ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Randomized techniques in combinatorial algorithms

دانلود کتاب تکنیک های تصادفی در الگوریتم های ترکیبی

Randomized techniques in combinatorial algorithms

مشخصات کتاب

Randomized techniques in combinatorial algorithms

دسته بندی: ترکیبی
ویرایش: PhD Thesis 
نویسندگان:   
سری:  
 
ناشر:  
سال نشر: 1999 
تعداد صفحات: 150 
زبان: English 
فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 963 کیلوبایت 

قیمت کتاب (تومان) : 32,000



کلمات کلیدی مربوط به کتاب تکنیک های تصادفی در الگوریتم های ترکیبی: ریاضیات، ریاضیات گسسته، ترکیبیات



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 10


در صورت تبدیل فایل کتاب Randomized techniques in combinatorial algorithms به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب تکنیک های تصادفی در الگوریتم های ترکیبی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب تکنیک های تصادفی در الگوریتم های ترکیبی

تکنیک های احتمالی روز به روز در علوم کامپیوتر اهمیت بیشتری پیدا می کنند. برخی از آنها برای تجزیه و تحلیل الگوریتم ها مفید هستند. هدف این پایان نامه توصیف و توسعه کاربردهای این تکنیک ها می باشد. ما ابتدا به مشکل تولید یک نمودار به صورت تصادفی از مجموعه همه گراف های بدون برچسب با n راس، با استفاده از الگوریتم های موازی کارآمد نگاه می کنیم. مدل ما از محاسبات موازی، ماشین دسترسی تصادفی موازی معروف (PRAM) است. الگوریتم های ارائه شده در اینجا جزو اولین الگوریتم های موازی برای تولید تصادفی ساختارهای ترکیبی هستند. ما دو الگوریتم موازی مختلف را برای تولید یکنواخت نمودارهای بدون برچسب ارائه می کنیم. الگوریتم ها در زمان O(log2 n) با احتمال زیاد بر روی کالسکه EREW با استفاده از پردازنده های O(n2) اجرا می شوند. در نهایت به دو مسئله تطبیق نظری نمودار نگاه می کنیم. ما ابتدا پیچیدگی محاسباتی این مسائل و تقریب الگوریتمی راه‌حل‌های بهینه، در کلاس‌های خاص نمودارها را مطالعه می‌کنیم. ما همچنین الگوریتمی را استخراج می کنیم که یکی از آنها را در زمان خطی به طور بهینه حل می کند، زمانی که نمودار ورودی یک درخت است و همچنین تعدادی از نتایج غیرقابل تقریب است. سپس چند فرض در مورد توزیع ورودی می‌سازیم، ساختار مورد انتظار این تطابق‌ها را مطالعه می‌کنیم و نتایج تقریب بهبود یافته را بر روی چندین مدل از نمودارهای تصادفی به دست می‌آوریم.


توضیحاتی درمورد کتاب به خارجی

Probabilistic techniques are becoming more and more important in Computer Science. Some of them are useful for the analysis of algorithms. The aim of this thesis is to describe and develop applications of these techniques. We first look at the problem of generating a graph uniformly at random from the set of all unlabelled graphs with n vertices, by means of efficient parallel algorithms. Our model of parallel computation is the well-known parallel random access machine (PRAM). The algorithms presented here are among the first parallel algorithms for random generation of combinatorial structures. We present two different parallel algorithms for the uniform generation of unlabelled graphs. The algorithms run in O(log2 n) time with high probability on an EREW PRAM using O(n2) processors. Finally we look at two graph theoretic matching problems. We first study the computational complexity of these problems and the algorithmic approximability of the optimal solutions, in particular classes of graphs. We also derive an algorithm that solves one of them optimally in linear time when the input graph is a tree as well as a number of non-approximability results. Then we make some assumptions about the input distribution, we study the expected structure of these matchings and we derive improved approximation results on several models of random graphs.





نظرات کاربران