节点的认识和判断工作, 如果是m点, 要向n点转换, n点就向m点转换。对这一步骤进行重复操作, 假如所得结果表明所有的工序节点在编号上都比结束节点编号小则可停止操作。
(三) 不同节点的分级处理工作
节点布局和分布合理程度通常是网络图的实际绘制质量高低的重要指标。在节点布局顺序上必须确保科学合理, 一般性编号编制工作要根据先左后右顺序进行, 根据相关原则操作完成编号处理工作。此外, 要视情况进行各个节点的分级与相应管理工作, 对于处于同级的节点要做好分层布局管理。利用计算机进行箭线图绘制工作和设计工作时, 对节点进行合理分级是确保工序流程合理、科学的重要保证。
(四) 具体网络图绘制
(1) 要详细确定原点坐标实际大小, 再按照实际需求进行载体选择, 并确保载体科学性, 以这一载体完成绘制。绘制工作中做出同等大小的圆。之后利用箭线将这些绘制出的圆进行串联。绘制时要严格执行有关原则要求, 箭线上也要将一些特定信息做出明确标示。还要确保所有绘制的圆可以在特定规则、相关原则的基础上进行合理布局。 (2) 根据前文所述节点分级要求做好节点分级工作, 确定各类型层次, 约束、规范圆的绘制工作并统计好各级节点数目。为了有效确保每一级的圆绘制完成后布局均匀、科学, 要求每个圆与相邻圆之间要留一定空间。例如同级圆, 相邻同级圆留固定距离空间, 实际距离视实际情况而定。如果分级后每级节点实际分配到的数目不同, 不同级圆之间在距离上也应有一定区别。要根据圆的总体数量来合理规划圆与圆之间的间距, 从整体性上着手。 (3) 另外, 假如某一分级只有一个节点, 可以将这一节点设置于几个载体的中间位置;如果某一级节点实际数量是奇数, 要在纵坐标、纵坐标两侧布局;如果某一级节点实际数量是偶数, 要在Y轴 (纵轴) 上布局;由于汇点和源点有明显唯一性特点, 要确定源点的实际坐标, 首先就要确保在X坐标 (横轴) 上截取固定数值, 另外在Y坐标 (纵轴) 方向选取相对载体高度一半的高度, 完成确定工序。 (4) 要确定不同级别层次间距, 可以将间距设为N, 通过计算得到实际坐标, 级次节点横坐标通常采用如下公式表示:横轴所取值 (X) +次数×纵轴所取值 (N) 。之后确定好节点坐标的具体大小后开始对应圆的绘制工作, 绘制圆时, 做好该节点编号记录工作。
五、总结
当前网络图相关理论应用是研究的热点, 研究工作中一些新的理论成果也不断涌现。要研究算法理论, 就要做好基于网络图的计算机算法理论分析研究工作, 使其可以发挥积极作用, 进而能够为日后相关研究工作提供有力指导, 有效解决在进行计算机计算、显示中所遇到的各种问题。
摘要：技术进步加深了计算机和网络图之间的联系, 网络图技术应用为定性、定量计算带来技术支持。在如今, 将网络图理论作为计算机算法基础开展相关工作体现出技术优势, 如何提高应用水平是研究重点。
关键词：网络图,计算机算法,显示方法
参考文献
[1] 齐安智.控制算法理论及网络图计算机算法显示研究[J].中国新通信, 2018 (1) .12-13.