启发式搜索的一种新技术─SA算法

在一定的假设下，可把启发式搜索看作一种随机取样的过程。从而把统计推断方法引进搜索。根据上述思想．把Ｗａｌｄ序贯概率比检验方法与Ａ（Ａ＊）搜索结合，得到一种新算法──ＳＡ算法。文中讨论了该算法的优点及细节。最后通过一个实例说明算法的原理。     

基于激光雷达的移动机器人环境建模与避障

为了提高自主移动机器人运行的安全性和可靠性 ,提出了一种基于激光雷达的距离信息进行环境建模和避障的方法。首先简要描述了激光雷达的工作原理 ,比较了几类常用的激光雷达 ,并介绍了激光测量系统 ( laser measure-ment system,LMS)。然后给出了一种用于移动机器人环境建模和避障的算法 -时变势场法 ,在此基础上提出了改进算法 -多分辨率势场法 ,实验表明其性能优于原算法。最后讨论激光雷达在实际应用中的一些问题。目前 ,该方法已成功地应用于清华室外移动机器人 THMR- V     

自动布线方法

本文主要讨论组件印制板的自动布线。作为目前通用的布线法“迷宫法”的一 种推广,本文以拓扑和整数线性规划为工具．提出一种新的布法,能使布线工作在 更明确的数学原理的指导下进行,以提高布通率,而且也容易为电子计算机所实 现。     

启发式搜索中一种新的加权技术

本文提出一种新的加权算法——ＷＳＡ法，它是在Ａ（或Ａ＊）搜索中引入一种新的加权技术。根据［１］中提出的原理，可以把启发式搜索看成某种随机取样过程，所以通过某种统计推断的方法，可以估计出搜索树中各子树包含目标的可能性．然后把某个权值加到不大可能是解路径上节点的估价函数上，从而使搜索集中在最有希望的路径上。在一致ｍ一枝树上；我们证明了这种加权方法可显著提高效率。     

量子计算机:颠覆传统

有专家预测，大约20年后传统计算机将达到它的“物理极限”。人们自然提出如下问题：能不能按照量子力学的原理在原子的尺度上制造一种全新的量子计算机?这种机器的性能是否能够超越传统的计算机?     

支持向量机的训练算法

大量数据下支持向量机(SVM)的训练算法是SVM研究的一个重要方向和广大研究者关注的焦点。该文回顾了近几年来这一领域的研究情况。该文从分析SVM训练问题的实质和难点出发,结合目前一些主要的SVM训练方法及它们之间的联系,重点阐述当前最有代表性的一种算法——序贯最小优化(SMO)算法及其改进算法。从中可以看到,包括SMO在内的分解算法通过求解一系列规模较小的子问题逐步逼近最优解,从而避免存储整个Hessian矩阵,是解决大规模SVM训练问题的主要方法。而工作集的选择对于分解算法的收敛与否和收敛速度至关重要。