一、基于分治策略的快速排序算法探讨（论文文献综述）
李心杨,陈阳[1]（2020）在《算法着作中的“分治策略”提要》文中研究表明《普通高中信息技术课程标准》（2017年版）指出:"课程内容紧扣数据、算法、信息系统和信息社会等学科大概念","学习算法,可以从系统的角度描述和解决问题,有助于学生未来专业的发展","学生应该理解利用算法进行问题求解的基本思想、方法和过程,掌握算法设计的一般方法;能描述算法,分析算法的有效性和效率,利用程序设计语言编写程序实现算法;在解决问题的过程中能自觉运用常见的几种算法","掌握贪心、分治、动态规划、回溯等常见算法","体验算法效率的差别","掌握算法分析的一般方法和过程","能有意识地把算法及算法思想迁移应用于实际生活和学习中"……认真阅读算法着作特别是算法名着,无论是对于提高教师的施教能力还是对于提高学生的学科素养来说,都是至关重要的。这篇《算法着作中的"分治策略"提要》是两位作者在认真研读算法着作特别是算法名着后合作写成的。文章浓缩了原着的精华,对其中的案例、观点、叙述、解释和分析进行了提炼。
张忠诚,鲁法明[2]（2019）在《基于递归与分治的排序算法教学探究》文中进行了进一步梳理排序算法多种多样,插入类排序、交换类排序、选择类排序、归并类排序,不同种类的排序算法的排序过程各不相同。然而,其中很多算法都可以由递归与分治这一经典的问题求解策略导出。论文研究直接插入排序、简单选择排序、冒泡排序、快速排序以及归并排序背后隐含的递归与分治原理,并从递归与分治的角度分析他们的排序原理、排序过程以及排序性能之间存在的异同,以便加深对排序算法以及递归与分治策略的理解。
杨智明[3]（2018）在《分治策略在《数据结构》排序中的应用分析》文中进行了进一步梳理分治是算法中重要的战略,它能把复杂的问题分解成简单的问题,进而分而治之,受到人们的青睐。在《数据结构》课程的经典排序中,多个排序算法都用到了分治思想,在此对四种排序算法的分治策略进行对比分析,促使学习者更好的把握分治策略的特性,熟练地把分治策略进行拓展应用。
薛正元[4]（2018）在《Top-k选择理论及其在图数据处理中的应用研究》文中提出排序是计算机科学中的一项基本计算任务。作为排序问题的变形,Top-k选择问题是指从大规模对象中找出最符合需求的k个对象。Top-k选择问题具有十分广泛的应用,例如推荐系统,数据库,信息检索,异常点检测,网络分析等。在不同的应用场景下,Top-k选择问题的方法不尽相同,然而它们大都是遵循两个步骤:量化和排序。也即,首先针对问题中的对象进行量化（表示该对象被优先选择的程度）,再根据这一量化指标选择最优的k个解。在不同的应用场景下,很难对它们进行统一建模和对Top-k问题进行求解操作。在理论研究中,一般只能偏重于后者（排序阶段）。也即,假设对象已经被量化,那么问题便抽象为一个Top-k最大值选择问题。在具体应用中,一般偏重于前者（量化阶段）。也即,针对该应用的特点,用特定的方法计算该对象与目标问题的相关程度。在理论方面,对大规模Top-k选择的共通问题进行了深入分析,并提出了新的选择算法;在应用方面,针对典型的社交网络数据提出了新的Top-k推荐算法,提高了推荐性能;针对典型的大规模图数据,提出了一种新的Top-k选择问题及相应算法。具体来说,贡献主要包括三个方面:（1）在Top-k选择算法理论中,目前最好的算法是Partial Quicksort,然而它难以有效并行,并且算法效率不稳定。基于分治思想,提出了一种新的Top-k选择算法DC-Top-k,并对其进行了并行化设计。DC-Top-k将Top-k问题分解为k个top-1问题,并在此基础上分析了这k个top-1结果与实际所求top-k结果的差异,进而得出实际top-k结果。算法有效提升了性能,缓解了现有算法的缺陷。进一步提出了DC-Top-k算法的优化版本并对其进行了并行化设计,使得Top-k选择结果更贴近实际应用。（2）研究了Top-k选择问题的一个典型应用——社交网络中的Top-k推荐问题。具体地,针对有向社会网络中的关注（Follow）关系进行推荐,提出了一种基于关注行为自身来对关注行为进行预测的新算法FRFB（Following Recommendation by Following Behaviors）。FRFB只需利用社交网络中的拓扑结构,也即“粉丝-关注”关系,即可获得目标用户的潜在关注对象。在真实社交网络数据集上的实验表明,相对于主流的基于图拓扑的关注对象推荐方法,FRFB算法具有更高的效率和更优的推荐效果。（3）针对大数据领域的一个重要问题——子图匹配问题,提出了一种面向子图匹配的Top-k关键节点查询问题及其方法。不同于一般的Top-k查询问题,目的是找出k个节点,使得这k个节点覆盖到的数据图G中的匹配子图最多。这是一个关于子图匹配的最大覆盖问题,属于NP-Hard问题。基于贪婪算法研究了该问题,并给出了直观的解决方法,同时结合Top-k问题特性,提出了改进的更为高效的贪婪算法。利用真实的社交网络图数据集Twitter进行的实验表明,该定义和方法能更好地发现数据图中相对查询图的“关键”节点。
王晓洁[5]（2017）在《基于分治法的单链表存储结构的快速排序算法》文中指出平均时间效率最高的快速排序算法适合于具有随机访问特性的顺序存储结构,但不适合单链表。通过分析分治法思想、快速排序算法、递归方法和单链表存储结构,提出了适合于单链表存储结构的快速排序算法。
李六杏[6]（2015）在《分治策略在归并排序中的算法设计》文中研究表明分治是一种解题的策略,它的基本思想是分而治之.归并排序法是将已有序的子序列合并,得到完全有序的序列.在各种排序方法中,如归并排序、堆排序、快速排序等,都存在有分治的思想.归并排序法是采用分治法的一个非常典型的应用.本文利用分治策略对归并排序进行算法设计,并与其它算法分析比较.
白宇,郭显娥[7]（2014）在《单向链表快速排序算法》文中提出单向链表广泛应用于动态存储结构,当前单向链表的排序算法普遍效率偏低,而平均效率最高的快速排序算法并不适用于单向链表。基于分治策略,使用递归方法,通过重新链接单向链表节点,提出了用于单向链表的快速排序算法,其平均时间复杂度为O（nlog2n）,辅助空间复杂度为O（0）,平均递归栈空间复杂度为O（log2n）;同时,进行了算法分析和实验测试,其效率较其它单向链表排序算法有较大提高,且较传统基于线性表的快速排序算法也有一定提高。研究结果解决了当前单向链表排序效率较低的
杨莉菁[8]（2013）在《基于分治策略的两种排序算法和基于贪心算法的两种问题的讨论》文中认为本文主要描述了分治策略和贪心算法的基本思想,并且用分治策略实现了快速排序和归并排序两种排序算法。从分、解、合三方面剖析排序,从而得到分割方式影响排序效率的关键,并将分治法扩展应用到更多排序方法中。本文还用贪心算法实现了背包问题与单源点最短路径问题,从荷值比等方面对资源分配进行分析,并将贪心算法应用更广泛。
胡峰[9]（2011）在《基于分治法的Rough集高效数据挖掘方法研究》文中指出在诸多数据挖掘方法中,Rough集理论是一种新型的智能信息处理方法,它采用确定的方法处理不确定问题,已是处理模糊、不精确和不完备问题的重要数学工具Rough集通过数据预处理、离散化、知识约简（属性约简、属性值约简）等过程,对数据进行去粗取精、去伪存真,逐步地从原始数据集中获取知识。使用Rough集,可以对原始数据进行离散化、降维和知识约简等处理,逐步降低问题的复杂性,它是进行数据挖掘的一条有效途径。但是,作为数据挖掘研究中的一个重要课题,现有的Rough集与方法仍然存在着一些没有解决好的问题。例如,基于Rough集的高效数据挖掘方法、基于Rough集的海量数据挖掘理论与方法、基于Rough集的动态数据处理方法、Rough集的强泛化能力问题、云计算环境下的Rough集数据挖掘方法等。这些问题的存在,有待于我们对Rough集理论与方法进行更深入地研究,并提出更好的解决方案。分治法是一种有效处理复杂问题的方法,它也是一种简单的粒计算方法。分治法的思想就是将整个问题分成若干个问题后分而治之。当求解的问题规模较大时,直接求解往往是非常困难的,有的甚至根本没法直接求出,采用分治法可以将规模较大的问题分解为多个规模较小的问题,然后分别递归求解,最后将解合并,从而实现对原问题的求解。如果能将分治法应用到Rough集数据挖掘方法的研究中,则有可能设计出高精度、高效率的数据挖掘方法。本文分析了现有的Rough集理论与应用研究现状,以基于分治法的Rough集数据挖掘方法为研究主线,对多维表快速排序的复杂度分析、基于Rough集的高效离散化方法、基于分治法的Rough集的知识约简方法的抽象控制过程、Rough集的快速知识约简方法等方面进行了较为深入的研究。归纳起来,本文的主要研究工作和创新内容表现在以下几个方面：（1）将多维数据快速排序的时间复杂度改进为O（nx（m+log n））,提高了Rough集数据挖掘方法的海量数据处理能力。基于分治法原理,将多维数据快速排序的时间复杂度从O（nxmxlogn）降低到O（nx（m+logn））（其中,m为数据维数,n为数据记录数）,并应用于改进传统的知识约简方法,在属性核和知识约简研究中取得了很好效果。这一成果,对实现快速、高效的海量数据挖掘,具有重要作用。（第2章）（2）提出了一个两步处理策略的高效离散化算法,解决了Rough集理论中海量数据的离散化问题。在基于Rough理论的数据挖掘过程中,离散化是一个重要的环节,现有的全局离散化算法很难兼顾高精度的离散化效果和高效率,它已成为使用Rough集处理海量数据的一个瓶颈,其主要原因在于候选断点太多造成了计算量和辅助存储空间太大。为克服这一问题,本文提出了“先在单个属性上进行候选断点的动态聚类；然后在所有属性上进行断点选择”的两步处理思路,实验结果表明,使用本方法得到的离散化结果和Skowron教授提出的贪心算法接近,但是运行效率更高。本文提出的离散化算法更适合海量数据的处理,特别是样本数量大的浮点决策表的离散化处理。（第3章）（3）提出了基于分治法的高效属性约简算法和值约简算法,有效地解决了海量数据的知识约简问题。分治法是一种有效处理复杂问题的方法,在Rough集知识约简算法的设计过程中,如果能有效结合分治法,则有可能设计出高效的算法。针对此问题,本文首先介绍了等价关系下基于分治法的决策表分解方法,该方法可用于正区域、属性核、属性约简的计算以及分辨矩阵的操作；其次,介绍了容差关系下基于分治法的决策表分解方法,该方法可用于决策表的值约简；再次,提出了基于分治法的Rough集知识约简方法的抽象控制过程,该控制过程对于设计高效的知识约简方法具有一定的参考意义。在此基础上,通过在属性空间上对论域对象进行快速分解和操作分辨矩阵,给出了基于分治法的知识约简方法。首先,改进了王珏教授提出的属性约简算法,提出了一个新的快速属性约简算法,其次,提出了一个基于分治法的高效值约简算法。实验结果表明,采用文中提出的基于分治法的Rough集高效数据挖掘方法,可以在普通PC机上进行300万网络入侵检测数据（KDDCUP99）的数据挖掘,并保持较高的正确识别率,有效地提升了基于Rough集的数据挖掘方法的数据处理能力。（第4、5章）
范婧[10]（2011）在《海量二维表数据的排序问题研究》文中进行了进一步梳理信息时代带给人们的影响是震撼的,数据作为信息最主要的表现形式之一,无论在广度还是深度上都已经深刻渗透到我们的生活中,研究表明,全球数据量以年均80%的速度持续增长,数据时代已经悄然来到。现在,海量数据存储已经有了较好的解决方案并已实现,而且网络存储正在走向平民化,SUN,惠普,博科等公司都提供完善的策略,高性能的设备支持大容量存储。但是,面对爆炸性增长的数据,如何沙里淘金呢?这一问题,即海量数据的搜索和处理正在研究阶段。数据挖掘,分布式计算,云计算等技术都是基于海量数据处理这一大背景的。数据挖掘的发展将数据坟墓转换成知识金块,并广泛应用于金融、零售业、电信、科学探索等；云计算概念的提出无疑具有时代意义,它将丰厚的资源组织起来提供强大的计算能力和服务。若要发挥他们的魔力,高性能算法无疑是重要的技术基础,但是一些传统技术在庞大的数据规模下,性能并不能令人满意,如何设计适用海量数据的算法是至关重要的。现在,设备的价格随着硬件的发展大幅下降,空间不再是瓶颈,时间效率日益成为最关注的焦点。在海量数据处理中,面向离散数据的二维表排序是一个基础操作,若先对二维表排序,将大大提高后续数据处理效率,而且许多复杂问题的解决最终都归为二维表排序,二维表排序在数据挖掘、机器学习、数据库、粗糙集等领域均有广泛应用。本文在深入分析了现有二维表排序算法后,针对海量数据对算法效率要求高这一问题,将二维表快速排序算法进行改进,并在空间换时间的思想下提出基于Hash的二维表排序算法,最后将其扩展到云计算模型下的海量二维表数据处理。该算法深化了粗糙集的等价类划分思想,将有序等价类推广到二维表排序上,并利用划分块之间的独立性实现云模型下的并行计算,随着划分的层层细化,并行度增加,大大提高了效率,在海量数据集上的优势尤为明显。本文设计的基于云计算模型的二维表排序方法将数据分割、各节点计算任务的分派及排序流程中的有序等价类划分结合在一起,减少了工作开销,此模型查询数据的效率非常高,可用于云平台下以查询为主的高性能应用程序。
二、基于分治策略的快速排序算法探讨（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于分治策略的快速排序算法探讨（论文提纲范文）
（3）分治策略在《数据结构》排序中的应用分析（论文提纲范文）
| 引言 |
| 1、分治策略设计思想 |
| 1.1 分解 |
| 1.2 求解 |
| 1.3 合并 |
| 2、分治策略在排序中的应用 |
| 2.1 直接插入排序 |
| 2.2 选择排序 |
| 2.3 快速排序 |
| 2.4 归并排序 |
| 3、四种排序算法对比分析 |
| 3.1 分解子序列的规模大致相同, 排序效率高 |
| 3.2 注重分解 |
| 3.3 注重合并 |
| 4、小结 |
（4）Top-k选择理论及其在图数据处理中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 当前研究存在的问题 |
| 1.4 论文的研究内容与目标 |
| 1.5 论文的组织结构 |
| 2 DC-Top-k:基于分治策略的高效Top-k选择算法 |
| 2.1 背景与相关工作 |
| 2.2 DC-Top-k算法的设计 |
| 2.3 理论分析 |
| 2.4 DC-Top-k算法的并行实现 |
| 2.5 实验与性能评估 |
| 2.6 本章小结 |
| 3 DC-Top-k算法中分组与递归策略的优化 |
| 3.1 算法优化的基本思路 |
| 3.2 算法最优分组数目k’的确定 |
| 3.3 算法递归所需的数据规模阈值nk的确定 |
| 3.4 优化的DC-Top-k算法及其分析 |
| 3.5 算法的并行实现 |
| 3.6 实验与性能评估 |
| 3.7 本章小结 |
| 4 面向关注行为预测的Top-k节点查询 |
| 4.1 背景与相关工作 |
| 4.2 FRFB：基于用户行为的关注对象推荐算法 |
| 4.3 FRFB算法复杂度与适用性分析 |
| 4.4 实验与性能评估 |
| 4.5 本章小结 |
| 5 面向子图匹配质量的Top-k节点查询 |
| 5.1 背景与相关工作 |
| 5.2 问题定义与模型的提出 |
| 5.3 面向子图匹配的Top-k关键节点查询 |
| 5.4 实验与性能评估 |
| 5.5 本章小结 |
| 6 总结和展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读博士学位期间发表的学术论文 |
| 附录2 攻读博士学位期间参与的科研项目 |
| 附录3 攻读博士学位期间参编的学术着作 |
| 附录4 公式(2.4)的证明 |
（6）分治策略在归并排序中的算法设计（论文提纲范文）
| 1 分治策略的适用条件 |
| 2 分治算法解析 |
| 3 分治策略在归并排序中的算法设计 |
| 3.1 已知某数列存储在序列A[1], A[2], ……, A[n], 拟采用分治策略对它们进行排序 (从小到大或从大到小) . |
| 3.2 归并排序的变形———求逆序对数目 |
| 4 小结 |
（8）基于分治策略的两种排序算法和基于贪心算法的两种问题的讨论（论文提纲范文）
| 1 分治法 |
| 1.1 用分治法进行归并分类 |
| 1.1.1 基本方法 |
| 1.1.2 算法具体实现如下 |
| (1) 算法描述: |
| (2) 程序流程图: |
| (3) 输出结果: |
| 1.2 用分治法进行快速分类 |
| (1) 分割问题: |
| (2) 递归求解: |
| (3) 合并问题: |
| 1.2.1 算法描述 |
| 1.2.2 程序流程图 |
| 1.2.3 输出结果 |
| 1.3 两种分治排序方法的比较 |
| 2 贪心方法求背包问题 |
| 2.1 算法描述 |
| 2.2 程序流程图 |
| 2.3 输出结果 |
| 3 贪心方法求单源点的最短路径问题 |
| 3.1 算法描述 |
| 3.2 流程图 |
| 3.3 输出结果 |
| 4 结 语 |
（9）基于分治法的Rough集高效数据挖掘方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略语表 |
| 第1章 绪论 |
| 1.1 数据挖掘概述 |
| 1.1.1 数据挖掘的概念 |
| 1.1.2 数据挖掘的理论基础 |
| 1.1.3 数据挖掘方法的分类 |
| 1.1.4 数据挖掘的发展状况 |
| 1.2 Rough集理论及应用研究现状 |
| 1.2.1 Rough集理论研究背景及意义 |
| 1.2.2 Rough集理论基本概念 |
| 1.2.3 基于Rough集的数据挖掘方法研究 |
| 1.2.4 基于Rough集的不确定性度量 |
| 1.2.5 面向领域的数据驱动的数据挖掘 |
| 1.2.6 基于Rough集的海量数据挖掘 |
| 1.2.7 Rough集理论及应用待解决的关键问题 |
| 1.3 本文的主要研究内容及成果 |
| 1.4 本文的组织结构 |
| 第2章 多维表快速排序的复杂度分析 |
| 2.1 引言 |
| 2.2 多维表快速排序的递归算法 |
| 2.3 时间复杂度和空间复杂度分析 |
| 2.3.1 时间复杂度分析 |
| 2.3.2 空间复杂度分析 |
| 2.4 仿真实验 |
| 2.4.1 测试一 |
| 2.4.2 测试二 |
| 2.5 本章小节 |
| 第3章 决策表快速离散化算法 |
| 3.1 引言 |
| 3.2 Rough集离散化算法分析 |
| 3.3 基于断点重要性的动态聚类算法 |
| 3.4 结合动态聚类和断点重要性的快速离散化算法 |
| 3.5 仿真实验 |
| 3.5.1 实验一 (UCI数据集测试) |
| 3.5.2 实验二 (候选断点数目较大的数据集测试) |
| 3.5.3 实验三 (记录数较多的数据集测试) |
| 3.6 本章小节 |
| 第4章 基于分治法的Rough集知识约简方法的抽象控制过程 |
| 4.1 引言 |
| 4.2 等价关系下的分治方法 |
| 4.3 容差关系下的分治方法 |
| 4.4 基于分治法的Rough集知识约简的抽象控制过程 |
| 4.5 基于分治法的Rough集知识约简方法的时间复杂度分析 |
| 4.6 本章小节 |
| 第5章 基于分治法的Rough集高效知识约简方法 |
| 5.1 引言 |
| 5.2 属性序的相关概念 |
| 5.3 基于分治法的高效属性约简算法 |
| 5.3.1 属性序下结合分治法的快速约简算法 |
| 5.3.2 算法有效性分析 |
| 5.4 基于分治法的高效值约简算法 |
| 5.4.1 快速确定性规则获取算法 |
| 5.4.2 快速确定性规则获取算法的复杂度分析 |
| 5.4.3 实例分析 |
| 5.5 知识约简算法实验 |
| 5.5.1 属性约简算法测试实验 |
| 5.5.2 值约简算法测试实验 |
| 5.6 本章小节 |
| 第6章 数据挖掘实验测试及结果分析 |
| 6.1 UCI数据集上的实验测试 |
| 6.2 入侵检测实验测试 |
| 6.2.1 KDDCUP99数据集介绍 |
| 6.2.2 KDDCUP99数据集测试 |
| 6.3 本章小节 |
| 第7章 总结与展望 |
| 7.1 本文工作总结及创新点 |
| 7.2 进一步研究工作与展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间发表的论文及科研成果 |
| 读博期间论文发表情况 |
| 读博期间参编的着作章节 |
| 读博期间所获的科研奖励 |
| 读博期间参与的科研项目 |
（10）海量二维表数据的排序问题研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究内容及主要工作 |
| 1.3 论文组织结构 |
| 1.4 本章小结 |
| 2 相关工作 |
| 2.1 引言 |
| 2.2 排序 |
| 2.3 粗糙集理论 |
| 2.4 分布式计算 |
| 2.5 云计算 |
| 2.5.1 引言 |
| 2.5.2 云计算平台简介 |
| 2.5.3 云存储 |
| 2.6 本章小结 |
| 3 二维表快速排序算法研究及改进 |
| 3.1 引言 |
| 3.2 二维表快速排序算法的研究与改进 |
| 3.2.1 二维表排序的基本概念 |
| 3.2.2 二维表快速排序算法 |
| 3.2.3 二维表快速排序算法的改进 |
| 3.2.4 时间复杂度和空间复杂度分析 |
| 3.3 实验 |
| 3.4 本章小结 |
| 4 二维表Hash排序算法与饱和度分析 |
| 4.1 引言 |
| 4.2 一维HASH排序 |
| 4.2.1 一维Hash排序 |
| 4.2.2 改进的一维Hash排序 |
| 4.3 二维HASH排序算法 |
| 4.3.1 基本概念和原理 |
| 4.3.2 二维表排序Hash函数构造 |
| 4.3.3 基于有序等价类的二维表Hash排序算法 |
| 4.4 时间复杂度、空间复杂度和稳定性分析 |
| 4.4.1 时间复杂度分析 |
| 4.4.2 空间复杂度和稳定性分析 |
| 4.5 实验 |
| 4.5.1 测试1 |
| 4.5.2 测试2 |
| 4.6 基于数据浓度的性能分析 |
| 4.7 本章小结 |
| 5 基于云计算的海量二维表Hash排序 |
| 5.1 引言 |
| 5.2 并行程序设计 |
| 5.3 基于云计算的二维表HASH排序 |
| 5.3.1 基本方案 |
| 5.3.2 存储机制 |
| 5.3.3 算法设计 |
| 5.3.4 并行度和性能分析 |
| 5.4 本章小结 |
| 6 工作总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间主要的研究成果 |
| 致谢 |
四、基于分治策略的快速排序算法探讨（论文参考文献）
- [1]算法着作中的“分治策略”提要[J]. 李心杨,陈阳. 中国多媒体与网络教学学报(下旬刊), 2020(01)
- [2]基于递归与分治的排序算法教学探究[J]. 张忠诚,鲁法明. 计算机与数字工程, 2019(09)
- [3]分治策略在《数据结构》排序中的应用分析[J]. 杨智明. 电子商务, 2018(07)
- [4]Top-k选择理论及其在图数据处理中的应用研究[D]. 薛正元. 华中科技大学, 2018(05)
- [5]基于分治法的单链表存储结构的快速排序算法[J]. 王晓洁. 新乡学院学报, 2017(09)
- [6]分治策略在归并排序中的算法设计[J]. 李六杏. 赤峰学院学报(自然科学版), 2015(15)
- [7]单向链表快速排序算法[J]. 白宇,郭显娥. 计算机工程与科学, 2014(01)
- [8]基于分治策略的两种排序算法和基于贪心算法的两种问题的讨论[J]. 杨莉菁. 武汉船舶职业技术学院学报, 2013(01)
- [9]基于分治法的Rough集高效数据挖掘方法研究[D]. 胡峰. 西南交通大学, 2011(10)
- [10]海量二维表数据的排序问题研究[D]. 范婧. 浙江师范大学, 2011(05)