近似演算法隨機演算法

❶ 有誰能告知東南大學計算機方向研究生具體有哪些專業謝謝啦

http://cse.seu.e.cn/graate/graate_introce.aspx

（1）計算機網路及其應用：高性能網路體系結構及其協議、分布對象計算及CORBA技術、協議工程、網路安全、網路管理、網格計算、網路行為學、面向海量數據處理應用的 相關演算法和大型系統構造技術、大規模存儲體系結構、網路教育、網路製造、電子商務。
（2）資料庫和信息系統：資料庫管理系統、多資料庫系統的集成、數據倉庫與數據挖掘、移動資料庫系統及其應用、Web數據資源、企業信息系統、XML數據管理技術、生物數據網格、空間資料庫、工作流技術。
（3）人工智慧及其應用：分布式人工智慧與多Agent系統、人工神經網路、模糊信息處理與決策、模糊模式識別、不精確信息處理、地理信息模型與空間推理等方面。
（4）軟體工程及理論：程序設計語言、軟體分析與測試、軟體質量保證、軟體形式化技術、新型軟體方法與技術、知識與信息獲取技術、語義Web與Web工程、面向對象技術。
（5）理論計算機科學：量子計算、信息理論、模糊理論、近似演算法、隨機演算法、分布式演算法。
（6）計算機系統結構：嵌入式應用系統與嵌入式操作系統、現代工業控制系統體系結構、集群系統體系結構和並行計算、保安監控系統。
（7）圖像處理與科學可視化： 成像和圖像重建理論與方法、高維數據的分析與可視化、 虛擬現實技術及應用、圖像處理與分析、基於內容的圖像資料庫檢索方法、圖像監控技術與系統、圖像信息網路技術與系統、計算機輔助醫學診斷和治療方法與系統。

❷ 對於社交網路的數據挖掘應該如何入手，使用哪些演算法

3月13日下午，南京郵電大學計算機學院、軟體學院院長、教授李濤在CIO時代APP微講座欄目作了題為《大數據時代的數據挖掘》的主題分享，深度詮釋了大數據及大數據時代下的數據挖掘。

眾所周知，大數據時代的大數據挖掘已成為各行各業的一大熱點。
一、數據挖掘
在大數據時代，數據的產生和收集是基礎，數據挖掘是關鍵，數據挖掘可以說是大數據最關鍵也是最基本的工作。通常而言，數據挖掘也稱為DataMining，或知識發現Knowledge Discovery from Data，泛指從大量數據中挖掘出隱含的、先前未知但潛在的有用信息和模式的一個工程化和系統化的過程。
不同的學者對數據挖掘有著不同的理解，但個人認為，數據挖掘的特性主要有以下四個方面：
1.應用性（A Combination of Theory and Application）：數據挖掘是理論演算法和應用實踐的完美結合。數據挖掘源於實際生產生活中應用的需求，挖掘的數據來自於具體應用，同時通過數據挖掘發現的知識又要運用到實踐中去，輔助實際決策。所以，數據挖掘來自於應用實踐，同時也服務於應用實踐，數據是根本，數據挖掘應以數據為導向，其中涉及到演算法的設計與開發都需考慮到實際應用的需求，對問題進行抽象和泛化，將好的演算法應用於實際中，並在實際中得到檢驗。
2.工程性（An Engineering Process）：數據挖掘是一個由多個步驟組成的工程化過程。數據挖掘的應用特性決定了數據挖掘不僅僅是演算法分析和應用，而是一個包含數據准備和管理、數據預處理和轉換、挖掘演算法開發和應用、結果展示和驗證以及知識積累和使用的完整過程。而且在實際應用中，典型的數據挖掘過程還是一個交互和循環的過程。
3.集合性（A Collection of Functionalities）：數據挖掘是多種功能的集合。常用的數據挖掘功能包括數據探索分析、關聯規則挖掘、時間序列模式挖掘、分類預測、聚類分析、異常檢測、數據可視化和鏈接分析等。一個具體的應用案例往往涉及多個不同的功能。不同的功能通常有不同的理論和技術基礎，而且每一個功能都有不同的演算法支撐。
4.交叉性（An Interdisciplinary Field）：數據挖掘是一門交叉學科，它利用了來自統計分析、模式識別、機器學習、人工智慧、信息檢索、資料庫等諸多不同領域的研究成果和學術思想。同時一些其他領域如隨機演算法、資訊理論、可視化、分布式計算和最優化也對數據挖掘的發展起到重要的作用。數據挖掘與這些相關領域的區別可以由前面提到的數據挖掘的3個特性來總結，最重要的是它更側重於應用。
綜上所述，應用性是數據挖掘的一個重要特性，是其區別於其他學科的關鍵，同時，其應用特性與其他特性相輔相成，這些特性在一定程度上決定了數據挖掘的研究與發展，同時，也為如何學習和掌握數據挖掘提出了指導性意見。如從研究發展來看，實際應用的需求是數據挖掘領域很多方法提出和發展的根源。從最開始的顧客交易數據分析（market basket analysis）、多媒體數據挖掘（multimedia data mining）、隱私保護數據挖掘（privacy-preserving data mining）到文本數據挖掘（text mining）和Web挖掘（Web mining），再到社交媒體挖掘（social media mining）都是由應用推動的。工程性和集合性決定了數據挖掘研究內容和方向的廣泛性。其中，工程性使得整個研究過程里的不同步驟都屬於數據挖掘的研究范疇。而集合性使得數據挖掘有多種不同的功能，而如何將多種功能聯系和結合起來，從一定程度上影響了數據挖掘研究方法的發展。比如，20世紀90年代中期，數據挖掘的研究主要集中在關聯規則和時間序列模式的挖掘。到20世紀90年代末，研究人員開始研究基於關聯規則和時間序列模式的分類演算法（如classification based on association），將兩種不同的數據挖掘功能有機地結合起來。21世紀初，一個研究的熱點是半監督學習（semi-supervised learning）和半監督聚類（semi-supervised clustering），也是將分類和聚類這兩種功能有機結合起來。近年來的一些其他研究方向如子空間聚類（subspace clustering）（特徵抽取和聚類的結合）和圖分類（graph classification）（圖挖掘和分類的結合）也是將多種功能聯系和結合在一起。最後，交叉性導致了研究思路和方法設計的多樣化。
前面提到的是數據挖掘的特性對研究發展及研究方法的影響，另外，數據挖掘的這些特性對如何學習和掌握數據挖掘提出了指導性的意見，對培養研究生、本科生均有一些指導意見，如應用性在指導數據挖掘時，應熟悉應用的業務和需求，需求才是數據挖掘的目的，業務和演算法、技術的緊密結合非常重要，了解業務、把握需求才能有針對性地對數據進行分析，挖掘其價值。因此，在實際應用中需要的是一種既懂業務，又懂數據挖掘演算法的人才。工程性決定了要掌握數據挖掘需有一定的工程能力，一個好的數據額挖掘人員首先是一名工程師，有很強大的處理大規模數據和開發原型系統的能力，這相當於在培養數據挖掘工程師時，對數據的處理能力和編程能力很重要。集合性使得在具體應用數據挖掘時，要做好底層不同功能和多種演算法積累。交叉性決定了在學習數據挖掘時要主動了解和學習相關領域的思想和技術。
因此，這些特性均是數據挖掘的特點，通過這四個特性可總結和學習數據挖掘。
二、大數據的特徵
大數據（bigdata）一詞經常被用以描述和指代信息爆炸時代產生的海量信息。研究大數據的意義在於發現和理解信息內容及信息與信息之間的聯系。研究大數據首先要理清和了解大數據的特點及基本概念，進而理解和認識大數據。
研究大數據首先要理解大數據的特徵和基本概念。業界普遍認為，大數據具有標準的「4V」特徵：
1.Volume（大量）：數據體量巨大，從TB級別躍升到PB級別。
2.Variety（多樣）：數據類型繁多，如網路日誌、視頻、圖片、地理位置信息等。
3.Velocity（高速）：處理速度快，實時分析，這也是和傳統的數據挖掘技術有著本質的不同。
4.Value（價值）：價值密度低，蘊含有效價值高，合理利用低密度價值的數據並對其進行正確、准確的分析，將會帶來巨大的商業和社會價值。
上述「4V」特點描述了大數據與以往部分抽樣的「小數據」的主要區別。然而，實踐是大數據的最終價值體現的唯一途徑。從實際應用和大數據處理的復雜性看，大數據還具有如下新的「4V」特點：
5.Variability（變化）：在不同的場景、不同的研究目標下數據的結構和意義可能會發生變化，因此，在實際研究中要考慮具體的上下文場景（Context）。
6.Veracity（真實性）：獲取真實、可靠的數據是保證分析結果准確、有效的前提。只有真實而准確的數據才能獲取真正有意義的結果。
7.Volatility（波動性）/Variance（差異）：由於數據本身含有噪音及分析流程的不規范性，導致採用不同的演算法或不同分析過程與手段會得到不穩定的分析結果。
8.Visualization（可視化）：在大數據環境下，通過數據可視化可以更加直觀地闡釋數據的意義，幫助理解數據，解釋結果。
綜上所述，以上「8V」特徵在大數據分析與數據挖掘中具有很強的指導意義。
三、大數據時代下的數據挖掘
在大數據時代，數據挖掘需考慮以下四個問題：
大數據挖掘的核心和本質是應用、演算法、數據和平台4個要素的有機結合。
因為數據挖掘是應用驅動的，來源於實踐，海量數據產生於應用之中。需用具體的應用數據作為驅動，以演算法、工具和平台作為支撐，最終將發現的知識和信息應用到實踐中去，從而提供量化的、合理的、可行的、且能產生巨大價值的信息。
挖掘大數據中隱含的有用信息需設計和開發相應的數據挖掘和學習演算法。演算法的設計和開發需以具體的應用數據作為驅動，同時在實際問題中得到應用和驗證，而演算法的實現和應用需要高效的處理平台，這個處理平台可以解決波動性問題。高效的處理平台需要有效分析海量數據，及時對多元數據進行集成，同時有力支持數據化對演算法及數據可視化的執行，並對數據分析的流程進行規范。
總之，應用、演算法、數據、平台這四個方面相結合的思想，是對大數據時代的數據挖掘理解與認識的綜合提煉，體現了大數據時代數據挖掘的本質與核心。這四個方面也是對相應研究方面的集成和架構，這四個架構具體從以下四個層面展開：
應用層（Application）：關心的是數據的收集與演算法驗證，關鍵問題是理解與應用相關的語義和領域知識。
數據層（Data）：數據的管理、存儲、訪問與安全，關心的是如何進行高效的數據使用。
演算法層（Algorithm）：主要是數據挖掘、機器學習、近似演算法等演算法的設計與實現。
平台層（Infrastructure）：數據的訪問和計算，計算平台處理分布式大規模的數據。
綜上所述，數據挖掘的演算法分為多個層次，在不同的層面有不同的研究內容，可以看到目前在做數據挖掘時的主要研究方向，如利用數據融合技術預處理稀疏、異構、不確定、不完整以及多來源數據；挖掘復雜動態變化的數據；測試通過局部學習和模型融合所得到的全局知識，並反饋相關信息給預處理階段；對數據並行分布化，達到有效使用的目的。
四、大數據挖掘系統的開發
1.背景目標
大數據時代的來臨使得數據的規模和復雜性都出現爆炸式的增長，促使不同應用領域的數據分析人員利用數據挖掘技術對數據進行分析。在應用領域中，如醫療保健、高端製造、金融等，一個典型的數據挖掘任務往往需要復雜的子任務配置，整合多種不同類型的挖掘演算法以及在分布式計算環境中高效運行。因此，在大數據時代進行數據挖掘應用的一個當務之急是要開發和建立計算平台和工具，支持應用領域的數據分析人員能夠有效地執行數據分析任務。
之前提到一個數據挖掘有多種任務、多種功能及不同的挖掘演算法，同時，需要一個高效的平台。因此，大數據時代的數據挖掘和應用的當務之急，便是開發和建立計算平台和工具，支持應用領域的數據分析人員能夠有效地執行數據分析任務。
2.相關產品
現有的數據挖掘工具
有Weka、SPSS和SQLServer，它們提供了友好的界面，方便用戶進行分析，然而這些工具並不適合進行大規模的數據分析，同時，在使用這些工具時用戶很難添加新的演算法程序。
流行的數據挖掘演算法庫
如Mahout、MLC++和MILK，這些演算法庫提供了大量的數據挖掘演算法。但這些演算法庫需要有高級編程技能才能進行任務配置和演算法集成。
最近出現的一些集成的數據挖掘產品
如Radoop和BC-PDM，它們提供友好的用戶界面來快速配置數據挖掘任務。但這些產品是基於Hadoop框架的，對非Hadoop演算法程序的支持非常有限。沒有明確地解決在多用戶和多任務情況下的資源分配。
3.FIU-Miner
為解決現有工具和產品在大數據挖掘中的局限性，我們團隊開發了一個新的平台——FIU-Miner，它代表了A Fast,Integrated,and User-Friendly System for Data Miningin Distributed Environment。它是一個用戶友好並支持在分布式環境中進行高效率計算和快速集成的數據挖掘系統。與現有數據挖掘平台相比，FIU-Miner提供了一組新的功能，能夠幫助數據分析人員方便並有效地開展各項復雜的數據挖掘任務。
與傳統的數據挖掘平台相比，它提供了一些新的功能，主要有以下幾個方面：
A.用戶友好、人性化、快速的數據挖掘任務配置。基於「軟體即服務」這一模式，FIU-Miner隱藏了與數據分析任務無關的低端細節。通過FIU-Miner提供的人性化用戶界面，用戶可以通過將現有演算法直接組裝成工作流，輕松完成一個復雜數據挖掘問題的任務配置，而不需要編寫任何代碼。
B.靈活的多語言程序集成。允許用戶將目前最先進的數據挖掘演算法直接導入系統演算法庫中，以此對分析工具集合進行擴充和管理。同時，由於FIU-Miner能夠正確地將任務分配到有合適運行環境的計算節點上，所以對這些導入的演算法沒有實現語言的限制。
C.異構環境中有效的資源管理。FIU-Miner支持在異構的計算環境中（包括圖形工作站、單個計算機、和伺服器等）運行數據挖掘任務。FIU-Miner綜合考慮各種因素（包括演算法實現、伺服器負載平衡和數據位置）來優化計算資源的利用率。
D.有效的程序調度和執行。
應用架構上包括用戶界面層、任務和系統管理層、邏輯資源層、異構的物理資源層。這種分層架構充分考慮了海量數據的分布式存儲、不同數據挖掘演算法的集成、多重任務的配置及系統用戶的交付功能。一個典型的數據挖掘任務在應用之中需要復雜的主任務配置，整合多種不同類型的挖掘演算法。因此，開發和建立這樣的計算平台和工具，支持應用領域的數據分析人員進行有效的分析是大數據挖掘中的一個重要任務。
FIU-Miner系統用在了不同方面：如高端製造業、倉庫智能管理、空間數據處理等，TerraFly GeoCloud是建立在TerraFly系統之上的、支持多種在線空間數據分析的一個平台。提供了一種類SQL語句的空間數據查詢與挖掘語言MapQL。它不但支持類SQL語句，更重要的是可根據用戶的不同要求，進行空間數據挖掘，渲染和畫圖查詢得到空間數據。通過構建空間數據分析的工作流來優化分析流程，提高分析效率。
製造業是指大規模地把原材料加工成成品的工業生產過程。高端製造業是指製造業中新出現的具有高技術含量、高附加值、強競爭力的產業。典型的高端製造業包括電子半導體生產、精密儀器製造、生物制葯等。這些製造領域往往涉及嚴密的工程設計、復雜的裝配生產線、大量的控制加工設備與工藝參數、精確的過程式控制制和材料的嚴格規范。產量和品質極大地依賴流程管控和優化決策。因此，製造企業不遺餘力地採用各種措施優化生產流程、調優控制參數、提高產品品質和產量，從而提高企業的競爭力。
在空間數據處理方面，TerraFly GeoCloud對多種在線空間數據分析。對傳統數據分析而言，其難點在於MapQL語句比較難寫，任務之間的關系比較復雜，順序執行之間空間數據分許效率較低。而FIU-Miner可有效解決以上三個難點。
總結而言，大數據的復雜特徵對數據挖掘在理論和演算法研究方面提出了新的要求和挑戰。大數據是現象，核心是挖掘數據中蘊含的潛在信息，並使它們發揮價值。數據挖掘是理論技術和實際應用的完美結合。數據挖掘是理論和實踐相結合的一個例子。
-
-

❸ 演算法設計的本書特點

以各種演算法設計技術（如貪心法、分治策略、動態規劃、網路流、近似演算法、隨機演算法等）為主線來組織素材，突出了演算法設計的思想和分析的基本原則，為從事實際問題的演算法設計與分析工作提供了清晰的、整體的思路和方法。
本教材內容非常豐富，不但深入系統地闡述了演算法設計與分析的理論，而且給出了大量的典型範例和參考文獻。
本教材以演算法為主線來處理演算法與數據結構的關系。這種安排突出了演算法設計的中心思想，避免了與數據結構課程在內容上的重復，更加適合於國內的教學計劃。
本教材的敘述和選材非常適合教學。內容由淺入深，由具體到抽象，從演算法設計技術與分析方法自然過渡到計算復雜性理論，選配了大量難度適當的練習，並給出求解範例。

❹ 演算法設計的目錄

第1章引言：某些典型的問題
1.1第一個問題：穩定匹配
1.2五個典型問題
帶解答的練習
練習
注釋和進一步的閱讀
第2章演算法分析基礎
2.1計算可解性
2.2增長的漸近階
2.3用表和數組實現穩定匹配演算法
2.4一般運行時間的概述
2.5更復雜的數據結構：優先隊列
帶解答的練習
練習
注釋和進一步的閱讀
第3章圖
3.1基本定義與應用
3.2圖的連通性與圖的遍歷
3.3用優先隊列與棧實現圖的遍歷
3.4二分性測試：寬度優先搜索的一個應用
3.5有向圖中的連通性
3.6有向無圈圖與拓撲排序
帶解答的練習
練習
注釋和進一步的閱讀
第4章貪心演算法
4.1區間調度：貪心演算法領先
4.2最小延遲調度：一個交換論證
4.3最優高速緩存：一個更復雜的交換論證
4.4一個圖的最短路徑
4.5最小生成樹問題
4.6實現Kruskal演算法：Unoin－Find數據結構
4.7聚類
4.8Huffman碼與數據壓縮
4.9最小費用有向樹：一個多階段貪心
帶解答的練習
練習
注釋和進一步的閱讀
第5章分治策略
5.1第一個遞推式：歸並排序演算法
5.2更多的遞推關系
5.3計數逆序
5.4找最接鄰近的點對
5.5整數乘法
5.6卷積與快速傅里葉變換
帶解答的練習
練習
注釋和進一步的閱讀
第6章動態規劃
6.1帶權的區間調度：一個遞歸過程
6.2動態規劃原理：備忘錄或者子問題迭代
6.3分段的最小二乘：多重選擇
6.4子集和與背包：加一個變數
6.5RNA二級結構：在區間上的動態規劃
6.6序列比對
6.7通過分治策略在線性空間的序列比對
6.8圖中的最短路徑
6.9最短路徑和距離向量協議
6.10圖中的負圈
帶解答的練習
練習
注釋和進一步的閱讀
第7章網路流
第8章Ng與計算的難解性
第9章一個超出
第10章擴展易解性的界限
第11章近似演算法
第12章局部搜索
第13章隨機演算法
後記：永不停止運行的演算法
索引

❺ 模擬退火演算法和粒子群演算法的優缺點有那些具體點，謝啦

他們有類似之處，但差別也不小。
蒙特卡洛演算法是數值計算方法，原理是利用隨機數來解決計算問題。與它對應的是確定性演算法。也就是說該種演算法屬於隨機演算法，得到的解是近似解。
而遺傳演算法、粒子群、模擬退火雖然也是隨機近似演算法，但這三種都是仿生智能演算法，且比蒙特卡洛演算法要復雜，應用的領域也不太相同。
顯然，蒙特卡洛演算法很輕巧，求解問題更快速。

❻ 除貪心演算法外 還有哪些演算法

你指的是演算法設計的技巧和方法吧~
這些多了
比如最簡單的歸納法(例如遞歸求整數冪、horner規則的二項式求值等等)，萬能的回溯法(本質上即窮舉搜索，能解決大部分的枚舉類問題，如8皇後)，高效的動態規劃(「填表格法」，能將許多最優解問題以極快時間內解決，典型例子如背包問題的動態規劃求解)，還有很多（分支定界，分治，深度和廣度優先遍歷，隨機演算法，近似演算法等等）不過這些是最基礎的演算法知識了……貪心屬於最先割技術，每次求出當前條件下的最優解，這方面可以參考《演算法導論》及《演算法設計與分析》等相關書籍，相信能有不少收獲。

❼ uct演算法和蒙特卡洛演算法的區別

他們有類似之處，但差別也不校 蒙特卡洛演算法是數值計算方法，原理是利用隨機數來解決計算問題。與它對應的是確定性演算法。也就是說該種演算法屬於隨機演算法，得到的解是近似解。 而遺傳演算法、粒子群、模擬退火雖然也是隨機近似演算法，但這三種都是仿...

❽ 作為計算機專業學生，最應該學習的課程前五位是什麼

我更想列一些能夠教人如何思考的課程而不是教給人新鮮知識的課程，因為後者可能有很多而且對不同的人都不一樣，但是前者可能會更統一一點。1、演算法。沒學過演算法的人是不可能像計算機工作者一樣思考問題的。此門課程必不可少。2、古典概率論。這里指的是建立在組合計數基礎上的概率論而不是建立在分布函數基礎上的概率論。雖然後者可能更有用，但是前者更能教人如何正確地解決與直覺相悖的問題。3、計算理論與復雜度理論。這門課程可以使人建立起對於「不能解決的問題」的正確感受。4、近似演算法與隨機演算法。這門課程可以使人建立起對於「最優解決方案與較優解決方案」的正確感受。5、並行協議與分布式演算法。這門課程可以使人建立起對於並行解決問題的直觀感受。

❾ 中南民族大學計算機科學學院的科研成果

我院共承擔科研項目49項，其中國家自然科學基金6項和省部級項目5項，科研項目經費達300餘萬元，出版學 術專著1部，教材7部，發表論文280餘篇，其中被SCI、EI、ISTP等收錄110餘篇次。現有3個主要研究方向：少數民族文字信息處理、演算法理論與 計算復雜性、計算機網路與信息安全。
1、少數民族文字信息處理
研究特色：本研究方向匯聚了人工智慧、模式識別、文字學和民族學、計算機應用、自動化等學科的專家學者及研究人員，在少數民族文字規范化和數字化、少數民 族文字識別、少數民族文字錄入、少數民族文獻數字化保護、少數民族文明的虛擬再現等方面取得了較大的成績，並形成了自己的特色和優勢。
創新性成果：提出了一個新穎的混合智能優化演算法，能夠對文字等信息進行快速准確的處理；完成了復雜背景下的字元提取；設計並實現了女書編碼字元集、女書拼 音輸入法、女書部首輸入法及女書三百篇碑文FLASH展示系統（已申請專利）；印刷體彝文字元識別技術研究；族語通（彝文版）應用軟體（已獲軟體著作 權）；已建立女書平台網路對外宣傳推廣。
下一步的工作：在融合各種智能模擬方法的少數民族文字處理系統、復雜背景下手寫體文字的提取等方面取得突破，以解決少數民族古籍文獻的信息化及少數民族文化的保護等急需解決的問題。
2、演算法理論與計算復雜性
研究特色：以NP難解問題的近似演算法、隨機演算法為核心，開展了計算復雜性理論、智能模擬演算法及應用、並行處理等多個領域的綜合研究，並取得多項國內、國際先進水平的研究成果。
創新性成果：對NP難解問題瓶頸斯坦納樹問題在平面空間給出了近似性能比為1.836的隨機近似演算法，改進了計算生物學領域中基因按移位排序問題的多項式時間演算法，將原有演算法的時間復雜度由O(nlogn)成功降為O(n)。已在IEEE Transactions on SMC等國內外權威學術期刊及有重要影響的國際會議上發表論文80餘篇，SCI、EI收錄30餘篇。
下一步的工作：在演算法理論指導下，期冀進一步展開具體應用工作，在女書識別中已有相關研究應用實現理論與應用的全面發展。
3、計算機網路與信息安全
研究特色：將計算機網路技術與迅猛增長的網路應用需求緊密結合起來，重點研究應用中的信息安全設施，取得了一批重要的研究成果，產生了顯著的經濟與社會效益。
創新性成果：基於WEB/CORBA的網路管理技術、向量型RSA密碼體制、Linux下基於Netfilter的IPsec實現、PDM中基於協同工作的項目開發平台等。
下一步的工作：擬在校園網上建立統一身份認知許可權管理平台，減小管理開銷，在智能化網路管理、橢圓曲線密碼理論、數字水印理論與技術、基於IP sec的虛擬專用網、PKI在電子商務、電子政務中的應用等方面取得突破。 序號 成果名稱 作 者 出版、發表、提交（鑒定）單位，時間 備注 1 Algorithmic approaches for genome rearrangement: A review Li Zimao IEEE Transactions on SMC Part C，2006-09 SCI 2 A new QoS multicast routing model and its immune optimization algorithm WangJiangqing Lecture Notes in Computer
Science, Vol. 4159, 2006-09 SCI 3 Performance analysis of differential output ports choosing probability for multi-classes traffic in Hou Rui Optical Engineering;2006-06 SCI 4 Intelligent MAC model for traffic scheling in IEEE 802.11e wireless LANs ZhuRongbo Applied Mathematics and Computation,2008 SCI 5 Vector prediction approach to handle dynamical optimization problems in Simulated Evolution and Lea ZhengBojin Proc. in Simulated Evolution and Learning, 2006-10 SCI 6 Performance computation model for IEEE 802.11eEDCFWireless LANs ZhuRongbo Lecture Notes in Computer Science, Vol. 4159, 2006-09 SCI 7 Approximation algorithm for bottleneck steinertree problem in theeuclidean plane Li Zimao Journal of Computer Science and Technology,2004-11 SCI 8 Model-based admission control for IEEE802.11e enhanced distributed channel access ZhuRongbo Journal of Electronics and Communication,2007-07 SCI 9 Performance analysis of contention resolution methods based on buffering and segmentation schemes in Hou Rui Journal of Optical Communication,2007-04 EI核心 10 Performance analytical model of IEEE 802.11 distributed coordination function ZhuRongbo Journal of DonghuaUniversity,2006-02 EI核心 11 A novel contention resolution scheme for optical burst switching network Rui Hou Journal of Optical Communications,2006-04 EI核心 12 Efficient solution for traveling salesman problem based on neural network. Zhu R. Journal of Computational Information Systems, 2008-4: 13 Analysis of optical waveguide directional coupler by the modified effective-Index method Hou Rui Journal of Optical Communications, 2007-02 EI核心 14 求解動態最優路徑的混合優化演算法 王江晴 通信學報，2008, 29(7) EI核心 15 多目標組播路由的免疫優化演算法研究 王江晴 哈爾濱工程大學學報，2006-07 EI核心 16 光突發交換網路中多條公平分割丟棄方法的研究 侯睿 電子與信息學報，2006-11 EI核心 17 Ad Hoc網路中聯合功率節省與功率控制的MAC協議 朱容波 西安電子科技大學學報，2008-3 EI核心 18 嵌入式無線移動通信系統的研究與開發 童小念 通信學報，2007, 29(1) EI核心 序
號 項目、課題名稱 項 目
來 源 項 目
起訖時間 負責人（姓名、專業技術職務） 1 女書規范化及識別技術研究 國家自然科學基金 2010-1012 王江晴 教授 2 遠距離WLAN Mesh網路關鍵技術研究 國家自然科學基金 2010-2012 朱容波 副教授 3 光突發交換網路中解決沖突並保證QoS的方法研究 國家自然科學基金 2009 侯睿 副教授 4 復雜環境下動態車輛路徑問題的建模與優化 國家自然科學基金 2009 王江晴 教授 5 瓶頸斯坦納樹問題的計算復雜性與近似演算法研究 國家自然科學基金 2007-2009 李子茂 副教授 6 動態多目標優化進化演算法關鍵問題研究及應用 國家自然科學基金 2009-2011 鄭波盡 講師 7 基於本體和多級地理格網的空間信息語義網格研究 國家自然科學基金 2006-2008 蔣天發（4）教授 8 基因組比較演算法與復雜性研究 國家自然科學基金 2006-2008 李子茂(2)副教授 9 基因組重組問題演算法及高性能軟體包設計 湖北省自然科學基金 2007-2008 李子茂 副教授 10 基於復合協同的實時智能信息處理技術研究 湖北省自然科學基金 2004-2007 王江晴 教授 11 用信息技術搶救和保護女書 國家民委自然科學基金 2008-2010 王江晴 教授 12 動態環境下的分布式免疫優化研究 國家民委自然科學基金 2006-2008 覃俊 教授 13 全光網路中光突發交換(OBS)的關鍵技術研究 國家民委自然科學基金 2005-2007 唐菀 副教授 14 《教務網路管理系統》在教學管理中的實踐與研究 湖北省教育廳教學研究項目 2008-2010 雷建雲 副教授 15 《面向對象編程語言》系列課程與其程序設計技術融合的研究與實踐 湖北省教育廳教學研究項目 2005-2008 藍雯飛 副教授 16 《計算機系統結構》實踐教學環節的研究與實施 湖北省教育廳教學研究項目 2005-2008 童小念 教授