以前的大多数顺序模式挖掘算法都花了很长时间处理投影数据库，这会导致大量的时间成本。 本文定义了序列x在其前缀序列y上的前缀序列的概念，并提出了一种基于前缀分析的序列模式挖掘算法PPrefixspan。 根据扫描序列数据库SD，获得所有1个长度的序列模式。 比较顺序模式的数量和最小支持数，如果前者小于后者，则将其直接丢弃，并且只能构建投影数据库中的频繁项。 减少了投影数据库中挖掘顺序模式的执行时间。 提出了一种基于前缀的增量前缀范围算法PIN-Prefixspan来处理动态数据库，利用原始序列数据库的频繁模式挖掘结果来提高更新序列数据库的挖掘效率。 实验结果表明，PIN-Prefixspan的时间成本效率更高。

一般的加权顺序模式挖掘算法会忽略或没有充分利用时间和数据元素的时间间隔信息。 除了某些算法需要扫描数据库外时间或建立临时数据库。 为了解决这些问题，我们提出了一种基于内存的算法MITWCSpan（用于时间间隔加权封闭式顺序模式挖掘的内存索引），用于区间加权封闭顺序模式挖掘。 该算法充分考虑了重要性数据元素的时间间隔。 此外，基于时间间隔p-tidx的改进索引集是定义。 在挖掘过程中，该算法递归采用“查找-然后-索引”技术来查找可以构成时间间隔加权顺序模式并构造p-tidx的项目可能的顺序模式。 最后，算法使用闭合检测得到整个时间间隔加权封闭顺序模式。 实验结果表明，该算法更加有效。 寻找更重要的顺序模式。

顺序拟合 动机 如果我们有一个只能采样的未知函数f(x) ，我们可以选择一个以参数向量p特征的已知函数g(x,p) 。 用最小二乘法，我们可以找到p最小化的总和-的平方误差\sum_{x\in X}(g(x,p) - f(x))^2以设定的采样点的X 。 如果评估f昂贵，那么仔细选择采样点符合我们的利益。 假设我们的模型已经很不错了，我们可以使用它来找出下一步要采样的地方。 猜测要采样的点是x^* ，其中g(x^*,p)的p梯度尽可能大（这是我们最有可能从采样中学到的东西）的地方。 我们还希望避免在同一位置多次采样。 该程序包实现了这种顺序采样方法。 使用范例 using SequentialFit, Plots gaussian (x,mu,sigma) = exp ( - ((x - mu) / sigma) ^ 2 ) function expensiveFunction (x

通过询问组测试查询来从有限集合S = {1,2，…， n }中检测未知元素x ∗是经典的组合优化问题。 我们考虑问题的一个变化，就是我们所说的骗子搜索游戏小套[N，E，≤k]和制定，如下所示：两名球员，说保罗和Carole，修复整数k≥1，M> 0， Ë≥0提前。 保罗问大小的限制查询，发现X *：“为X *在A”，其中A⊆S和| 一个|≤ķ。 Carole回答“是”或“否”，以告诉x ∗是否属于A。 卡洛尔最多可以说谎e次。 如果保罗在m轮内发现x ∗，他将获胜； 否则，Carole获胜。 我们的目标是确定m的最小值，以确保Paul获胜。 令f（N，E，≤k）的=分钟{M |保罗赢得游戏[N

presentation

并发程序的验证方法和基础.对于编写并行程序、并行程序测试、程序正确性验证等方面的同学值得一看