近似算法随机算法

❶ 有谁能告知东南大学计算机方向研究生具体有哪些专业谢谢啦

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

（1）计算机网络及其应用：高性能网络体系结构及其协议、分布对象计算及CORBA技术、协议工程、网络安全、网络管理、网格计算、网络行为学、面向海量数据处理应用的 相关算法和大型系统构造技术、大规模存储体系结构、网络教育、网络制造、电子商务。
（2）数据库和信息系统：数据库管理系统、多数据库系统的集成、数据仓库与数据挖掘、移动数据库系统及其应用、Web数据资源、企业信息系统、XML数据管理技术、生物数据网格、空间数据库、工作流技术。
（3）人工智能及其应用：分布式人工智能与多Agent系统、人工神经网络、模糊信息处理与决策、模糊模式识别、不精确信息处理、地理信息模型与空间推理等方面。
（4）软件工程及理论：程序设计语言、软件分析与测试、软件质量保证、软件形式化技术、新型软件方法与技术、知识与信息获取技术、语义Web与Web工程、面向对象技术。
（5）理论计算机科学：量子计算、信息理论、模糊理论、近似算法、随机算法、分布式算法。
（6）计算机系统结构：嵌入式应用系统与嵌入式操作系统、现代工业控制系统体系结构、集群系统体系结构和并行计算、保安监控系统。
（7）图像处理与科学可视化： 成像和图像重建理论与方法、高维数据的分析与可视化、 虚拟现实技术及应用、图像处理与分析、基于内容的图像数据库检索方法、图像监控技术与系统、图像信息网络技术与系统、计算机辅助医学诊断和治疗方法与系统。

❷ 对于社交网络的数据挖掘应该如何入手，使用哪些算法

3月13日下午，南京邮电大学计算机学院、软件学院院长、教授李涛在CIO时代APP微讲座栏目作了题为《大数据时代的数据挖掘》的主题分享，深度诠释了大数据及大数据时代下的数据挖掘。

众所周知，大数据时代的大数据挖掘已成为各行各业的一大热点。
一、数据挖掘
在大数据时代，数据的产生和收集是基础，数据挖掘是关键，数据挖掘可以说是大数据最关键也是最基本的工作。通常而言，数据挖掘也称为DataMining，或知识发现Knowledge Discovery from Data，泛指从大量数据中挖掘出隐含的、先前未知但潜在的有用信息和模式的一个工程化和系统化的过程。
不同的学者对数据挖掘有着不同的理解，但个人认为，数据挖掘的特性主要有以下四个方面：
1.应用性（A Combination of Theory and Application）：数据挖掘是理论算法和应用实践的完美结合。数据挖掘源于实际生产生活中应用的需求，挖掘的数据来自于具体应用，同时通过数据挖掘发现的知识又要运用到实践中去，辅助实际决策。所以，数据挖掘来自于应用实践，同时也服务于应用实践，数据是根本，数据挖掘应以数据为导向，其中涉及到算法的设计与开发都需考虑到实际应用的需求，对问题进行抽象和泛化，将好的算法应用于实际中，并在实际中得到检验。
2.工程性（An Engineering Process）：数据挖掘是一个由多个步骤组成的工程化过程。数据挖掘的应用特性决定了数据挖掘不仅仅是算法分析和应用，而是一个包含数据准备和管理、数据预处理和转换、挖掘算法开发和应用、结果展示和验证以及知识积累和使用的完整过程。而且在实际应用中，典型的数据挖掘过程还是一个交互和循环的过程。
3.集合性（A Collection of Functionalities）：数据挖掘是多种功能的集合。常用的数据挖掘功能包括数据探索分析、关联规则挖掘、时间序列模式挖掘、分类预测、聚类分析、异常检测、数据可视化和链接分析等。一个具体的应用案例往往涉及多个不同的功能。不同的功能通常有不同的理论和技术基础，而且每一个功能都有不同的算法支撑。
4.交叉性（An Interdisciplinary Field）：数据挖掘是一门交叉学科，它利用了来自统计分析、模式识别、机器学习、人工智能、信息检索、数据库等诸多不同领域的研究成果和学术思想。同时一些其他领域如随机算法、信息论、可视化、分布式计算和最优化也对数据挖掘的发展起到重要的作用。数据挖掘与这些相关领域的区别可以由前面提到的数据挖掘的3个特性来总结，最重要的是它更侧重于应用。
综上所述，应用性是数据挖掘的一个重要特性，是其区别于其他学科的关键，同时，其应用特性与其他特性相辅相成，这些特性在一定程度上决定了数据挖掘的研究与发展，同时，也为如何学习和掌握数据挖掘提出了指导性意见。如从研究发展来看，实际应用的需求是数据挖掘领域很多方法提出和发展的根源。从最开始的顾客交易数据分析（market basket analysis）、多媒体数据挖掘（multimedia data mining）、隐私保护数据挖掘（privacy-preserving data mining）到文本数据挖掘（text mining）和Web挖掘（Web mining），再到社交媒体挖掘（social media mining）都是由应用推动的。工程性和集合性决定了数据挖掘研究内容和方向的广泛性。其中，工程性使得整个研究过程里的不同步骤都属于数据挖掘的研究范畴。而集合性使得数据挖掘有多种不同的功能，而如何将多种功能联系和结合起来，从一定程度上影响了数据挖掘研究方法的发展。比如，20世纪90年代中期，数据挖掘的研究主要集中在关联规则和时间序列模式的挖掘。到20世纪90年代末，研究人员开始研究基于关联规则和时间序列模式的分类算法（如classification based on association），将两种不同的数据挖掘功能有机地结合起来。21世纪初，一个研究的热点是半监督学习（semi-supervised learning）和半监督聚类（semi-supervised clustering），也是将分类和聚类这两种功能有机结合起来。近年来的一些其他研究方向如子空间聚类（subspace clustering）（特征抽取和聚类的结合）和图分类（graph classification）（图挖掘和分类的结合）也是将多种功能联系和结合在一起。最后，交叉性导致了研究思路和方法设计的多样化。
前面提到的是数据挖掘的特性对研究发展及研究方法的影响，另外，数据挖掘的这些特性对如何学习和掌握数据挖掘提出了指导性的意见，对培养研究生、本科生均有一些指导意见，如应用性在指导数据挖掘时，应熟悉应用的业务和需求，需求才是数据挖掘的目的，业务和算法、技术的紧密结合非常重要，了解业务、把握需求才能有针对性地对数据进行分析，挖掘其价值。因此，在实际应用中需要的是一种既懂业务，又懂数据挖掘算法的人才。工程性决定了要掌握数据挖掘需有一定的工程能力，一个好的数据额挖掘人员首先是一名工程师，有很强大的处理大规模数据和开发原型系统的能力，这相当于在培养数据挖掘工程师时，对数据的处理能力和编程能力很重要。集合性使得在具体应用数据挖掘时，要做好底层不同功能和多种算法积累。交叉性决定了在学习数据挖掘时要主动了解和学习相关领域的思想和技术。
因此，这些特性均是数据挖掘的特点，通过这四个特性可总结和学习数据挖掘。
二、大数据的特征
大数据（bigdata）一词经常被用以描述和指代信息爆炸时代产生的海量信息。研究大数据的意义在于发现和理解信息内容及信息与信息之间的联系。研究大数据首先要理清和了解大数据的特点及基本概念，进而理解和认识大数据。
研究大数据首先要理解大数据的特征和基本概念。业界普遍认为，大数据具有标准的“4V”特征：
1.Volume（大量）：数据体量巨大，从TB级别跃升到PB级别。
2.Variety（多样）：数据类型繁多，如网络日志、视频、图片、地理位置信息等。
3.Velocity（高速）：处理速度快，实时分析，这也是和传统的数据挖掘技术有着本质的不同。
4.Value（价值）：价值密度低，蕴含有效价值高，合理利用低密度价值的数据并对其进行正确、准确的分析，将会带来巨大的商业和社会价值。
上述“4V”特点描述了大数据与以往部分抽样的“小数据”的主要区别。然而，实践是大数据的最终价值体现的唯一途径。从实际应用和大数据处理的复杂性看，大数据还具有如下新的“4V”特点：
5.Variability（变化）：在不同的场景、不同的研究目标下数据的结构和意义可能会发生变化，因此，在实际研究中要考虑具体的上下文场景（Context）。
6.Veracity（真实性）：获取真实、可靠的数据是保证分析结果准确、有效的前提。只有真实而准确的数据才能获取真正有意义的结果。
7.Volatility（波动性）/Variance（差异）：由于数据本身含有噪音及分析流程的不规范性，导致采用不同的算法或不同分析过程与手段会得到不稳定的分析结果。
8.Visualization（可视化）：在大数据环境下，通过数据可视化可以更加直观地阐释数据的意义，帮助理解数据，解释结果。
综上所述，以上“8V”特征在大数据分析与数据挖掘中具有很强的指导意义。
三、大数据时代下的数据挖掘
在大数据时代，数据挖掘需考虑以下四个问题：
大数据挖掘的核心和本质是应用、算法、数据和平台4个要素的有机结合。
因为数据挖掘是应用驱动的，来源于实践，海量数据产生于应用之中。需用具体的应用数据作为驱动，以算法、工具和平台作为支撑，最终将发现的知识和信息应用到实践中去，从而提供量化的、合理的、可行的、且能产生巨大价值的信息。
挖掘大数据中隐含的有用信息需设计和开发相应的数据挖掘和学习算法。算法的设计和开发需以具体的应用数据作为驱动，同时在实际问题中得到应用和验证，而算法的实现和应用需要高效的处理平台，这个处理平台可以解决波动性问题。高效的处理平台需要有效分析海量数据，及时对多元数据进行集成，同时有力支持数据化对算法及数据可视化的执行，并对数据分析的流程进行规范。
总之，应用、算法、数据、平台这四个方面相结合的思想，是对大数据时代的数据挖掘理解与认识的综合提炼，体现了大数据时代数据挖掘的本质与核心。这四个方面也是对相应研究方面的集成和架构，这四个架构具体从以下四个层面展开：
应用层（Application）：关心的是数据的收集与算法验证，关键问题是理解与应用相关的语义和领域知识。
数据层（Data）：数据的管理、存储、访问与安全，关心的是如何进行高效的数据使用。
算法层（Algorithm）：主要是数据挖掘、机器学习、近似算法等算法的设计与实现。
平台层（Infrastructure）：数据的访问和计算，计算平台处理分布式大规模的数据。
综上所述，数据挖掘的算法分为多个层次，在不同的层面有不同的研究内容，可以看到目前在做数据挖掘时的主要研究方向，如利用数据融合技术预处理稀疏、异构、不确定、不完整以及多来源数据；挖掘复杂动态变化的数据；测试通过局部学习和模型融合所得到的全局知识，并反馈相关信息给预处理阶段；对数据并行分布化，达到有效使用的目的。
四、大数据挖掘系统的开发
1.背景目标
大数据时代的来临使得数据的规模和复杂性都出现爆炸式的增长，促使不同应用领域的数据分析人员利用数据挖掘技术对数据进行分析。在应用领域中，如医疗保健、高端制造、金融等，一个典型的数据挖掘任务往往需要复杂的子任务配置，整合多种不同类型的挖掘算法以及在分布式计算环境中高效运行。因此，在大数据时代进行数据挖掘应用的一个当务之急是要开发和建立计算平台和工具，支持应用领域的数据分析人员能够有效地执行数据分析任务。
之前提到一个数据挖掘有多种任务、多种功能及不同的挖掘算法，同时，需要一个高效的平台。因此，大数据时代的数据挖掘和应用的当务之急，便是开发和建立计算平台和工具，支持应用领域的数据分析人员能够有效地执行数据分析任务。
2.相关产品
现有的数据挖掘工具
有Weka、SPSS和SQLServer，它们提供了友好的界面，方便用户进行分析，然而这些工具并不适合进行大规模的数据分析，同时，在使用这些工具时用户很难添加新的算法程序。
流行的数据挖掘算法库
如Mahout、MLC++和MILK，这些算法库提供了大量的数据挖掘算法。但这些算法库需要有高级编程技能才能进行任务配置和算法集成。
最近出现的一些集成的数据挖掘产品
如Radoop和BC-PDM，它们提供友好的用户界面来快速配置数据挖掘任务。但这些产品是基于Hadoop框架的，对非Hadoop算法程序的支持非常有限。没有明确地解决在多用户和多任务情况下的资源分配。
3.FIU-Miner
为解决现有工具和产品在大数据挖掘中的局限性，我们团队开发了一个新的平台——FIU-Miner，它代表了A Fast,Integrated,and User-Friendly System for Data Miningin Distributed Environment。它是一个用户友好并支持在分布式环境中进行高效率计算和快速集成的数据挖掘系统。与现有数据挖掘平台相比，FIU-Miner提供了一组新的功能，能够帮助数据分析人员方便并有效地开展各项复杂的数据挖掘任务。
与传统的数据挖掘平台相比，它提供了一些新的功能，主要有以下几个方面：
A.用户友好、人性化、快速的数据挖掘任务配置。基于“软件即服务”这一模式，FIU-Miner隐藏了与数据分析任务无关的低端细节。通过FIU-Miner提供的人性化用户界面，用户可以通过将现有算法直接组装成工作流，轻松完成一个复杂数据挖掘问题的任务配置，而不需要编写任何代码。
B.灵活的多语言程序集成。允许用户将目前最先进的数据挖掘算法直接导入系统算法库中，以此对分析工具集合进行扩充和管理。同时，由于FIU-Miner能够正确地将任务分配到有合适运行环境的计算节点上，所以对这些导入的算法没有实现语言的限制。
C.异构环境中有效的资源管理。FIU-Miner支持在异构的计算环境中（包括图形工作站、单个计算机、和服务器等）运行数据挖掘任务。FIU-Miner综合考虑各种因素（包括算法实现、服务器负载平衡和数据位置）来优化计算资源的利用率。
D.有效的程序调度和执行。
应用架构上包括用户界面层、任务和系统管理层、逻辑资源层、异构的物理资源层。这种分层架构充分考虑了海量数据的分布式存储、不同数据挖掘算法的集成、多重任务的配置及系统用户的交付功能。一个典型的数据挖掘任务在应用之中需要复杂的主任务配置，整合多种不同类型的挖掘算法。因此，开发和建立这样的计算平台和工具，支持应用领域的数据分析人员进行有效的分析是大数据挖掘中的一个重要任务。
FIU-Miner系统用在了不同方面：如高端制造业、仓库智能管理、空间数据处理等，TerraFly GeoCloud是建立在TerraFly系统之上的、支持多种在线空间数据分析的一个平台。提供了一种类SQL语句的空间数据查询与挖掘语言MapQL。它不但支持类SQL语句，更重要的是可根据用户的不同要求，进行空间数据挖掘，渲染和画图查询得到空间数据。通过构建空间数据分析的工作流来优化分析流程，提高分析效率。
制造业是指大规模地把原材料加工成成品的工业生产过程。高端制造业是指制造业中新出现的具有高技术含量、高附加值、强竞争力的产业。典型的高端制造业包括电子半导体生产、精密仪器制造、生物制药等。这些制造领域往往涉及严密的工程设计、复杂的装配生产线、大量的控制加工设备与工艺参数、精确的过程控制和材料的严格规范。产量和品质极大地依赖流程管控和优化决策。因此，制造企业不遗余力地采用各种措施优化生产流程、调优控制参数、提高产品品质和产量，从而提高企业的竞争力。
在空间数据处理方面，TerraFly GeoCloud对多种在线空间数据分析。对传统数据分析而言，其难点在于MapQL语句比较难写，任务之间的关系比较复杂，顺序执行之间空间数据分许效率较低。而FIU-Miner可有效解决以上三个难点。
总结而言，大数据的复杂特征对数据挖掘在理论和算法研究方面提出了新的要求和挑战。大数据是现象，核心是挖掘数据中蕴含的潜在信息，并使它们发挥价值。数据挖掘是理论技术和实际应用的完美结合。数据挖掘是理论和实践相结合的一个例子。
-
-

❸ 算法设计的本书特点

以各种算法设计技术（如贪心法、分治策略、动态规划、网络流、近似算法、随机算法等）为主线来组织素材，突出了算法设计的思想和分析的基本原则，为从事实际问题的算法设计与分析工作提供了清晰的、整体的思路和方法。
本教材内容非常丰富，不但深入系统地阐述了算法设计与分析的理论，而且给出了大量的典型范例和参考文献。
本教材以算法为主线来处理算法与数据结构的关系。这种安排突出了算法设计的中心思想，避免了与数据结构课程在内容上的重复，更加适合于国内的教学计划。
本教材的叙述和选材非常适合教学。内容由浅入深，由具体到抽象，从算法设计技术与分析方法自然过渡到计算复杂性理论，选配了大量难度适当的练习，并给出求解范例。

❹ 算法设计的目录

第1章引言：某些典型的问题
1.1第一个问题：稳定匹配
1.2五个典型问题
带解答的练习
练习
注释和进一步的阅读
第2章算法分析基础
2.1计算可解性
2.2增长的渐近阶
2.3用表和数组实现稳定匹配算法
2.4一般运行时间的概述
2.5更复杂的数据结构：优先队列
带解答的练习
练习
注释和进一步的阅读
第3章图
3.1基本定义与应用
3.2图的连通性与图的遍历
3.3用优先队列与栈实现图的遍历
3.4二分性测试：宽度优先搜索的一个应用
3.5有向图中的连通性
3.6有向无圈图与拓扑排序
带解答的练习
练习
注释和进一步的阅读
第4章贪心算法
4.1区间调度：贪心算法领先
4.2最小延迟调度：一个交换论证
4.3最优高速缓存：一个更复杂的交换论证
4.4一个图的最短路径
4.5最小生成树问题
4.6实现Kruskal算法：Unoin－Find数据结构
4.7聚类
4.8Huffman码与数据压缩
4.9最小费用有向树：一个多阶段贪心
带解答的练习
练习
注释和进一步的阅读
第5章分治策略
5.1第一个递推式：归并排序算法
5.2更多的递推关系
5.3计数逆序
5.4找最接邻近的点对
5.5整数乘法
5.6卷积与快速傅里叶变换
带解答的练习
练习
注释和进一步的阅读
第6章动态规划
6.1带权的区间调度：一个递归过程
6.2动态规划原理：备忘录或者子问题迭代
6.3分段的最小二乘：多重选择
6.4子集和与背包：加一个变量
6.5RNA二级结构：在区间上的动态规划
6.6序列比对
6.7通过分治策略在线性空间的序列比对
6.8图中的最短路径
6.9最短路径和距离向量协议
6.10图中的负圈
带解答的练习
练习
注释和进一步的阅读
第7章网络流
第8章Ng与计算的难解性
第9章一个超出
第10章扩展易解性的界限
第11章近似算法
第12章局部搜索
第13章随机算法
后记：永不停止运行的算法
索引

❺ 模拟退火算法和粒子群算法的优缺点有那些具体点，谢啦

他们有类似之处，但差别也不小。
蒙特卡洛算法是数值计算方法，原理是利用随机数来解决计算问题。与它对应的是确定性算法。也就是说该种算法属于随机算法，得到的解是近似解。
而遗传算法、粒子群、模拟退火虽然也是随机近似算法，但这三种都是仿生智能算法，且比蒙特卡洛算法要复杂，应用的领域也不太相同。
显然，蒙特卡洛算法很轻巧，求解问题更快速。

❻ 除贪心算法外 还有哪些算法

你指的是算法设计的技巧和方法吧~
这些多了
比如最简单的归纳法(例如递归求整数幂、horner规则的二项式求值等等)，万能的回溯法(本质上即穷举搜索，能解决大部分的枚举类问题，如8皇后)，高效的动态规划(“填表格法”，能将许多最优解问题以极快时间内解决，典型例子如背包问题的动态规划求解)，还有很多（分支定界，分治，深度和广度优先遍历，随机算法，近似算法等等）不过这些是最基础的算法知识了……贪心属于最先割技术，每次求出当前条件下的最优解，这方面可以参考《算法导论》及《算法设计与分析》等相关书籍，相信能有不少收获。

❼ uct算法和蒙特卡洛算法的区别

他们有类似之处，但差别也不校 蒙特卡洛算法是数值计算方法，原理是利用随机数来解决计算问题。与它对应的是确定性算法。也就是说该种算法属于随机算法，得到的解是近似解。 而遗传算法、粒子群、模拟退火虽然也是随机近似算法，但这三种都是仿...

❽ 作为计算机专业学生，最应该学习的课程前五位是什么

我更想列一些能够教人如何思考的课程而不是教给人新鲜知识的课程，因为后者可能有很多而且对不同的人都不一样，但是前者可能会更统一一点。1、算法。没学过算法的人是不可能像计算机工作者一样思考问题的。此门课程必不可少。2、古典概率论。这里指的是建立在组合计数基础上的概率论而不是建立在分布函数基础上的概率论。虽然后者可能更有用，但是前者更能教人如何正确地解决与直觉相悖的问题。3、计算理论与复杂度理论。这门课程可以使人建立起对于“不能解决的问题”的正确感受。4、近似算法与随机算法。这门课程可以使人建立起对于“最优解决方案与较优解决方案”的正确感受。5、并行协议与分布式算法。这门课程可以使人建立起对于并行解决问题的直观感受。

❾ 中南民族大学计算机科学学院的科研成果

我院共承担科研项目49项，其中国家自然科学基金6项和省部级项目5项，科研项目经费达300余万元，出版学 术专着1部，教材7部，发表论文280余篇，其中被SCI、EI、ISTP等收录110余篇次。现有3个主要研究方向：少数民族文字信息处理、算法理论与 计算复杂性、计算机网络与信息安全。
1、少数民族文字信息处理
研究特色：本研究方向汇聚了人工智能、模式识别、文字学和民族学、计算机应用、自动化等学科的专家学者及研究人员，在少数民族文字规范化和数字化、少数民 族文字识别、少数民族文字录入、少数民族文献数字化保护、少数民族文明的虚拟再现等方面取得了较大的成绩，并形成了自己的特色和优势。
创新性成果：提出了一个新颖的混合智能优化算法，能够对文字等信息进行快速准确的处理；完成了复杂背景下的字符提取；设计并实现了女书编码字符集、女书拼 音输入法、女书部首输入法及女书三百篇碑文FLASH展示系统（已申请专利）；印刷体彝文字符识别技术研究；族语通（彝文版）应用软件（已获软件着作 权）；已建立女书平台网络对外宣传推广。
下一步的工作：在融合各种智能模拟方法的少数民族文字处理系统、复杂背景下手写体文字的提取等方面取得突破，以解决少数民族古籍文献的信息化及少数民族文化的保护等急需解决的问题。
2、算法理论与计算复杂性
研究特色：以NP难解问题的近似算法、随机算法为核心，开展了计算复杂性理论、智能模拟算法及应用、并行处理等多个领域的综合研究，并取得多项国内、国际先进水平的研究成果。
创新性成果：对NP难解问题瓶颈斯坦纳树问题在平面空间给出了近似性能比为1.836的随机近似算法，改进了计算生物学领域中基因按移位排序问题的多项式时间算法，将原有算法的时间复杂度由O(nlogn)成功降为O(n)。已在IEEE Transactions on SMC等国内外权威学术期刊及有重要影响的国际会议上发表论文80余篇，SCI、EI收录30余篇。
下一步的工作：在算法理论指导下，期冀进一步展开具体应用工作，在女书识别中已有相关研究应用实现理论与应用的全面发展。
3、计算机网络与信息安全
研究特色：将计算机网络技术与迅猛增长的网络应用需求紧密结合起来，重点研究应用中的信息安全设施，取得了一批重要的研究成果，产生了显着的经济与社会效益。
创新性成果：基于WEB/CORBA的网络管理技术、向量型RSA密码体制、Linux下基于Netfilter的IPsec实现、PDM中基于协同工作的项目开发平台等。
下一步的工作：拟在校园网上建立统一身份认知权限管理平台，减小管理开销，在智能化网络管理、椭圆曲线密码理论、数字水印理论与技术、基于IP sec的虚拟专用网、PKI在电子商务、电子政务中的应用等方面取得突破。 序号 成果名称 作 者 出版、发表、提交（鉴定）单位，时间 备注 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 求解动态最优路径的混合优化算法 王江晴 通信学报，2008, 29(7) EI核心 15 多目标组播路由的免疫优化算法研究 王江晴 哈尔滨工程大学学报，2006-07 EI核心 16 光突发交换网络中多条公平分割丢弃方法的研究 侯睿 电子与信息学报，2006-11 EI核心 17 Ad Hoc网络中联合功率节省与功率控制的MAC协议 朱容波 西安电子科技大学学报，2008-3 EI核心 18 嵌入式无线移动通信系统的研究与开发 童小念 通信学报，2007, 29(1) EI核心 序
号 项目、课题名称 项 目
来 源 项 目
起讫时间 负责人（姓名、专业技术职务） 1 女书规范化及识别技术研究 国家自然科学基金 2010-1012 王江晴 教授 2 远距离WLAN Mesh网络关键技术研究 国家自然科学基金 2010-2012 朱容波 副教授 3 光突发交换网络中解决冲突并保证QoS的方法研究 国家自然科学基金 2009 侯睿 副教授 4 复杂环境下动态车辆路径问题的建模与优化 国家自然科学基金 2009 王江晴 教授 5 瓶颈斯坦纳树问题的计算复杂性与近似算法研究 国家自然科学基金 2007-2009 李子茂 副教授 6 动态多目标优化进化算法关键问题研究及应用 国家自然科学基金 2009-2011 郑波尽 讲师 7 基于本体和多级地理格网的空间信息语义网格研究 国家自然科学基金 2006-2008 蒋天发（4）教授 8 基因组比较算法与复杂性研究 国家自然科学基金 2006-2008 李子茂(2)副教授 9 基因组重组问题算法及高性能软件包设计 湖北省自然科学基金 2007-2008 李子茂 副教授 10 基于复合协同的实时智能信息处理技术研究 湖北省自然科学基金 2004-2007 王江晴 教授 11 用信息技术抢救和保护女书 国家民委自然科学基金 2008-2010 王江晴 教授 12 动态环境下的分布式免疫优化研究 国家民委自然科学基金 2006-2008 覃俊 教授 13 全光网络中光突发交换(OBS)的关键技术研究 国家民委自然科学基金 2005-2007 唐菀 副教授 14 《教务网络管理系统》在教学管理中的实践与研究 湖北省教育厅教学研究项目 2008-2010 雷建云 副教授 15 《面向对象编程语言》系列课程与其程序设计技术融合的研究与实践 湖北省教育厅教学研究项目 2005-2008 蓝雯飞 副教授 16 《计算机系统结构》实践教学环节的研究与实施 湖北省教育厅教学研究项目 2005-2008 童小念 教授