问题1:完成代码,要求输出k的值、k的地址、a 的值、a的地址。结果保存在13-1.c文件中。 #include <stdio.h> int main() { int*a,k=10; a=&k;*a=20;

时间: 2024-02-24 09:56:18 浏览: 73
完成代码如下: ```c #include <stdio.h> int main() { int *a, k = 10; a = &k; *a = 20; printf("k的值:%d\n", k); printf("k的地址:%p\n", &k); printf("a的值:%p\n", a); printf("a的地址:%p\n", &a); return 0; } ``` 输出结果为: ``` k的值:20 k的地址:0x7ffeea4e0a1c a的值:0x7ffeea4e0a1c a的地址:0x7ffeea4e0a10 ``` 其中,`k`的值被修改为了20,`a`指向了`k`的地址,`a`的地址为栈上的一个地址。
相关问题

--------------------------------------------------------- 题目: 编写函数,要求计算并输出不超过n的最大的k个素数以及它们的和。注意找到 的k个素数先要保存在数组a中。 输入格式: 输入在一行中给出n(10≤n≤10000)和k(1≤k≤10)的值。 输出格式: 在一行中按下列格式输出: 素数1+素数2+…+素数k=总和值 其中素数按递减顺序输出。若n以内不够k个素数,则按实际个数输出。 输入样例1: 1000 10 输出样例1: 997+991+983+977+971+967+953+947+941+937=9664 输入样例2: 12 6 输出样例2: 11+7+5+3+2=28

以下是Python 3的代码实现: ```python def is_prime(n): if n < 2: return False for i in range(2, int(n**0.5)+1): if n % i == 0: return False return True n, k = map(int, input().split()) a = [] for i in range(n, 1, -1): if is_prime(i): a.append(i) if len(a) == k: break total = sum(a) print(' '.join(str(x) for x in a) + '=' + str(total)) ``` 首先定义一个判断素数的函数is_prime,判断一个数n是否为素数。然后读入n和k,从n开始往下枚举数i,如果i是素数就加入数组a中,直到a的长度达到k为止。最后输出a中的数和它们的总和。注意输出格式要求素数按递减顺序输出,可以通过从n往下枚举实现。

输入:待排列的全部圆的半径R集合,圆的总数n 输出:最小圆排列距离Vmin,最优排列方案Path 算法: 1. 令Vmin为一个理论上绝对足够长的距离, Path=[] 2. 令ANode=zeros(n+1,n), ANode(1,:)=1:n, ANode(n+1,:)=1 (最后一行记录X中已确定部分数量) 3. 根据ANode(:,1)的信息计算出AVal和ABound(利用代价函数)对应的值 4. 当ANode非空时循环 5. --令AVal中最小值下标为loc, 则令X=ANode(1:n,loc), k=ANode(n+1,loc) 6. --如果ABound(loc)小于Vmin 7. ----对X(k+1)={1,2,...,n}-{X(1),X(2),...,X(k)}进行循环 8. ------如果k+1小于n, 即X(1:(k+1))为非叶结点 9. --------令lb为由X的前k+1个部分信息利用代价函数计算出的ABound的值 10. --------若lb小于Vmin,则把[X;k+1]加入ANode,把X对应的当前价值加入AVal,把lb加入Abound 11. ------否则 12. --------计算X的当前价值,并确定是否更新Vmin和Path 13. --从ANode中删去第loc列,从AVal中删去第loc个元素,从ABound中删去第loc个元素 根据这个伪代码写出matlab程序

以下是使用分支限界法求解最小圆排列距离的 MATLAB 代码: ```matlab function [Vmin, Path] = minimum_circle_arrangement(R) % 输入参数: % R:待排列的全部圆的半径R集合 % 输出参数: % Vmin:最小圆排列距离 % Path:最优排列方案 n = length(R); % 圆的数量 % 令Vmin为一个理论上绝对足够长的距离,Path=[] Vmin = inf; Path = []; ANode = zeros(n+1, n); ANode(1,:) = 1:n; % 记录每个节点已经使用的圆的编号 ANode(n+1,:) = 1; % 记录已经使用的圆的数量 AVal = zeros(1, n+1); % 记录每个节点的代价函数值 ABound = zeros(1, n+1); % 记录每个节点的上界 % 计算初始节点的代价函数值和上界 AVal(1) = 0; ABound(1) = heuristic(R, 1:n); while ~isempty(ANode) % 找到当前代价函数值最小的节点 [val, loc] = min(AVal); X = ANode(1:n, loc); k = ANode(n+1, loc); % 如果当前节点的上界小于当前最优解,则不用再进行搜索 if ABound(loc) >= Vmin ANode(:, loc) = []; AVal(loc) = []; ABound(loc) = []; continue; end % 对当前节点进行扩展 for i = setdiff(1:n, X(1:k)) child = [X; i]; if k < n lb = heuristic(R, child); if lb < Vmin ANode(:, end+1) = [child; k+1]; AVal(end+1) = lb; ABound(end+1) = inf; end else d = 2*R(child(1)); for j = 1:n-1 d = d + 2*R(child(j+1)); d = d + max(0, sqrt((R(child(j))+R(child(j+1)))^2-(R(child(j))-R(child(j+1)))^2)); end if d < Vmin Vmin = d; Path = child; end end end % 更新节点的上界 ABound(loc) = heuristic(R, X); % 根据上界对队列进行排序 [~, idx] = sort(ABound); ANode = ANode(:, idx); AVal = AVal(idx); ABound = ABound(idx); end end % 计算当前排列的启发式函数值 function h = heuristic(R, X) n = length(R); h = 2*R(X(1)); for i = 1:n-1 h = h + 2*R(X(i+1)); h = h + max(0, sqrt((R(X(i))+R(X(i+1)))^2-(R(X(i))-R(X(i+1)))^2)); end end ``` 使用方法: 1. 将上述代码保存为一个名为 `minimum_circle_arrangement.m` 的文件; 2. 在 MATLAB 命令窗口中输入 `R = [1, 2, 3, 4, 5]; [Vmin, Path] = minimum_circle_arrangement(R);`,其中 `R` 是待排列的全部圆的半径R集合,可以根据需要进行修改; 3. 程序会返回最小圆排列距离 `Vmin` 和最优排列方案 `Path`,其中 `Path` 是一个向量,存储了最优排列方案中圆的编号。
阅读全文

相关推荐

for i in range(N): arrival_lambda[i] = 1 + 0.1 * i for i in range(n): if i % (n//10) == 0: print("%0.1f"%(i/n))#每当完成总任务的10%输出 if i> 0 and i % Delta == 0: # 索引从零开始计数 if Delta > 1: max_k = max(np.array(k_idx_his[-Delta:-1])%K) +1 else: max_k = k_idx_his[-1] +1 K = min(max_k +1, N)#根据历史记录动态调整K的值,以使其能够适应数据流的变化。如果数据流的变化比较平稳,则K的值不会经常变化,这样可以避免频繁的参数更新。如果数据流的变化比较剧烈,则K的值会相应地进行调整,以更好地适应新的数据分布 i_idx = i # 实时信道生成 h_tmp = racian_mec(h0,0.3)#使用Rician衰落模型后的增益值 # 将h0增长到1,以便更好的训练; 这是深度学习中广泛采用的一种技巧 h = h_tmp*CHFACT channel[i,:] = h #变量h_tmp乘以常数CHFACT,然后将结果存储到变量h中。接着,将h赋值给二维数组channel的第i行,获取信道增益值 # 实时到达生成 dataA[i,:] = np.random.exponential(arrival_lambda) # 4) LyDROO的排队模型 if i_idx > 0: # 更新队列 Q[i_idx,:] = Q[i_idx-1,:] + dataA[i_idx-1,:] - rate[i_idx-1,:] # 当前队列 # 由于浮点错误,断言Q是正的 Q[i_idx,Q[i_idx,:]<0] =0 Y[i_idx,:] = np.maximum(Y[i_idx-1,:] + (energy[i_idx-1,:]- energy_thresh)*nu,0) # 当前能量队列 # 由于浮点错误,断言Y是正的 Y[i_idx,Y[i_idx,:]<0] =0#防止浮点错误 # 缩放Q和Y到接近1;深度学习技巧 nn_input =np.concatenate( (h, Q[i_idx,:]/10000,Y[i_idx,:]/10000)) # Actor module m_list = mem.decode(nn_input, K, decoder_mode) r_list = [] # 所有候选卸载模式的结果 v_list = [] # 候选卸载模式的目标值 for m in m_list: # Critic module # 为保存在m_list中的所有生成的卸载模式分配资源 r_list.append(Algo1_NUM(m,h,w,Q[i_idx,:],Y[i_idx,:],V)) v_list.append(r_list[-1][0]) # 记录最大奖励指数 k_idx_his.append(np.argmax(v_list)) # Policy update module # 编码最大奖励模式 mem.encode(nn_input, m_list[k_idx_his[-1]]) mode_his.append(m_list[k_idx_his[-1]])#将m_list最后一条历史消息添加到历史消息列表中。 # 存储最大结果 Obj[i_idx],rate[i_idx,:],energy[i_idx,:] = r_list[k_idx_his[-1]]怎么修改代码使得队列Q、Y变化且代码不考虑队列积压

for i in range(n): if i % (n//10) == 0: print("%0.1f"%(i/n))#每当完成总任务的10%输出 if i> 0 and i % Delta == 0: # 索引从零开始计数 if Delta > 1: max_k = max(np.array(k_idx_his[-Delta:-1])%K) +1 else: max_k = k_idx_his[-1] +1 K = min(max_k +1, N)#根据历史记录动态调整K的值,以使其能够适应数据流的变化。如果数据流的变化比较平稳,则K的值不会经常变化,这样可以避免频繁的参数更新。如果数据流的变化比较剧烈,则K的值会相应地进行调整,以更好地适应新的数据分布 i_idx = i # 实时信道生成 h_tmp = racian_mec(h0,0.3)#使用Rician衰落模型后的增益值 # 将h0增长到1,以便更好的训练; 这是深度学习中广泛采用的一种技巧 h = h_tmp*CHFACT channel[i,:] = h #变量h_tmp乘以常数CHFACT,然后将结果存储到变量h中。接着,将h赋值给二维数组channel的第i行,获取信道增益值 # 实时到达生成 dataA[i,:] = np.random.exponential(arrival_lambda) # 4) LyDROO的排队模型 nn_input = h # 缩放Q和Y到接近1;深度学习技巧 nn_input =np.concatenate( (h, Q[i_idx,:]/10000,Y[i_idx,:]/10000)) # Actor module m_list = mem.decode(nn_input, K, decoder_mode) r_list = [] # 所有候选卸载模式的结果 v_list = [] # 候选卸载模式的目标值 for m in m_list: # Critic module # 为保存在m_list中的所有生成的卸载模式分配资源 r_list.append(Algo1_NUM(m,h,w,Q[i_idx,:],Y[i_idx,:],V)) v_list.append(r_list[-1][0]) # 记录最大奖励指数 k_idx_his.append(np.argmax(v_list)) # Policy update module # 编码最大奖励模式 mem.encode(nn_input, m_list[k_idx_his[-1]]) mode_his.append(m_list[k_idx_his[-1]])#将m_list最后一条历史消息添加到历史消息列表中。 # 存储最大结果 Obj[i_idx],rate[i_idx,:],energy[i_idx,:] = r_list[k_idx_his[-1]]#r_list[k_idx_his[-1]] 中的三个值分别赋值给了三个变量 Obj[i_idx]、rate[i_idx, :]、energy[i_idx, :]怎么修改代码使代码不考虑队列积压问题

最新推荐

recommend-type

平尾装配工作平台运输支撑系统设计与应用

资源摘要信息:"该压缩包文件名为‘行业分类-设备装置-用于平尾装配工作平台的运输支撑系统.zip’,虽然没有提供具体的标签信息,但通过文件标题可以推断出其内容涉及的是航空或者相关重工业领域内的设备装置。从标题来看,该文件集中讲述的是有关平尾装配工作平台的运输支撑系统,这是一种专门用于支撑和运输飞机平尾装配的特殊设备。 平尾,即水平尾翼,是飞机尾部的一个关键部件,它对于飞机的稳定性和控制性起到至关重要的作用。平尾的装配工作通常需要在一个特定的平台上进行,这个平台不仅要保证装配过程中平尾的稳定,还需要适应平尾的搬运和运输。因此,设计出一个合适的运输支撑系统对于提高装配效率和保障装配质量至关重要。 从‘用于平尾装配工作平台的运输支撑系统.pdf’这一文件名称可以推断,该PDF文档应该是详细介绍这种支撑系统的构造、工作原理、使用方法以及其在平尾装配工作中的应用。文档可能包括以下内容: 1. 支撑系统的设计理念:介绍支撑系统设计的基本出发点,如便于操作、稳定性高、强度大、适应性强等。可能涉及的工程学原理、材料学选择和整体结构布局等内容。 2. 结构组件介绍:详细介绍支撑系统的各个组成部分,包括支撑框架、稳定装置、传动机构、导向装置、固定装置等。对于每一个部件的功能、材料构成、制造工艺、耐腐蚀性以及与其他部件的连接方式等都会有详细的描述。 3. 工作原理和操作流程:解释运输支撑系统是如何在装配过程中起到支撑作用的,包括如何调整支撑点以适应不同重量和尺寸的平尾,以及如何进行运输和对接。操作流程部分可能会包含操作步骤、安全措施、维护保养等。 4. 应用案例分析:可能包含实际操作中遇到的问题和解决方案,或是对不同机型平尾装配过程的支撑系统应用案例的详细描述,以此展示系统的实用性和适应性。 5. 技术参数和性能指标:列出支撑系统的具体技术参数,如载重能力、尺寸规格、工作范围、可调节范围、耐用性和可靠性指标等,以供参考和评估。 6. 安全和维护指南:对于支撑系统的使用安全提供指导,包括操作安全、应急处理、日常维护、定期检查和故障排除等内容。 该支撑系统作为专门针对平尾装配而设计的设备,对于飞机制造企业来说,掌握其详细信息是提高生产效率和保障产品质量的重要一环。同时,这种支撑系统的设计和应用也体现了现代工业在专用设备制造方面追求高效、安全和精确的趋势。"
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

MATLAB遗传算法探索:寻找随机性与确定性的平衡艺术

![MATLAB多种群遗传算法优化](https://img-blog.csdnimg.cn/39452a76c45b4193b4d88d1be16b01f1.png) # 1. 遗传算法的基本概念与起源 遗传算法(Genetic Algorithm, GA)是一种模拟自然选择和遗传学机制的搜索优化算法。起源于20世纪60年代末至70年代初,由John Holland及其学生和同事们在研究自适应系统时首次提出,其理论基础受到生物进化论的启发。遗传算法通过编码一个潜在解决方案的“基因”,构造初始种群,并通过选择、交叉(杂交)和变异等操作模拟生物进化过程,以迭代的方式不断优化和筛选出最适应环境的
recommend-type

如何在S7-200 SMART PLC中使用MB_Client指令实现Modbus TCP通信?请详细解释从连接建立到数据交换的完整步骤。

为了有效地掌握S7-200 SMART PLC中的MB_Client指令,以便实现Modbus TCP通信,建议参考《S7-200 SMART Modbus TCP教程:MB_Client指令与功能码详解》。本教程将引导您了解从连接建立到数据交换的整个过程,并详细解释每个步骤中的关键点。 参考资源链接:[S7-200 SMART Modbus TCP教程:MB_Client指令与功能码详解](https://wenku.csdn.net/doc/119yes2jcm?spm=1055.2569.3001.10343) 首先,确保您的S7-200 SMART CPU支持开放式用户通
recommend-type

MAX-MIN Ant System:用MATLAB解决旅行商问题

资源摘要信息:"Solve TSP by MMAS: Using MAX-MIN Ant System to solve Traveling Salesman Problem - matlab开发" 本资源为解决经典的旅行商问题(Traveling Salesman Problem, TSP)提供了一种基于蚁群算法(Ant Colony Optimization, ACO)的MAX-MIN蚁群系统(MAX-MIN Ant System, MMAS)的Matlab实现。旅行商问题是一个典型的优化问题,要求找到一条最短的路径,让旅行商访问每一个城市一次并返回起点。这个问题属于NP-hard问题,随着城市数量的增加,寻找最优解的难度急剧增加。 MAX-MIN Ant System是一种改进的蚁群优化算法,它在基本的蚁群算法的基础上,对信息素的更新规则进行了改进,以期避免过早收敛和局部最优的问题。MMAS算法通过限制信息素的上下界来确保算法的探索能力和避免过早收敛,它在某些情况下比经典的蚁群系统(Ant System, AS)和带有局部搜索的蚁群系统(Ant Colony System, ACS)更为有效。 在本Matlab实现中,用户可以通过调用ACO函数并传入一个TSP问题文件(例如"filename.tsp")来运行MMAS算法。该问题文件可以是任意的对称或非对称TSP实例,用户可以从特定的网站下载多种标准TSP问题实例,以供测试和研究使用。 使用此资源的用户需要注意,虽然该Matlab代码可以免费用于个人学习和研究目的,但若要用于商业用途,则需要联系作者获取相应的许可。作者的电子邮件地址为***。 此外,压缩包文件名为"MAX-MIN%20Ant%20System.zip",该压缩包包含Matlab代码文件和可能的示例数据文件。用户在使用之前需要将压缩包解压,并将文件放置在Matlab的适当工作目录中。 为了更好地理解和应用该资源,用户应当对蚁群优化算法有初步了解,尤其是对MAX-MIN蚁群系统的基本原理和运行机制有所掌握。此外,熟悉Matlab编程环境和拥有一定的编程经验将有助于用户根据个人需求修改和扩展算法。 在实际应用中,用户可以根据问题规模调整MMAS算法的参数,如蚂蚁数量、信息素蒸发率、信息素增量等,以获得最优的求解效果。此外,也可以结合其他启发式或元启发式算法,如遗传算法、模拟退火等,来进一步提高算法的性能。 总之,本资源为TSP问题的求解提供了一种有效的算法框架,且Matlab作为编程工具的易用性和强大的计算能力,使得该资源成为算法研究人员和工程技术人员的有力工具。通过本资源的应用,用户将能够深入探索并实现蚁群优化算法在实际问题中的应用,为解决复杂的优化问题提供一种新的思路和方法。
recommend-type

"互动学习:行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动,互动学习以行动为中心的强化学习学会互动,互动学习,以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授:智囊团论文联合主任菲利普·普雷教授,大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授,Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士,Deepmind对于那些及时看到自己错误的人...3谢谢你首先,我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔,"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲,你知道在这篇论文的(许多)错误中,你是我可以依
recommend-type

【实战指南】MATLAB自适应遗传算法调整:优化流程全掌握

![MATLAB多种群遗传算法优化](https://img-blog.csdnimg.cn/39452a76c45b4193b4d88d1be16b01f1.png) # 1. 遗传算法基础与MATLAB环境搭建 遗传算法(Genetic Algorithm, GA)是模拟生物进化过程的搜索启发式算法,它使用类似自然选择和遗传学的原理在潜在解空间中搜索最优解。在MATLAB中实现遗传算法需要先搭建合适的环境,设置工作路径,以及了解如何调用和使用遗传算法相关的函数和工具箱。 ## 1.1 遗传算法简介 遗传算法是一种全局优化算法,它的特点是不依赖于问题的梯度信息,适用于搜索复杂、多峰等难
recommend-type

在Spring AOP中,如何实现一个环绕通知并在方法执行前后插入自定义逻辑?

在Spring AOP中,环绕通知(Around Advice)是一种强大的通知类型,它在方法执行前后提供完全的控制,允许开发者在目标方法执行前后插入自定义逻辑。要实现环绕通知,你需要创建一个实现`org.aopalliance.intercept.MethodInterceptor`接口的类,并重写`invoke`方法。 参考资源链接:[Spring AOP:前置、后置、环绕通知深度解析](https://wenku.csdn.net/doc/1tvftjguwg?spm=1055.2569.3001.10343) 下面是一个环绕通知的实现示例,我们将通过Spring配置启用这个
recommend-type

Flutter状态管理新秀:sealed_flutter_bloc包整合seal_unions

资源摘要信息:"sealed_flutter_bloc是Flutter社区中一个新兴的状态管理工具,它的核心思想是通过集成sealed_unions库来实现更为严格和可预测的类型管理。在Flutter开发过程中,状态管理一直是一个关键且复杂的部分,sealed_flutter_bloc通过定义不可变的状态类型和清晰的转换逻辑,帮助开发者减少状态管理中的错误和增强代码的可维护性。" 知识点详解: 1. Flutter状态管理 Flutter作为Google开发的一个开源UI框架,主要用来构建跨平台的移动应用。在Flutter应用中,状态管理指的是控制界面如何响应用户操作以及后台数据变化的技术和实践。一个良好的状态管理方案应该能够提高代码的可读性、可维护性和可测试性。 2. sealed flutter bloc sealed flutter bloc是基于bloc(Business Logic Component)状态管理库的一个扩展,通过封装和简化状态管理逻辑,使得状态变化更加可控。Bloc库提供了一种在Flutter中实现反应式状态管理的方法,它依赖于事件(Events)和状态(States)的概念。 3. sealed_unions sealed_unions是一个Dart库,用于创建枚举类型的数据结构。在Flutter的状态管理中,状态(State)可以看作是一个枚举类型,它只有预定义的几个可能的值。通过sealed_unions,开发者可以创建不可变且完整的状态枚举,这有助于在编译时期就能确保所有可能的状态都已被考虑,从而减少运行时错误。 4. Union4Impl和扩展UnionNImpl 在给定的描述中,提到了扩展UnionNImpl,这可能是指sealed_unions库中的一个API。UnionNImpl是一个泛型类,它用于表示一个含有N个类型的状态容器。通过扩展UnionNImpl,开发者可以创建自己的状态类,例如在描述中出现的MyState类。这个类继承自Union4Impl,意味着它可以有四种不同的状态类型。 5. Dart编程语言 Dart是Flutter应用的编程语言,它是一种面向对象的、垃圾回收机制的编程语言。Dart的设计目标是可扩展性,它既适用于快速开发小型应用程序,也能够处理大型复杂项目。在Flutter状态管理中,Dart的强大类型系统是确保类型安全和状态不变性的重要基础。 6. Dart和Flutter的包(Package) Flutter包是Dart社区共享代码的主要方式,它们可以让开发者轻松地将第三方库集成到自己的项目中。sealed_flutter_bloc就是一个Dart/Flutter包,它通过封装了sealed_unions库,提供了一种更高级的状态管理实现方式。开发者可以通过包管理工具来安装、升级和管理项目依赖的Flutter包。 7. 代码示例解析 描述中提供的代码片段是MyState类的实现,它继承自Union4Impl类,并使用Quartet来定义四种可能的状态。MyState类中有两个工厂构造函数,一个用于创建初始状态(initial),另一个用于创建加载状态(loading)。这段代码展示了如何使用sealed flutter bloc来定义一个简单的状态管理结构,并通过构造函数来创建不同的状态实例。 总结来说,sealed_flutter_bloc通过集成sealed_unions提供了一种类型安全且结构清晰的状态管理方案。通过预定义的状态枚举和严格的状态转换规则,它能够帮助开发者构建更加健壮和易于维护的Flutter应用。这种状态管理方式尤其适用于中大型项目,能够有效避免运行时错误,提高代码的可读性和可维护性。
recommend-type

关系数据表示学习

关系数据卢多维奇·多斯桑托斯引用此版本:卢多维奇·多斯桑托斯。关系数据的表示学习机器学习[cs.LG]。皮埃尔和玛丽·居里大学-巴黎第六大学,2017年。英语。NNT:2017PA066480。电话:01803188HAL ID:电话:01803188https://theses.hal.science/tel-01803188提交日期:2018年HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaireUNIVERSITY PIERRE和 MARIE CURIE计算机科学、电信和电子学博士学院(巴黎)巴黎6号计算机科学实验室D八角形T HESIS关系数据表示学习作者:Ludovic DOS SAntos主管:Patrick GALLINARI联合主管:本杰明·P·伊沃瓦斯基为满足计算机科学博士学位的要求而提交的论文评审团成员:先生蒂埃里·A·退休记者先生尤尼斯·B·恩