1. 蚁群算法简介
蚁群算法（Ant Clony Optimization，ACO）是一种群智能算法，它是由一群无智能或有轻微智能的个体（Agent）通过相互协作而表现出智能行为，从而为求解复杂问题提供了一个新的可能性。蚁群算法最早是由意大利学者Colorni A., Dorigo M. 等于1991年提出。经过20多年的发展，蚁群算法在理论以及应用研究上已经得到巨大的进步。
蚁群算法是一种仿生学算法，是由自然界中蚂蚁觅食的行为而启发的。在自然界中，蚂蚁觅食过程中，蚁群总能够按照寻找到一条从蚁巢和食物源的最优路径。图（1）显示了这样一个觅食的过程。
图（1）蚂蚁觅食
在图1（a）中，有一群蚂蚁，假如A是蚁巢，E是食物源（反之亦然）。这群蚂蚁将沿着蚁巢和食物源之间的直线路径行驶。假如在A和E之间突然出现了一个障碍物（图1（b）），那么，在B点（或D点）的蚂蚁将要做出决策，到底是向左行驶还是向右行驶？由于一开始路上没有前面蚂蚁留下的信息素（pheromone），蚂蚁朝着两个方向行进的概率是相等的。但是当有蚂蚁走过时，它将会在它行进的路上释放出信息素，并且这种信息素会议一定的速率散发掉。信息素是蚂蚁之间交流的工具之一。它后面的蚂蚁通过路上信息素的浓度，做出决策，往左还是往右。很明显，沿着短边的的路径上信息素将会越来越浓（图1（c）），从而吸引了越来越多的蚂蚁沿着这条路径行驶。
2. TSP问题描述
蚁群算法最早用来求解TSP问题，并且表现出了很大的优越性，因为它分布式特性，鲁棒性强并且容易与其它算法结合，但是同时也存在这收敛速度慢，容易陷入局部最优（local optimal）等缺点。
TSP问题（Travel Salesperson Problem，即旅行商问题或者称为中国邮递员问题），是一种，是一种NP-hard问题，此类问题用一般的算法是很大得到最优解的，所以一般需要借助一些启发式算法求解，例如遗传算法（GA），蚁群算法（ACO），微粒群算法（PSO）等等。
TSP问题可以分为两类，一类是对称TSP问题（Symmetric TSP），另一类是非对称问题（Asymmetric TSP）。所有的TSP问题都可以用一个图（Graph）来描述：
令
V={c1, c2, …, c i, …, c n}，i = 1,2, …, n，是所有城市的集合. c i表示第i个城市， n为城市的数目；
E={(r, s): r,s∈V}是所有城市之间连接的集合；
C = {c rs: r,s∈V}是所有城市之间连接的成本度量（一般为城市之间的距离）；
如果c rs = c sr, 那么该TSP问题为对称的，否则为非对称的。
一个TSP问题可以表达为：
求解遍历图G = (V, E, C)，所有的节点一次并且回到起始节点，使得连接这些节点的路径成
本最低。
3. 蚁群算法原理
假如蚁群中所有蚂蚁的数量为m，所有城市之间的信息素用矩阵pheromone表示，最短路径为bestLength，最佳路径为bestTour。每只蚂蚁都有自己的内存，内存中用一个禁忌表（Tabu）来存储该蚂蚁已经访问过的城市，表示其在以后的搜索中将不能访问这些城市；还有用另外一个允许访问的城市表（Allowed）来存储它还可以访问的城市；另外还用一个矩阵（Delta）来存储它在一个循环（或者迭代）中给所经过的路径释放的信息素；还有另外一些数据，例如一些控制参数（，，，Q），该蚂蚁行走玩全程的总成本或距离（tourLength），等等。假定算法总共运行MAX_GEN次，运行时间为t。
蚁群算法计算过程如下：
（1）初始化
设t=0，初始化bestLength为一个非常大的数（正无穷），bestTour为空。初始化所有的蚂蚁的Delt矩阵所有元素初始化为0，Tabu表清空，Allowed表中加入所有的城市节点。随机
选择它们的起始位置（也可以人工指定）。在Tabu中加入起始节点，Allowed中去掉该起始
节点。
（2）为每只蚂蚁选择下一个节点。
为每只蚂蚁选择下一个节点，该节点只能从Allowed中以某种概率（公式1）搜索到，每搜到
一个，就将该节点加入到Tabu中，并且从Allowed中删除该节点。该过程重复n-1次，直到所有的城市都遍历过一次。遍历完所有节点后，将起始节点加入到Tabu中。此时Tabu表元素数量为n+1（n为城市数量），Allowed元素数量为0。接下来按照（公式2）计算每个蚂蚁
的Delta矩阵值。最后计算最佳路径，比较每个蚂蚁的路径成本，然后和bestLength比较，
若它的路径成本比bestLength小，则将该值赋予bestLength，并且将其Tabu赋予BestTour。
（公式1）
（公式2）
其中表示选择城市j的概率，k表示第k个蚂蚁，表示城市i，j在第t时刻的信息素浓度，表示从城市i到城市j的可见度，
，表示城市i，j之间的成本（或距离）。由此可见越小，越大，也就是从城市i到j的可见性就越大。表示蚂蚁k在城市i与j之间留下的信息素。
表示蚂蚁k经过一个循环（或迭代）锁经过路径的总成本（或距离），即tourLength. ，，Q均为控制参数。
（3）更新信息素矩阵
令t = t + n，按照（公式3）更新信息素矩阵phermone。
（公式3）
为t+n时刻城市i与j之间的信息素浓度。为控制参数，为城市i与j之间信息素经过一个迭代后的增量。并且有
（公式4）
其中由公式计算得到。
（4）检查终止条件
如果达到最大代数MAX_GEN，算法终止，转到第（5）步；否则，重新初始化所有的蚂蚁的Delt矩阵所有元素初始化为0，Tabu表清空，Allowed表中加入所有的城市节点。随机选择它们的起始位置（也可以人工指定）。在Tabu中加入起始节点，Allowed中去掉该起始节点，重复执行（2），（3）,(4)步。
（5）输出最优值
// AO.cpp : 定义控制台应用程序的入口点。
#pragma once
#include
#include
#include
const double ALPHA=1.0; //启发因子，信息素的重要程度
const double BETA=2.0; //期望因子，城市间距离的重要程度
const double ROU=0.5; //信息素残留参数
const int N_ANT_COUNT=34; //蚂蚁数量
const int N_IT_COUNT=1000; //迭代次数
const int N_CITY_COUNT=51; //城市数量
const double DBQ=100.0; //总的信息素
const double DB_MAX=10e9; //一个标志数，10的9次方
double g_Trial[N_CITY_COUNT][N_CITY_COUNT]; //两两城市间信息素，就是环境信息素double g_Distance[N_CITY_COUNT][N_CITY_COUNT]; //两两城市间距离
//eil51.tsp城市坐标数据
double x_Ary[N_CITY_COUNT]=
{
37,49,52,20,40,21,17,31,52,51,
42,31,5,12,36,52,27,17,13,57,
62,42,16,8,7,27,30,43,58,58,
37,38,46,61,62,63,32,45,59,5,
10,21,5,30,39,32,25,25,48,56,
30
};
double y_Ary[N_CITY_COUNT]=
{
52,49,64,26,30,47,63,62,33,21,
41,32,25,42,16,41,23,33,13,58,
42,57,57,52,38,68,48,67,48,27,
69,46,10,33,63,69,22,35,15,6,
17,10,64,15,10,39,32,55,28,37,
40
};
//返回指定范围内的随机整数
int rnd(int nLow,int nUpper)
{
return nLow+(nUpper-nLow)*rand()/(RAND_MAX+1);
}
//返回指定范围内的随机浮点数
double rnd(double dbLow,double dbUpper)
{
double dbTemp=rand()/((double)RAND_MAX+1.0);
return dbLow+dbTemp*(dbUpper-dbLow);
}
//返回浮点数四舍五入取整后的浮点数
double ROUND(double dbA)
{
return (double)((int)(dbA+0.5));
}
//定义蚂蚁类
class CAnt
{
public:
CAnt(void);
~CAnt(void);
public:
int m_nPath[N_CITY_COUNT]; //蚂蚁走的路径
double m_dbPathLength; //蚂蚁走过的路径长度
int m_nAllowedCity[N_CITY_COUNT]; //没去过的城市 int m_nCurCityNo; //当前所在城市编号
int m_nMovedCityCount; //已经去过的城市数量public:
int ChooseNextCity(); //选择下一个城市
void Init(); //初始化
void Move(); //蚂蚁在城市间移动
void Search(); //搜索路径
void CalPathLength(); //计算蚂蚁走过的路径长度
};
//构造函数
CAnt::CAnt(void)
{
}
//析构函数
CAnt::~CAnt(void)
{
}
//初始化函数，蚂蚁搜索前调用
void CAnt::Init()
{
for (int i=0;i { m_nAllowedCity[i]=1; //设置全部城市为没有去过 m_nPath[i]=0; //蚂蚁走的路径全部设置为0 } //蚂蚁走过的路径长度设置为0 m_dbPathLength=0.0; //随机选择一个出发城市 m_nCurCityNo=rnd(0,N_CITY_COUNT); //把出发城市保存入路径数组中 m_nPath[0]=m_nCurCityNo; //标识出发城市为已经去过了 m_nAllowedCity[m_nCurCityNo]=0; //已经去过的城市数量设置为1 m_nMovedCityCount=1; } //选择下一个城市 //返回值为城市编号 int CAnt::ChooseNextCity() { int nSelectedCity=-1; //返回结果，先暂时把其设置为-1 //=================================================================== =========== //计算当前城市和没去过的城市之间的信息素总和 double dbTotal=0.0; double prob[N_CITY_COUNT]; //保存各个城市被选中的概率 for (int i=0;i { if (m_nAllowedCity[i] == 1) //城市没去过 { prob[i]=pow(g_Trial[m_nCurCityNo][i],ALPHA)*pow(1.0/g_Distance[m_nCurCityNo][i] ,BETA); //该城市和当前城市间的信息素 dbTotal=dbTotal+prob[i]; //累加信息素，得到总和 } else //如果城市去过了，则其被选中的概率值为0 { prob[i]=0.0; } } //=================================================================== =========== //进行轮盘选择 double dbTemp=0.0; if (dbTotal > 0.0) //总的信息素值大于0 { dbTemp=rnd(0.0,dbTotal); //取一个随机数 for (int i=0;i { if (m_nAllowedCity[i] == 1) //城市没去过 { dbTemp=dbTemp-prob[i]; //这个操作相当于转动轮盘，如果对轮盘选择不熟悉，仔细考虑一下 if (dbTemp < 0.0) //轮盘停止转动，记下城市编号，直接跳出循环 { nSelectedCity=i; break; } } } } //=================================================================== =========== //如果城市间的信息素非常小( 小到比double能够表示的最小的数字还要小) //那么由于浮点运算的误差原因，上面计算的概率总和可能为0 //会出现经过上述操作，没有城市被选择出来 //出现这种情况，就把第一个没去过的城市作为返回结果 //题外话：刚开始看的时候，下面这段代码困惑了我很长时间，想不通为何要有这段代码，后来才搞清楚。 if (nSelectedCity == -1) { for (int i=0;i { if (m_nAllowedCity[i] == 1) //城市没去过 { nSelectedCity=i; break; } } } //=================================================================== =========== //返回结果，就是城市的编号 return nSelectedCity; } //蚂蚁在城市间移动 void CAnt::Move() { int nCityNo=ChooseNextCity(); //选择下一个城市 m_nPath[m_nMovedCityCount]=nCityNo; //保存蚂蚁走的路径 m_nAllowedCity[nCityNo]=0;//把这个城市设置成已经去过了 m_nCurCityNo=nCityNo; //改变当前所在城市为选择的城市 m_nMovedCityCount++; //已经去过的城市数量加1 } //蚂蚁进行搜索一次 void CAnt::Search() { Init(); //蚂蚁搜索前，先初始化 //如果蚂蚁去过的城市数量小于城市数量，就继续移动 while (m_nMovedCityCount < N_CITY_COUNT) { Move(); } //完成搜索后计算走过的路径长度 CalPathLength(); } //计算蚂蚁走过的路径长度 void CAnt::CalPathLength() { m_dbPathLength=0.0; //先把路径长度置0 int m=0; int n=0; for (int i=1;i { m=m_nPath[i]; n=m_nPath[i-1]; m_dbPathLength=m_dbPathLength+g_Distance[m][n]; } //加上从最后城市返回出发城市的距离 n=m_nPath[0]; m_dbPathLength=m_dbPathLength+g_Distance[m][n]; } //tsp类 class CTsp { public: CTsp(void); ~CTsp(void); public: CAnt m_cAntAry[N_ANT_COUNT]; //蚂蚁数组 CAnt m_cBestAnt; //定义一个蚂蚁变量，用来保存搜索过程中的最优结果 //该蚂蚁不参与搜索，只是用来保存最优结果 public: //初始化数据 void InitData(); //开始搜索 void Search(); //更新环境信息素 void UpdateTrial(); }; //构造函数 CTsp::CTsp(void) { } CTsp::~CTsp(void) { } //初始化数据 void CTsp::InitData() { //先把最优蚂蚁的路径长度设置成一个很大的值 m_cBestAnt.m_dbPathLength=DB_MAX; //计算两两城市间距离 double dbTemp=0.0; for (int i=0;i { for (int j=0;j { dbTemp=(x_Ary[i]-x_Ary[j])*(x_Ary[i]-x_Ary[j])+(y_Ary[i]-y_Ary[j])*(y_Ary[i]-y_Ary[ j]); dbTemp=pow(dbTemp,0.5); g_Distance[i][j]=ROUND(dbTemp); } } //初始化环境信息素，先把城市间的信息素设置成一样 //这里设置成1.0，设置成多少对结果影响不是太大，对算法收敛速度有些影响 for (int i=0;i { for (int j=0;j { g_Trial[i][j]=1.0; } } } //更新环境信息素 void CTsp::UpdateTrial() { //临时数组，保存各只蚂蚁在两两城市间新留下的信息素 double dbTempAry[N_CITY_COUNT][N_CITY_COUNT]; memset(dbTempAry,0,sizeof(dbTempAry)); //先全部设置为0 //计算新增加的信息素,保存到临时数组里 int m=0; int n=0; for (int i=0;i { for (int j=1;j { m=m_cAntAry[i].m_nPath[j]; n=m_cAntAry[i].m_nPath[j-1]; dbTempAry[n][m]=dbTempAry[n][m]+DBQ/m_cAntAry[i].m_dbPathLength; dbTempAry[m][n]=dbTempAry[n][m]; } //最后城市和开始城市之间的信息素 n=m_cAntAry[i].m_nPath[0]; dbTempAry[n][m]=dbTempAry[n][m]+DBQ/m_cAntAry[i].m_dbPathLength; dbTempAry[m][n]=dbTempAry[n][m]; } //================================================================== //更新环境信息素 for (int i=0;i { for (int j=0;j { g_Trial[i][j]=g_Trial[i][j]*ROU+dbTempAry[i][j]; //最新的环境信息素= 留存的信息素+ 新留下的信息素 } } } void CTsp::Search() { char cBuf[256]; //打印信息用 //在迭代次数内进行循环 for (int i=0;i { //每只蚂蚁搜索一遍 for (int j=0;j { m_cAntAry[j].Search(); } //保存最佳结果 for (int j=0;j { if (m_cAntAry[j].m_dbPathLength < m_cBestAnt.m_dbPathLength) { m_cBestAnt=m_cAntAry[j]; } } //更新环境信息素 UpdateTrial(); //输出目前为止找到的最优路径的长度 sprintf(cBuf,"\n[%d] %.0f",i+1,m_cBestAnt.m_dbPathLength); printf(cBuf); } } int main() { //用当前时间点初始化随机种子，防止每次运行的结果都相同 time_t tm; time(&tm); unsigned int nSeed=(unsigned int)tm; srand(nSeed); //开始搜索 CTsp tsp; tsp.InitData(); //初始化 tsp.Search(); //开始搜索 //输出结果 printf("\nThe best tour is :\n"); char cBuf[128]; for (int i=0;i { sprintf(cBuf,"d ",tsp.m_cBestAnt.m_nPath[i]+1); if (i % 20 == 0) { printf("\n"); } printf(cBuf); } printf("\n\nPress any key to exit!"); getchar(); return 0; } 餐饮业创业财务计划 餐饮业创业计划书要怎么写呢?以下是为大家整理的关于餐饮业创业财务计划，给大家作为参考，欢迎阅读! 餐饮业创业财务计划篇1 一、创业经营宗旨和理念 明月西餐厅的经营宗旨为:“著意求新，以客为尊”，经营理念为“极意营造幽雅、舒适、休闲之气氛，融汇西方餐馆美食”。 二、市场定位 1。选址方面:明月西餐厅位于学院的美食街内，与连串的快餐店连在一起，但都作为美食街唯一的西餐厅。与其它快餐店所不同的是有更好的就餐环境和更优质的服务。 2。格调方面:明月西餐厅为温馨浪漫的风格，为顾客提供优质的服务，给顾客贵族式的享受，力求营造一种幽雅、舒适、休闲的消费环境，引导消费者转变消费观念，向崇尚自然、追求健康方面转变。 3。校园市场环境方面:校园经济的市场有很广的发展领域，消费者也是很单纯的消费，相对外部市场竞争要小，个体经营单纯，以小投资为主，服务于在校大学生。服务于学生，应该提供最优质的服务，首先，要吸引学生的注意目光，让他们能在最短的时间来光顾本店，所运用的营销方法是多种途径的;其次，是怎样达到以下营销效果潜在客户 现实客户 满意客户 美誉度 所运用的营销方法也是多种多样的。 4。swto分析 学院现有一万三千几个师生，调查资料表明他们多消费用于饮食方面占了54。7%，正因如此，饮食也是在学校创业首选之路。消费对象比例图如下: 同时在校院里经营西餐厅的swto分析图如下: s:美食街附近是男生宿舍最聚中的地方，偶尔去美食街的人占了全师生 w:大多数学生都习惯了到快餐和学校所设的饭堂就餐，对于西餐厅来说不那么的习惯，但资料表明对西餐厅有兴趣尝试的占了o:现时有40。2%师生觉得现在学校最缺的服务是就餐环境，而适合明月西餐厅设计是幽雅、舒适、休闲的消费环境，这可表明了，明月西餐厅开业后会有更受欢迎的可能性。 t:美食街有众多快餐店和学校内有五间饭堂 三.管理理念 1。尊重餐饮业人员的独立人格 2互相监督:管理层监督员工的工作，同时员工也可以向上级提出自己的意见或见解 3营造集体氛围:既要上下属感受到西餐厅纪律的严明，也要关怀 md5加密算法c实现 七分注释收藏 经常到csdn来是查资料，每次都会有所收获。总是看别人的感觉很不好意思，于是决定自己也写一点东西贡献出来。于是就有了这篇md5七分注释。希望对用到的朋友有所帮助。 记得当初自己刚开始学习md5的时候，从网上搜了很多关于算法的原理和文字性的描述的东西，但是看了很久一直没有搞懂，搜c的源代码又很少。直到后来学习rsa算法的时候，从网上下了1991年的欧洲的什么组织写的关于rsa、des、md5算法的c源代码（各部分代码混在一块的，比如rsa用到的随机大素数就是用机器的随机时间的md5哈希值获得的）。我才彻底把md5弄明白了。这里的代码就是我从那里面分离出来的，代码的效率和可重用性都是很高的。整理了一下希望对需要的朋友能够有帮助。 md5的介绍的文章网上很多，关于md5的来历，用途什么的这里就不再介绍了。这里主要介绍代码。代码明白了就什么都明白了。 //////////////////////////////////////////////////////////////////// /* md5.h */ #ifndef _MD5_H_ #define _MD5_H_ #define R_memset(x, y, z) memset(x, y, z) #define R_memcpy(x, y, z) memcpy(x, y, z) #define R_memcmp(x, y, z) memcmp(x, y, z) typedef unsigned long UINT4; typedef unsigned char *POINTER; /* MD5 context. */ typedef struct { /* state (ABCD) */ /*四个32bits数，用于存放最终计算得到的消息摘要。当消息长度〉512bits时，也用于存放每个512bits的中间结果*/ UINT4 state[4]; /* number of bits, modulo 2^64 (lsb first) */ /*存储原始信息的bits数长度,不包括填充的bits，最长为2^64 bits，因为2^64是一个64位数的最大值*/ UINT4 count[2]; /* input buffer */ /*存放输入的信息的缓冲区，512bits*/ unsigned char buffer[64]; 并行计算综述 姓名：尹航学号：S131020012 专业：计算机科学与技术摘要：本文对并行计算的基本概念和基本理论进行了分析和研究。主要内容有：并行计算提出的背景，目前国内外的研究现状，并行计算概念和并行计算机类型，并行计算的性能评价，并行计算模型，并行编程环境与并行编程语言。 关键词：并行计算；性能评价；并行计算模型；并行编程 1. 前言 网络并行计算是近几年国际上并行计算新出现的一个重要研究方向，也是热门课题。网络并行计算就是利用互联网上的计算机资源实现其它问题的计算，这种并行计算环境的显著优点是投资少、见效快、灵活性强等。由于科学计算的要求，越来越多的用户希望能具有并行计算的环境，但除了少数计算机大户（石油、天气预报等）外，很多用户由于工业资金的不足而不能使用并行计算机。一旦实现并行计算，就可以通过网络实现超级计算。这样，就不必要购买昂贵的并行计算机。 目前，国内一般的应用单位都具有局域网或广域网的结点，基本上具备网络计算的硬件环境。其次，网络并行计算的系统软件PVM是当前国际上公认的一种消息传递标准软件系统。有了该软件系统，可以在不具备并行机的情况下进行并行计算。该软件是美国国家基金资助的开放软件，没有版权问题。可以从国际互联网上获得其源代码及其相应的辅助工具程序。这无疑给人们对计算大问题带来了良好的机遇。这种计算环境特别适合我国国情。 近几年国内一些高校和科研院所投入了一些力量来进行并行计算软件的应用理论和方法的研究，并取得了可喜的成绩。到目前为止，网络并行计算已经在勘探地球物理、机械制造、计算数学、石油资源、数字模拟等许多应用领域开展研究。这将在计算机的应用的各应用领域科学开创一个崭新的环境。 2. 并行计算简介[1] 2.1并行计算与科学计算 并行计算（Parallel Computing），简单地讲，就是在并行计算机上所作的计算，它和常说的高性能计算（High Performance Computing）、超级计算（Super Computing）是同义词，因为任何高性能计算和超级计算都离不开并行技术。 基于协同过滤的推荐算法与代码实现 什么是协同过滤？ 协同过滤是利用集体智慧的一个典型方法。要理解什么是协同过滤(Collaborative Filtering, 简称CF)，首先想一个简单的问题，如果你现在想看个电影，但你不知道具体看哪部，你会怎么做？大部分的人会问问周围的朋友，看看最近有什么好看的电影推荐，而我们一般更倾向于从口味比较类似的朋友那里得到推荐。这就是协同过滤的核心思想。 协同过滤一般是在海量的用户中发掘出一小部分和你品位比较类似的，在协同过滤中，这些用户成为邻居，然后根据他们喜欢的其他东西组织成一个排序的目录作为推荐给你。当然其中有一个核心的问题： 如何确定一个用户是不是和你有相似的品位？ 如何将邻居们的喜好组织成一个排序的目录？ 简单来说： 1. 和你兴趣合得来的朋友喜欢的，你也很有可能喜欢； 2. 喜欢一件东西A，而另一件东西B 与这件十分相似，就很有可能喜欢B； 3. 大家都比较满意的，人人都追着抢的，我也就很有可能喜欢。 三者均反映在协同过滤的评级（rating）或者群体过滤（social filtering）这种行为特性上。 深入协同过滤的核心 首先，要实现协同过滤，需要一下几个步骤： 1. 收集用户偏好 2. 找到相似的用户或物品 3. 计算推荐 (1)收集用户偏好 要从用户的行为和偏好中发现规律，并基于此给予推荐，如何收集用户的偏好信息成为系统推荐效果最基础的决定因素。用户有很多方式向系统提供自己的偏好信息，而且不同的应用也可能大不相同，下面举例进行介绍： 以上列举的用户行为都是比较通用的，推荐引擎设计人员可以根据自己应用的特点添加特殊的用户行为，并用他们表示用户对物品的喜好。 在一般应用中，我们提取的用户行为一般都多于一种，关于如何组合这些不同的用户行为，基本上有以下两种方式： 将不同的行为分组：一般可以分为“查看”和“购买”等等，然后基于不同的行为，计算不同的用户/物品相似度。类似于当当网或者Amazon 给出的“购买了该图书的人还购买了...”，“查看了图书的人还查看了...” Hans Journal of Data Mining 数据挖掘, 2019, 9(3), 81-87 Published Online July 2019 in Hans. https://www.doczj.com/doc/856888502.html,/journal/hjdm https://https://www.doczj.com/doc/856888502.html,/10.12677/hjdm.2019.93010 Overview and Prospect of Personalized Recommendation Algorithm Xinxin Li Dalian University of Foreign Languages, Dalian Liaoning Received: Jun. 19th, 2019; accepted: Jul. 2nd, 2019; published: Jul. 9th, 2019 Abstract In recent years, the word “information overload” frequently appears in people’s vision, it has be-come a hot word in the field of computer, and it is also an important problem that researchers ur-gently need to solve. In order to solve the problem of information overload, researchers in the field of computer constantly optimize the personalized recommendation algorithm, strive to re-duce the difficulty of information retrieval for users, to provide users with the best personalized recommendation results. This paper gives a brief overview of the personalized recommendation methods which are widely used and common. Combined with the experience of using personalized recommendation algorithm to generate results in daily life, the author puts forward expectations for the development of personalized recommendation algorithm in the future. Keywords Personalized Recommendation, Collaborative Filtering, Hybrid Recommendation 个性化推荐算法概述与展望 李鑫欣 大连外国语大学，辽宁大连 收稿日期：2019年6月19日；录用日期：2019年7月2日；发布日期：2019年7月9日 摘要 近年来，“信息过载”一词频繁出现在人们的视野中，它成为了计算机相关领域中的热门词汇，同时它也是研究人员急待解决的重要问题。为解决信息超载的问题，计算机领域研究人员不断优化个性化推荐 MD5算法及源代码 分类：计算机密码 //获得MD5的二个数组和一个buffer并初始化 MD5 *GetMD5(); //初始化MD5的二个数据和一个buffer void MD5Init (MD5 *context); //用于计算MD5值的函数 void MD5Update (MD5 *context, unsigned char *input, unsigned int inputLen); //输出结果 void MD5Final (MD5 *context, unsigned char digest[16]); //对input数据做一次完整的MD5运算 void MD5Out (MD5 *md5, unsigned char *input, unsigned int inputLen, unsigned char out[16]); //计算一个文件的MD5值 int 计算一个文件的MD5值(TCHAR* 文件路径, unsigned char md5值[16]) { MD5 context; int 缓冲区长度 = 1024, 读取到的字节数; unsigned char *缓冲区 = new unsigned char[缓冲区长度]; FILE *文件指针 = fopen(文件路径, "rb"); if(文件指针 == NULL) return 1; MD5Init(&context); while ( (读取到的字节数 = fread ( 缓冲区, 1, 缓冲区长度, 文件指针 )) ! =EOF) { MD5Update (&context, 缓冲区, 读取到的字节数); //判断是否为已经读到文件尾 if ( 读取到的字节数 < 缓冲区长度 ) break; } MD5Final (&context, md5值); free ( 缓冲区 ); return 0; } /** **MD5.h **/ typedef struct { unsigned long state[4]; /* state (ABCD) */ unsigned long count[2]; /* number of bits, modulo 2^64 */ 基于内容的推荐算法（Content-Based Recommendation）1.基本思想 基本思想就是给用户推荐与他们曾经喜欢的项目内容相匹配的新项目。 基于内容的推荐的基本思想是：对每个项目的内容进行特征提取(FeatureExtraction)，形成特征向量(Feature Vector)；对每个用户都用一个称作用户的兴趣模型(User Profile)的文件构成数据结构来描述其喜好；当需要对某个用户进行推荐时，把该用户的用户兴趣模型同所有项目的特征矩阵进行比较得到二者的相似度，系统通过相似度推荐文档。 （基于内容的推荐算法不用用户对项目的评分，它通过特定的特征提取方法得到项目特征用来表示项目，根据用户所偏好的项目的特征来训练学习用户的兴趣模型，然后计算一个新项目的内容特征和用户兴趣模型的匹配程度，进而把匹配程度高的项目推荐给用户。） 2.基于内容的推荐层次结构图： CB的过程一般包括以下三步： （1）Item Representation：为每个item抽取出一些特征（也就是item的content 了）来表示此item；对应着上图中的Content Analyzer。 （2）Profile Learning：利用一个用户过去喜欢（及不喜欢）的item的特征数据，来学习出此用户的喜好特征（profile）；对应着上图中的Profile Learner。 （3）Recommendation Generation：通过比较上一步得到的用户profile与候选item 的特征，为此用户推荐一组相关性最大的item。对应着上图中的Filtering Component。 3.详细介绍上面的三个步骤： 3.1 Item Representation 项目表示：对项目进行特征提取，比如最著名的特征向量空间模型，它首先将一份文本（项目）以词袋形式来表示，然后对每一个词用词频-逆向文档频率（TF-IDF）来计算权重，找出若干权重较大的词作为关键词（特征）。每个文本（项目）都可以表示成相同维度的一个向量 TF-IDF词频-逆文档频率计算： TF 词项t在文档d中出现的次数，df 表示词项t在所有文档出现的次数，idf 为反向文档频率，N为文档集中所有文档的数目。 TF-IDF公式同时引入词频和反向文档频率，词频TF表示词项在单个文档中的局部权重，某一词项在文档中出现的频率越高，说明它区分文档内容的属性越强，权重越大。IDF表示词项在整个文档集中的全局权重，某一词项在各大文档都有出现，说明它区分文档类别属性的能力越低，权值越小。 松鹤楼 豪门官府菜 释义 豪门官府百年传承官府一品佛跳墙 官府一品道跳墙 经典冷荤味满九州青酒醉鹅肝 南味浸蛰头 府邸糟满坛 美味蛏子皇 府邸脆血肠 真味香辣鸡 汾酒牛展肉 油淋风兔丝 浦江烤子鱼 椰汁糯米藕 金陵盐水鸭（鹅） 淮扬斋素鸡 红酒浸津梨 翡翠兰花干 丁香辣莴苣 爽口木瓜丝 美味酱鲜菜 秘制香驴排 水晶肴肉糕 红油葱拌耳 妙艺冷豆腐 桂花靓山药 刺身堂食技艺非凡 锦绣谐和刺身拼 蟹籽素鲍花枝艳 冰晶麻渍象拔蚌 堂煎雪花肥牛肉 香汁煎法国鹅肝 堂灼翅汤东星斑 食中至尊皇品鲍鱼 南非网鲍6头 南非网鲍8头 南非网鲍10头 南非网鲍12头 任选一选做法 蚝皇一品鲍古法健康瓦罐煲烹官府蟹黄鲍官府浓香传承煲烹 金箔滋补鲍宫廷九转滋补煲烹锦绣冰浸鲜澳鲍 高汤灼澳洲鲜鲍 麻渍野生大连鲍 虫草花胶炖鲍鱼 古法昆布盐焗鲍 味之颠峰鱼翅珍品 海虎翅50g 75g 100g （红烧、金汤木瓜炖） 金山勾翅50g 75g 100g （红烧、金汤木瓜炖） 牙拣翅50g 75g 100g （红烧、金汤木瓜炖） 木瓜炖加收30元/每位 顶级瑶柱干捞翅 宫廷滋补养颜翅 一品红烧大鲍翅 招牌浓汤小鲍翅 秘制金汤金丝翅 府邸山珍菌香翅 盛世华彩养颜燕窝 简介 深宫泉水煮燕窝 极品血燕 特级官燕 上等燕条 锦绣翠丝托玉燕宫廷红烧顶级燕窝太极冰花双彩燕一品金汤炖官燕木瓜杏汁炖燕窝花旗参枸杞燕窝物华天宝华彩肴馔红燕木瓜炖雪蛤冰花红莲炖雪蛤香辣酱肉烧海参鲍汁西柚皮辽参虫草野菌煨辽参山松茸焖鲜鹿筋紫砂富贵焖四宝红花蟹黄烩鱼肚潮流风味溢香佳品翡翠美味温拌螺 怡香美极靓烧骨 八旗和味炒烤肉 金瓜南乳东坡肉 乾隆乳鸽生菜包 江南府邸合家欢肴馔新贵匠心独具 官府芥辣海明虾 宫廷雪鱼赛螃蟹黑椒（青芥）焗牛扒蟹籽松菇菠豆腐 滋补养生狮子头 太极蟹粉荠菜 瑶柱文思豆腐羹 碧绿春溜虾仁 海味鸡汁煮干丝 青烩荠菜银雪鱼 拆烩花鲢大鱼头 素菜 靓丽养颜三宝蔬 浓汤贝茸翠玉菜 肉碎酱爆茶树菇 兰度银杏野木耳 实验三 MD5算法的设计与实现 一、实验目的： 设计并实现MD5算法，从而进一步加深对数据完整性保证和散列函数的理解。 二、实验要求： 1、产生任意电子文档（包括文本和二进制）的128位信息摘要。 2、根据信息摘要验证该电子文档是否被更改过。 三、实验内容: 1、MD5算法简介: Message Digest Algorithm MD5（中文名为消息摘要算法第五版）为计算机安全领域广泛使用的一种散列函数，用以提供消息的完整性保护。1991年，Rivest开发出技术上更为趋近成熟的md5算法。它在MD4的基础上增加了"安全-带子"（safety-belts）的概念。虽然MD5比MD4复杂度大一些，但却更为安全。这个算法很明显的由四个和MD4设计有少许不同的步骤组成。在MD5算法中，信息-摘要的大小和填充的必要条件与MD4完全相同。Den boer和Bosselaers曾发现MD5算法中的假冲突（pseudo-collisions），但除此之外就没有其他被发现的加密后结果了。对MD5算法简要的叙述可以为：MD5以512位分组来处理输入的信息，且每一分组又被划分为16个32位子分组，经过了一系列的处理后，算法的输出由四个32位分组组成，将这四个32位分组级联后将生成一个128位散列值。 2. MD5算法逻辑处理操作包括以下几步： 步骤一：附加填充比特。对报文填充使报文的长度（比特数）与448模512同余。即填充比特使长度为512的整数倍减去64。例如，如果报文是448比特长，那么将填充512比特形成960比特的报文。填充比特串的最高位为1，其余各位均为0。 步骤二：附加长度值。将用64比特表示的初始报文（填充前）的位长度附加在步骤一的结果后（低位字节优先）。如果初始长度大于264，仅使用该长度的低64比特。这样，该域所包含的长度值为初始报文长度模264的值。这两步的结果将产生一个长度为512整数倍比特的报文。经扩展的报文表示成512比特的分组序列列Y1、Y2、Y3……Y（n-1），因此扩展的报文长度等于L乘512比特。与之等价的是，该结果也等于字长为16比特或32比特的整数倍，如果让[]10?NML表示扩展报文包含的字数，其中N是16的倍数，则N等于L 乘512。下图为使用MD5产生报文摘要的过程： 并行计算简介 Blaise Barney, 劳伦斯利弗莫尔国家实验室 译者：卢洋，同济大学 原文地址：https://https://www.doczj.com/doc/856888502.html,/tutorials/parallel_comp/ 目录 1 摘要 2 概述 2.1 什么是并行计算 2.2 为什么使用并行计算 3 概念和术语 3.1 冯诺依曼体系结构 3.2 Flynn经典分类法 3.3 一些通用的并行术语 4 并行计算机存储结构 4.1 共享内存 4.2 分布式内存 4.3 混合型分布式共享内存 5 并行编程模型 5.1 概览 5.2 共享内存模型 5.3 线程模型 5.4 消息传递模型 5.5 数据并行模型 5.6 其他模型 6 设计并行程序 6.1 自动化vs. 手工并行化 6.2 问题的理解和程序 6.3 问题分解 6.4 通信 6.5 同步 6.6 数据依赖 6.7 负载平衡 6.8 粒度 6.9 I/O 6.10 并行程序设计的限制和消耗 6.11 性能分析与调整 7 并行示例 7.1 数组程序 7.2 PI 的计算 7.3 简单的加热等式 7.4 一维的波等式 8 参考和更多信息 1 摘要 为了让新手更加容易熟悉此话题，本教程覆盖了并行计算中比较基础的部分。首先在概述中介绍的是与并行计算相关的术语和概念。然后探索并行存储模型和编程模型这两个话题。之后讨论一些并行程序设计相关的问题。本教程还包含了几个将简单串行化程序并行化的例子。无基础亦可阅读。 2 概述 2.1 什么是并行计算 传统上，一般的软件设计都是串行式计算： -软件在一台只有一个CPU的电脑上运行； -问题被分解成离散的指令序列； -指令被一条接一条的执行； -在任何时间CPU上最多只有一条指令在运行 图 Delaunay 三角网是Voronoi(或称thiessen多边形,V 图)图的伴生图形 ◆Delaunay 三角网的定义: 由一系列相连的但不重叠的三角形的集合, 而且这些 三角形的外接圆不包含这个面域的其他任何点。 ◆Voronoi图的定义： Voronoi图把平面分成N 个区，每一个区包括一个点， 该点所在的区域是距离该点最近的点的集合。 ◆Delaunay三角网的特性： ◆不存在四点共圆； ◆每个三角形对应于一个Voronoi图顶点； ◆每个三角形边对应于一个Voronoi图边； ◆每个结点对应于一个Voronoi图区域； ◆Delaunay图的边界是一个凸壳； ◆三角网中三角形的最小角最大。 空外接圆准则最大最小角准则最短距离和准则 在TIN中，过每个三角形的外接圆均不包含点集的其余任何点在TIN中的两相邻三角形形成 的凸四边形中，这两三角形 中的最小内角一定大于交换 凸四边形对角线后所形成的 两三角形的最小内角 一点到基边的两端的距离 和为最小 Delaunay三角剖分的重要的准则 张角最大准则面积比准则对角线准则 一点到基边的张角为最大三角形内切圆面积与三角形 面积或三角形面积与周长平 方之比最小 两三角形组成的凸四边形 的两条对角线之比。这一 准则的比值限定值，须给 定，即当计算值超过限定 值才进行优化 Delaunay三角剖分的重要的准则 不规则三角网(TIN)的建立 ●三角网生长算法就是从一个“源”开始，逐步形成覆盖整个数据区域的三角网。 ●从生长过程角度，三角网生长算法分为收缩生长算法和扩张生长算法两类。 方法说明方法实例 收缩生长算法先形成整个数据域的数据边界（凸壳）， 并以此作为源头，逐步缩小以形成整个三 角网 分割合并算法 逐点插入算法 扩张生长算法从一个三角形开始向外层层扩展，形成覆 盖整个区域的三角网 递归生长算法 MD5加密算法原理 MD5的全称是Message-Digest Algorithm 5（信息-摘要算法），在90年代初由MIT Laboratory for Computer Science和RSA Data Security Inc的Ronald L. Rivest开发出来，经MD2、MD3和MD4发展而来。它的作用是让大容量信息在用数字签名软件签署私人密匙前被"压缩"成一种保密的格式（就是把一个任意长度的字节串变换成一定长的大整数）。不管是MD2、MD4还是MD5，它们都需要获得一个随机长度的信息并产生一个128位的信息摘要。虽然这些算法的结构或多或少有些相似，但MD2的设计与MD4和MD5完全不同，那是因为MD2是为8位机器做过设计优化的，而MD4和MD5却是面向32位的电脑。这三个算法的描述和C语言源代码在Internet RFCs 1321中有详细的描述 （https://www.doczj.com/doc/856888502.html,/rfc/rfc1321.txt），这是一份最权威的文档，由Ronald L. Rivest 在1992年8月向IEFT提交。. . Van Oorschot和Wiener曾经考虑过一个在散列中暴力搜寻冲突的函数（Brute-Force Hash Function），而且他们猜测一个被设计专门用来搜索MD5冲突的机器（这台机器在1994年的制造成本大约是一百万美元）可以平均每24天就找到一个冲突。但单从1991年到2001年这10年间，竟没有出现替代MD5算法的MD6或被叫做其他什么名字的新算法这一点，我们就可以看出这个瑕疵并没有太多的影响MD5的安全性。上面所有这些都不足以成为MD5 的在实际应用中的问题。并且，由于MD5算法的使用不需要支付任何版权费用的，所以在一般的情况下（非绝密应用领域。但即便是应用在绝密领域内，MD5也不失为一种非常优秀的中间技术），MD5怎么都应该算得上是非常安全的了。 算法的应用 MD5的典型应用是对一段信息（Message）产生信息摘要（Message-Digest），以防止被篡改。比如，在UNIX下有很多软件在下载的时候都有一个文件名相同，文件扩展名为.md5的文件，在这个文件中通常只有一行文本，大致结构如： MD5 (tanajiya.tar.gz) = 0ca175b9c0f726a831d895e269332461 这就是tanajiya.tar.gz文件的数字签名。MD5将整个文件当作一个大文本信息，通过其不可逆的字符串变换算法，产生了这个唯一的MD5信息摘要。如果在以后传播这个文件的过程中，无论文件的内容发生了任何形式的改变（包括人为修改或者下载过程中线路不稳定引起的传输错误等），只要你对这个文件重新计算MD5时就会发现信息摘要不相同，由此可以确定你得到的只是一个不正确的文件。如果再有一个第三方的认证机构，用MD5还可以防止文件作者的"抵赖"，这就是所谓的数字签名应用。 MD5还广泛用于加密和解密技术上。比如在UNIX系统中用户的密码就是以MD5（或其它类似的算法）经加密后存储在文件系统中。当用户登录的时候，系统把用户输入的密码计算成MD5值，然后再去和保存在文件系统中的MD5值进行比较，进而确定输入的密码是否正确。通过这样的步骤，系统在并不知道用户密码的明码的情况下就可以确定用户登录系统的合法性。这不但可以避免用户的密码被具有系统管理员权限的用户知道，而且还在一定程度上增加了密码被破解的难度。 并行计算环境介绍 计算机系04 级研究生 武志鹏 1 MPI简介 目前两种最重要的并行编程模型是数据并行和消息传递。 数据并 行编程模型的编程级别比较高，编程相对简单，但它仅适用于数据并 行问题；消息传递编程模型的编程级别相对较低，但消息传递编程模 型可以有更广泛的应用范围。 MPI就是一种消息传递编程模型，并成为这种编程模型的代表和 事实上的标准。 1.1什么是 MPI 对MPI的定义是多种多样的，但不外乎下面三个方面： (1) MPI是一个库，而不是一门语言； (2) MPI是一种标准或规范的代表，而不特指某一个对它的实现； (3) MPI是一种消息传递编程模型，MPI虽然很庞大，但是它的最 终目的是服务于进程间通信这一目标的。 1.2 MPI的历史 MPI的标准化开始于1992年4月在威吉尼亚的威廉姆斯堡召开的分 布存储环境中消息传递标准的讨论会，由Dongarra,Hempel,Hey和 Walker建议的初始草案，于1992年11月推出并在1993年2月完成了修 订版，这就是MPI 1.0。 1995年6月推出了MPI的新版本MPI1.1，对原来的MPI作了进一步 的修改完善和扩充。 在1997年7月在对原来的MPI作了重大扩充的基础上又推出了MPI 的扩充部分MPI-2，而把原来的MPI各种版本称为MPI-1。 MPI-2的扩 充很多但主要是三个方面：并行I/O、远程存储访问和动态进程管理。 1.3 MPI的语言绑定 在MPI-1中明确提出了MPI和FORTRAN 77与C语言的绑定，并且 给出了通用接口和针对FORTRAN 77与C的专用接口说明。在MPI-2 中除了和原来的FORTRAN 77和C语言实现绑定之外，进一步与 Fortran90和C++结合起来。 1.4 MPI的实现版本 MPICH是一种最重要的MPI实现， 它是与MPI-1规范同步发展的版 本，每当MPI推出新的版本，就会有相应的MPICH的实现版本，另外 它还支持部分MPI-2的特征。 LAM-MPI也是一种MPI实现， 主要用于异构的计算机网络计算系统。 以上2种版本的MPI实现可以分别从以下网址下载： MPICH(最新版本1.2.7): https://www.doczj.com/doc/856888502.html,/mpi/mpich/ LAM-MPI(最新版本7.1.2)： 推荐系统的出现 推荐系统的任务就是解决，当用户无法准确描述自己的需求时，搜索引擎的筛选效果不佳的问题。联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现在对他感兴趣的人群中，从而实现信息提供商与用户的双赢。 推荐算法介绍 基于人口统计学的推荐 这是最为简单的一种推荐算法，它只是简单的根据系统用户的基本信息发现用户的相关程度，然后将相似用户喜爱的其他物品推荐给当前用户。 系统首先会根据用户的属性建模，比如用户的年龄，性别，兴趣等信息。根据这些特征计算用户间的相似度。比如系统通过计算发现用户A和C比较相似。就会把A喜欢的物品推荐给C。 优缺点： ?不需要历史数据，没有冷启动问题 ?不依赖于物品的属性，因此其他领域的问题都可无缝接入。 ?算法比较粗糙，效果很难令人满意，只适合简单的推荐 基于内容的推荐 与上面的方法相类似，只不过这次的中心转到了物品本身。使用物品本身的相似度而不是用户的相似度。 系统首先对物品（图中举电影的例子）的属性进行建模，图中用类型作为属性。 在实际应用中，只根据类型显然过于粗糙，还需要考虑演员，导演等更多信息。 通过相似度计算，发现电影A和C相似度较高，因为他们都属于爱情类。系统还会发现用户A喜欢电影A，由此得出结论，用户A很可能对电影C也感兴趣。 于是将电影C推荐给A。 优缺点： ?对用户兴趣可以很好的建模，并通过对物品属性维度的增加，获得更好的推荐精度 ?物品的属性有限，很难有效的得到更多数据 ?物品相似度的衡量标准只考虑到了物品本身，有一定的片面性 ?需要用户的物品的历史数据，有冷启动的问题 协同过滤 协同过滤是推荐算法中最经典最常用的，分为基于用户的协同过滤和基于物品的协同过滤。那么他们和基于人口学统计的推荐和基于内容的推荐有什么区别和联系呢？ 基于用户的协同过滤——基于人口统计学的推荐 基于用户的协同过滤推荐机制和基于人口统计学的推荐机制都是计算用户的相似度，并基于“邻居”用户群计算推荐，但它们所不同的是如何计算用户的相似度，基于人口统计学的机制只考虑用户本身的特征，而基于用户的协同过滤机制可是在用户的历史偏好的数据上计算用户的相似度，它的基本假设是，喜欢类似物品的用户可能有相同或者相似的口味和偏好。 基于物品的协同过滤——基于内容的推荐 尼泊尔岩米简介： 十六世纪以前碳石岩米又称石草，作为一种药用植物在本草纲目里面有详细记载，现代作为营养康复的良品代表，被世界医学界广泛应用于临床应用作为精华提炼而成的。岩米因为生长位置特殊，产量极其稀少，故不被世人所知。 最佳食法：岩米炖关东参，岩米炖鲜鲍，岩米炖血燕，岩米配海虎翅，岩米配雪蛤，特色岩米鸡汁粥。 尼泊尔岩米做法简介： 蒸好的岩米入口即化 初加工:岩米500克纳盆，添清水1500克，覆上保鲜膜放入蒸箱蒸15分钟即可。 技术关键：岩米容易吃水，所以蒸制时应多加清水，1斤岩米最少要添3斤水。蒸好的岩米颗粒饱满，质地粘稠、爽滑，入口即化。 尼泊尔岩米特质简介： 岩米是生长在中国-尼泊尔交界的洛子峰上，一种古老的子遗植物，它生长在山崖涧谷的岩石缝隙内，四周雨雾缭绕，故又称“岩米”，自1955年5月8日瑞士登山队的E。赖斯和E。卢赤辛格两人首次登上顶峰后才发掘此植物，经特种工艺分离加工而成现在的岩米。 岩米为纯天然无污染植物籽，内含丰富的蛋白质、维生素、叶绿素及镁铁钙钾等微量元素，其性甘平，清热解毒，气味清香，色泽黄绿，柔软 可口，特别是岩米中含有大量的黄铜类矿物质，其中富含的芦丁对糖尿病、高血压、高血脂患者有显著作用，被称为米中“黄金”。 十六世纪以前碳石岩米又称石草，作为一种药用植物在本草纲目里面有详细记载，现代作为营养康复的良品代表，被世界医学界广泛应用于临床应用作为精华提炼而成的。岩米因为生长位置特殊，产量极其稀少，故不被世人所知 最佳食法：岩米炖关东参，岩米炖鲜鲍，岩米炖血燕，岩米配海虎翅，岩米配雪蛤，特色岩米鸡汁粥。 天然岩米炖辽参 制作: 1、发好的辽参提前用浓汤煨入味备用。2、锅入浓汤100克，下入蒸好的岩米100克煮沸，下入辽参1只，调入盐和鸡精，中火继续煮约2分钟即可出锅。 算法的应用 md5的典型应用是对一段信息（message）产生信息摘要（message-digest），以防止被篡改。比如，在unix 下有很多软件在下载的时候都有一个文件名相同，文件扩展名为.md5的文件，在这个文件中通常只有一行文本，大致结构如： md5 (tanajiya.tar.gz) = 0ca175b9c0f726a831d895e269332461 这就是tanajiya.tar.gz文件的数字签名。md5将整个文件当作一个大文本信息，通过其不可逆的字符串变换算法，产生了这个唯一的md5信息摘要。如果在以后传播这个文件的过程中，无论文件的内容发生了任何形式的改变（包括人为修改或者下载过程中线路不稳定引起的传输错误等），只要你对这个文件重新计算md5时就会发现信息摘要不相同，由此可以确定你得到的只是一个不正确的文件。如果再有一个第三方的认证机构，用md5还可以防止文件作者的"抵赖"，这就是所谓的数字签名应用。 md5还广泛用于加密和解密技术上。比如在unix系统中用户的密码就是以md5（或其它类似的算法）经加密后存储在文件系统中。当用户登录的时候，系统把用户输入的密码计算成md5值，然后再去和保存在文件系统中的md5值进行比较，进而确定输入的密码是否正确。通过这样的步骤，系统在并不知道用户密码的明码的情况下就可以确定用户登录系统的合法性。这不但可以避免用户的密码被具有系统管理员权限的用户知道，而且还在一定程度上增加了密码被破解的难度。 正是因为这个原因，现在被黑客使用最多的一种破译密码的方法就是一种被称为"跑字典"的方法。有两种方法得到字典，一种是日常搜集的用做密码的字符串表，另一种是用排列组合方法生成的，先用md5程序计算出这 第４卷第５期２００３年１０月 空军工程大学学报（自然科学版） ＪＯＵＲＮＡＬＯＦＡＩＲＦｏＲＣＥＥＮＣＩＮＥＥＲＩＮＧＵⅣＩｖＥＲＳｒｒＹｆＮＡＴＵＲＡＬＳＣＩＥＮＣＥＥＤｍ０Ｎ ｖｏ】４Ｎｏ５ ０ｃｔ．２００３典型并行算法的实现性能分析 雷英杰１，霍红卫２ （１空军工程大学导弹学院，陕西三原７１３８００；２．西安电子科技大学计算机学院，陕西西安７１００７１） 摘要：讨论和分析了几种典型的并行算法及其各种处理方法在基于ｗｊｎｄｏｗｓｘＰ环境、消息传递接口ＭＰＩ并行编程环境支持和ｃ＋＋语言描述的编程实现问题，给出了相应并行程序详尽的计算结果，对比分析了它们的计算性能，以及它们对计算精度产生的影响。分析结论以相应并行算法的 实际编程实现和试验计算数据为基础，可信度高。设计实例表明。分析方法是有效的。 关键词：并行计算；消息传递接ｏ；并行算法；高性能计算 中图分类号：ＴＰ３９３文献标识码：Ａ文章编号：１００９—３５１６（２００３）０５一００６７—０４ 并行算法计算性能问题是高端、高性能、大规模并行计算领域非常重要的研究内容…。本文以计算。值并行算法为例，通过对若于典型并行算法基于消息传递接口ＭＰＩ（ＭｅｓｓａｇｅＰ∞ｓｉｎｇ１１１ｔｅｒｆａｃｅ）编犁２１和ｃ语言描述的ＨｏｓⅡｅｓｓ程序实现及其运行结果的分析，给出一些新的对比分析结论。 ｌＭＰＩ并行编程环境 在基于ＭＰＩ的编程模型中，计算是由一个或多个彼此通过调用函数库函数进行消息收、发通信的进程所组成。在绝大部分ＭＰＩ实现中，一组固定的进程在程序初始化时生成。这些进程可以执行相同或不同的程序。进程间的通信可以是点到点的，也可以是群体的（ｃｏｌｌｅｃｔｉｖｅ）。ＭＰＩ最重要的特性是使用了称之为通信体的机构，允许程序员定义一种封装内部通信结构的模块。所谓通信体就是一个进程组加上进程活动环境，其中进程组就是一组有限或有序的进程集合。所谓有限意即组内包含有限数目的ｎ个进程依次按ｏ，１，…，ｎ—ｌ整数定序（Ｒａｎｋｅｄ）。ＭＰＩ中的进程活动环境是指系统指定的超级标记（ｓｕｐｅｒｔａｇ），它能安全地将彼此相互冲突的通信区分开来。每个通信体都有一个不同的、系统指定的进程活动环境，在这一个进程活动环境中发送的消息不能在另一个进程活动环境中被接收。 ＭＰＩ不是一个独立的、白包含的软件系统，ＭＰＩ进程是重量级、单线程的进程”］。ＭＰＩ标准并不指明如何启动并行计算，它可通过命令行参数指定应被生成的进程数，然后按ｓＰＭＤ或ＭＰＭＤ方式执行程序”Ｊ。 ＭＰＩ并行程序中经常需要一些进程组闻的群体通信，包括：①路障（Ｂａ而ｅＴ）——同步所有进程；②广播（Ｂｍａｄｃａｓｔ）——从一个进程发送一条数据给所有进程；③收集（Ｇａｔ｝ｌｅｒ）——从所有进程收集数据到一个进程；④散射（ｓｃａｔｃｅｒ）——从一个进程散发多条数据给所有进程；⑤归约（Ｒｅｄｕｃｔｉｏｎ）——包括求和、求积等。ＭＰＩ包含的函数多达２００个，它们的功能及参数描述参见文献［４］、［５］等。 ２问题与算法描述 设计求ｗ值并行算法的关键是构造一个合适的函数，（＊），使得它计算起来既简便，误差又小。即使 收稿日期：２００３—０５一１２ 基金项目：国家教育部骨干教师资助计划项目（ＧＧ一８１０—９００３９—１００３）资助 作者简介：重摹杰（１９５６一），争，阵西渭南人，教授，博士生导师；主要从事智能信息处理与模式识别研究 霍红卫（１９６３一），女，陕西西安人，主要从事算法设计与分析，并行与分布计算研究 Computer Science and Application 计算机科学与应用, 2019, 9(9), 1803-1813 Published Online September 2019 in Hans. https://www.doczj.com/doc/856888502.html,/journal/csa https://https://www.doczj.com/doc/856888502.html,/10.12677/csa.2019.99202 Review of Classical Recommendation Algorithms Chunhua Zhou, Jianjing Shen, Yan Li, Xiaofeng Guo Information Engineering University, Zhengzhou Henan Received: Sep. 3rd, 2019; accepted: Sep. 18th, 2019; published: Sep. 25th, 2019 Abstract Recommender systems are effective tools of information ?ltering that are prevalent due to cont i-nuous popularization of the Internet, personalization trends, and changing habits of computer us-ers. Although existing recommender systems are successful in producing decent recommend a-tions, they still suffer from challenges such as cold-start, data sparsity, and user interest drift. This paper summarizes the research status of recommendat ion system, presents an overview of the field of recommender systems, describes the classical recommendation methods that are usually classified into the following three main categories: content-based, collaborative and hybrid recommendation algorithms, a nd prospects future research directions. Keywords Recommender Systems, Cold-Start, Data Sparsity, Collaborative Filtering 经典推荐算法研究综述 周春华，沈建京，李艳，郭晓峰 信息工程大学，河南郑州 收稿日期：2019年9月3日；录用日期：2019年9月18日；发布日期：2019年9月25日 摘要 推荐系统作为一种有效的信息过滤工具，由于互联网的不断普及、个性化趋势和计算机用户习惯的改变，将变得更加流行。尽管现有的推荐系统也能成功地进行推荐，但它们仍然面临着冷启动、数据稀疏性和用户兴趣漂移等问题的挑战。本文概述了推荐系统的研究现状，对推荐算法进行了分类，介绍了几种经餐饮业创业财务计划
MD5加密算法-c源代码
并行计算综述
基于协同过滤的推荐算法及代码实现
个性化推荐算法概述与展望
MD5算法及源代码
基于内容的推荐算法
松鹤楼菜单2
MD5算法的设计与实现
并行计算简介
delaunay三角网生长准则及算法
MD5加密算法原理
并行计算环境介绍
推荐系统的常用算法原理和实现
尼泊尔岩米
md5算法的应用
典型并行算法的实现性能分析
经典推荐算法研究综述
相关主题
文本预览