基于从非平稳环境接收的查询重新组织的数据结构
adaptive-data-structures的Python项目详细描述
SLL上的自适应数据结构SLL
==
[![图像](https://img.shields.io/pypi/v/ads.svg)](https://pypi.org/project/adaptive-data-structures)[![图像](https://travis-ci.org/dvdbisong/adaptive-data-structures-slls-on-slls.svg?branch=master)(https://travis-ci.org/dvdbisong/adaptive-data-structures-slls-on-slls)[![文档
状态](https://readthedocs.org/projects/ads-ai/badge/?版本=最新](https://ads-ai.readthedocs.io/en/latest/?badge=latest)
本研究提出使用“自适应”数据结构(adss),从学习自动机(la)理论中调用强化学习方案。这些规则与选择的重新组织规则一起操作,以便在接收来自交互环境的查询时更新它们自己。这样一个过程的结果是与查询访问相关联的成本随后最小化。所考虑的环境是那些表现出所谓的“引用局部性”的环境,并且被称为非平稳环境(nses)。
数据“子”结构的层次结构用于在包含外部和子列表上下文的单链表上设计单链表(sll)。更可能一起访问的元素被分组在同一个子上下文中,当子列表本身通过重新组织策略“集体”移动到列表上下文的头部时,
环境。增强型对象迁移自动机(eoma)、追踪增强型对象迁移自动机(peoma)和传递性追踪增强型对象迁移自动机(tpeoma)分别被集成到层次slls中。由此产生的结果是目前在NSES中运行的自适应SLL的最新方法。
<;p align=“center”>;
<;img src=“/docs/images/thesis update.svg”align=“middle”alt=“learning automata model.”/>;
<;/p>;
==
[![图像](https://img.shields.io/pypi/v/ads.svg)](https://pypi.org/project/adaptive-data-structures)[![图像](https://travis-ci.org/dvdbisong/adaptive-data-structures-slls-on-slls.svg?branch=master)(https://travis-ci.org/dvdbisong/adaptive-data-structures-slls-on-slls)[![文档
状态](https://readthedocs.org/projects/ads-ai/badge/?版本=最新](https://ads-ai.readthedocs.io/en/latest/?badge=latest)
本研究提出使用“自适应”数据结构(adss),从学习自动机(la)理论中调用强化学习方案。这些规则与选择的重新组织规则一起操作,以便在接收来自交互环境的查询时更新它们自己。这样一个过程的结果是与查询访问相关联的成本随后最小化。所考虑的环境是那些表现出所谓的“引用局部性”的环境,并且被称为非平稳环境(nses)。
数据“子”结构的层次结构用于在包含外部和子列表上下文的单链表上设计单链表(sll)。更可能一起访问的元素被分组在同一个子上下文中,当子列表本身通过重新组织策略“集体”移动到列表上下文的头部时,
环境。增强型对象迁移自动机(eoma)、追踪增强型对象迁移自动机(peoma)和传递性追踪增强型对象迁移自动机(tpeoma)分别被集成到层次slls中。由此产生的结果是目前在NSES中运行的自适应SLL的最新方法。
<;p align=“center”>;
<;img src=“/docs/images/thesis update.svg”align=“middle”alt=“learning automata model.”/>;
<;/p>;