演算法範例的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

圖形演算法：Apache Spark與Neo4j實務範例

為了解決演算法範例的問題，作者MarkNeedham,AmyE.Hodler 這樣論述：

　　"從基本概念到重要的演算法，再到處理平臺和實際案例，作者為美妙圖形世界編寫了一本兼具指導性與說明性的參考指南。" —Kirk Borne, PhD 　　Principal Data Scientist and Executive 　　Advisor, Booz Allen Hamilton 　　"一本實用且資訊豐富的指南，幫助你藉由使用圖形演算法檢測模式和結果，來獲取更多洞察力，圖形資料庫開發人員的必讀書籍。"—Luanne Misquitta 　　Vice President of Engineering, 　　GraphAware 　　學習圖形演算法可以幫助

你利用資料關係的力量，開發更聰明的解決方案，以及增強你的機器學習模模型。有了這本實用的指南，開發者和資料科學家將會發現，圖形分析能提昇價值，無論是用圖形分析建構動態網路模型，還是預測真實世界中的行為。 　　Neo4j的Mark Needham和AmyHodler說明圖形演算法如何描述複雜結構，並揭示難以找出的模式—從發現漏洞和瓶頸到社群偵測和提升機器學習預測。你將會透過一些實際的範例了解如何在Apache Spark和Neo4j中使用圖形演算法，這兩個平台是圖形分析最常用的選擇。 　　‧學習圖形分析如何從現今的資料中找到更多預測元素 　　‧瞭解熱門的圖形演算法是如何工作以及如何應用 　　‧

使用超過20個圖形演算法範例的程式碼和提示 　　‧學習對不同類型問題，挑選合適演算法 　　‧使用Spark和Neo4j程式碼和樣本資料集探索範例 　　‧結合Neo4j和Spark，建立一個用於連結預測的機器學習工作流程

演算法範例進入發燒排行的影片

具有服務水準限制下最小化總完工時間之平行機排程問題

為了解決演算法範例的問題，作者張書輔 這樣論述：

在實務中考慮服務水準限制的排程問題很多，包括製造業、服務業、資訊業…等領域。本研究考慮具有服務水準限制之平行機排程問題，目標為求解最小化總完工時間。本研究提出啟發式演算法求解此排程問題，首先，此演算法運用最短加工時間法則分派工件至每部機台上，使得總完工時間縮小至一定程度。接著，透過工件插入至其他機台的方式優化排程，以達到更貼近最佳解。實驗數據是根據過去文獻生成的題組的方式製作，分爲二大題組：分別爲兩部機台以及多部機台。實驗結果顯示提出的啟發式演算法求解品質較過去仿電磁學最佳化演算法好，且能大幅縮短運算時間。故提出的啟發式演算法求解此排程問題有優秀的成效且具有實用性。

R語言：金融演算法與台指期貨程式交易實務

為了解決演算法範例的問題，作者酆士昌 這樣論述：

想要活用R語言實作金融科技與資料分析嗎？ 現在就切入程式交易這個神祕領域，然後加以整合應用 　　金融科技是指個人或是公司運用科技工具，可使得金融服務變得更有效率，因而形成的一種經濟產業，其內包含甚廣，如保險、支付、交易、理財、小額信貸等，其中金融交易已經從面對面轉至電話、網路，到現在的演算法平台，除了對傳統的金融業造成巨大的衝擊，也讓整個市場產生全面性的改變。 　　本書從R語言的使用、函數介紹與圖表繪製切入介紹，讓你快速地對R語言具備基本的使用技能，接著介紹國內的交易所與商品，讓你了解交易的規則與資訊揭示的意涵，隨後切入期貨程式交易的領域，從資料的研判到策略的建構，並以業界實務應用的案

例佐以介紹，使你能切入程式交易這個神祕的領域，並在未來能加以整合應用。 　　拿起這本書，你將學到： 　　★R語言的基本語法。 　　★資料的輸入與輸出。 　　★金融圖表的繪製。 　　★交易模擬訓練。 　　★金融工具的分析與取用。 　　★金融演算法的建構。 　　★回測系統的建構。 　　★實單交易系統。 　　【贈送3套軟體】 　　★MicroPlay微播：可重演指定時間的期貨商品，附贈兩週的盤中資料。 　　★MicroTest微測：可將本書回測數據以圖表呈現在視覺化的圖形上。 　　★群益快速下單機：可使用群益帳戶進行期貨下單。 本書特色 　　★文字和例圖搭配淺顯易讀，快速具備R語言的基本使用

技能。 　　★了解交易的規則與資訊揭示的意涵，跟著操作就能達到專業等級。 　　★以業界實務應用的案例介紹期貨程式交易的領域。

使用單向循環路徑以達成 高效能與有限等待的自旋鎖

為了解決演算法範例的問題，作者林翰廷 這樣論述：

在現代的 CPU 中，存取 shared data 的效率會隨著核心數增加而下降，在物理上，最遠的傳輸距離也會增加。然而目前的 non-uniform memoryaccess (NUMA)-aware lock algorithm 只以 CPU socket 為單位對之中核心的transmission cost 進行優化，並沒有完整利用整個多核心處理器的connection network，因此在核心之間會產生的大量的 transmission cost，雖然每個 cost 不大，但仍會限制多核心處理器的 scalability。對於這個現象，一般會用較複雜的演算法來降低 transmis

sion cost，但這個做法難點是降低的 transmission cost 很難彌補演算法時間複雜度的上升，這也是這篇論文提出的方法要解決的問題。1本篇論文提出的方法叫 Routing on Network-on-chip (RON)，主要使用routing table 來最小化核心之間的 transmission cost。在這個方法當中，會先行算出核心之間最佳的傳輸順序 (route)，再依此順序傳遞 lock。根據這個傳輸路徑，RON 會以"單向循環"的 policy 傳遞 lock 與 data，而這個policy 可以達到兩個目的： (1)最小化 data 的 transmiss

ion cost、(2)bounded waiting。依據最佳傳輸路徑除了達到 (1)以外，每個在路徑上的核心也都一定會被訪問，所以可以達到 (2)。本篇論文使用 microbenchmark與 multi-core benchmark 進行量化分析與檢視 RON 在不同 workload 下的效能表現。 以 google LevelDB 進行實測，在 user space 下，RON 的效能比 C-BOMCS、ShflLock 高出 5.8%、3.2%；在 oversubscribe (thread 數量高於核心數)的情況下，RON-plock 的效能比 C-BO-MCS-B、ShflLo

ck-B 高出 1.7 倍、13.3 倍，而且 RON-plock 的空間複雜度為 O (1)。