آموزش مسائل قویا NP-سخت و الگوریتم‌های پارامتری سازی شده در نظریه الگوریتم پیشرفته

۱۳۹۷-۰۹-۰۴
آموزش مسائل قویا NP-سخت و الگوریتم‌های پارامتری سازی شده در نظریه الگوریتم پیشرفته در بخش سوم فیلم آموزش نظریه الگوریتم پیشرفته با فیلم آموزش مسائل قویا NP-سخت و الگوریتم‌های پارامتری سازی شده در نظریه الگوریتم پیشرفته از وب سایت آموزش برنامه نویسی سورس باران در خدمت شما هستیم. در درس نظریه الگوریتم پیشرفته، ابتدا مسائل محاسباتی مختلف مطرح و سختی آنها ...
آموزش مسائل قویا NP-سخت و الگوریتم‌های پارامتری سازی شده در نظریه الگوریتم پیشرفته

آموزش مسائل قویا NP-سخت و الگوریتم‌های پارامتری سازی شده در نظریه الگوریتم پیشرفته

در بخش سوم فیلم آموزش نظریه الگوریتم پیشرفته با فیلم آموزش مسائل قویا NP-سخت و الگوریتم‌های پارامتری سازی شده در نظریه الگوریتم پیشرفته از وب سایت آموزش برنامه نویسی سورس باران در خدمت شما هستیم. در درس نظریه الگوریتم پیشرفته، ابتدا مسائل محاسباتی مختلف مطرح و سختی آنها با استفاده از نظریه‌های موجود مورد بررسی و اثبات قرار می‌گیرد. پس از آن، روش‌های الگوریتمی موجود برای حل مسائل سخت معرفی و در مورد هر یک از روش‌ها نمونه‌هایی نیز مورد بحث قرار می‌گیرد. لطفا تا انتهای فیلم آموزش الگوریتم‌های شبه چندجمله‌ای با ما همراه باشید…

سرفصل بخش دوم دوره نظریه الگوریتم پیشرفته

  • آموزش مسائل قویا NP-سخت در الگوریتم پیشرفته

  • آموزش الگوریتم‌های پارامتری سازی شده در الگوریتم پیشرفته

 

نظریه الگوریتم

بسیاری از مسائل محاسباتی مطرح در حوزه‌های مختلف علم جزو مسائلی هستند که حل آنها به راحتی امکان‌پذیر نمی‌باشد. در درس نظریه الگوریتم پیشرفته، ابتدا مسائل محاسباتی مختلف مطرح و سختی آنها با استفاده از نظریه‌های موجود مورد بررسی و اثبات قرار می‌گیرد. پس از آن، روش‌های الگوریتمی موجود برای حل مسائل سخت معرفی و در مورد هر یک از روش‌ها نمونه‌هایی نیز مورد بحث قرار می‌گیرد. از جمله این روش‌ها می‌توان به الگوریتم‌های قطعی، الگوریتم‌های تقریبی، الگوریتم‌های تصادفی، روش‌های مکاشفه‌ای و روش‌های محاسباتی نوین (مانند محاسبات مولکولی) اشاره کرد. در بسیاری از این روش‌ها، درستی الگوریتم‌های ارائه شده اثبات و منابع مورد نیاز برای اجرای این الگوریتم‌ها به صورت دقیق تحلیل می‌شود.

مشاهده سرفصل کل دوره

سرفصل کلی دوره نظریه الگوریتم پیشرفته

  • مقدمه ای بر طراحی الگوریتم‌ها

  • مقدمه‌ای بر طراحی و تحلیل الگوریتم‌ها

  • آموزش روش تقسیم و غلبه در طراح یالگوریتم

  • آموزش ، روش برنامه ریزی پویا در طراحی الگوریتم

  • مقدمه‌ای بر طراحی و تحلیل الگوریتم‌ها

  • آموزش روش حریصانه در طراحی الگوریتم

  • آموزش روش برگشت به عقب در طراحی الگوریتم

  • آموزش روش شاخه و تحدید در طراحی الگوریتم

  • آموزش رده بندی مسائل محاسباتی در طراحی الگوریتم

  • آموزش مسائل P در طراحی الگوریتم

  • آموزش مسائل NP در طراحی الگوریتم

  • آموزش مسائل NP-Hard در طراحی الگوریتم

  • آموزش مسائل NP-Complete در طراحی الگوریتم

  • اثبات NP-کامل بودن مسائل محاسباتی (۱)

  • اثبات NP-کامل بودن مسائل محاسباتی (۲)

  • آموزش الگوریتم‌های شبه چندجمله‌ای

  • مسائل قویا NP-سخت، الگوریتم‌های پارامتری سازی شده

  • الگوریتم‌های پارامتری سازی شده، روش شاخه و تحدید

  • کاهش نرخ رشد توابع مربوط به پیچیدگی الگوریتم‌ها

  • جستجوی محلی

  • جستجوی محلی با عمق متغیر

  • رده بندی مسائل از دیدگاه روش جستجوی محلی

  • الگوریتم‌های تقریبی (۱) و انواع مختلف آنها

  • الگوریتم‌های تقریبی (۲)

  • الگوریتم‌های تقریبی (۳) و پایداری آنها

  • الگوریتم‌های تقریبی (۴)

  • الگوریتم‌های تقریبی (۵)

  • رده بندی مسائل از دیدگاه الگوریتم‌های تقریبی

  • الگوریتم‌های تصادفی (۱) و انواع مختلف آن‌ها

  • الگوریتم‌های تصادفی (۲)

  • الگوریتم‌های تصادفی (۳)

  • الگوریتم‌های تصادفی (۴)

  • الگوریتم‌های تقریبی-تصادفی

  • الگوریتم‌های تصادفی (تشخیص اول بودن اعداد)

حتما بخوانید : فیلم آموزش کلاس درس الگوریتم تقریبی

معرفی مدرس

تحصیلات :

دکتر محمد گنج‌تابش عضو هیئت علمی گروه علوم کامپیوتر دانشگاه تهران است. ایشان دوره کارشناسی خود را در رشته ریاضی محض (دانشگاه تبریز) و دوره‌های کارشناسی ارشد و دکتری را در رشته علوم کامپیوتر (دانشگاه تهران) به اتمام رسانده است. ایشان همچنین دکتری دوم خود را در رشته بیوانفورماتیک (دانشگاه اکول پلی تکنیک فرانسه) گذرانده است. زمینه‌های تحقیقاتی مورد علاقه وی الگوریتم‌های بیوانفورماتیک (مسائل مربوط به ساختار‌های RNA) و علوم اعصاب محاسباتی (در زمینه بینایی) می‌باشد.

The post آموزش مسائل قویا NP-سخت و الگوریتم‌های پارامتری سازی شده در نظریه الگوریتم پیشرفته appeared first on آموزش برنامه نویسی.