集成電路規(guī)模的擴(kuò)展以及計算機(jī)體系架構(gòu)從單核系統(tǒng)到多核系統(tǒng)的演進(jìn)，共同推動了處理能力的大幅提升，迅速將片上聚合帶寬擴(kuò)展到了太比特／秒量級，因此，須相應(yīng)地提高芯片間的數(shù)據(jù)傳輸量，使其不會限制整個系統(tǒng)的性能。提高芯片間通信帶寬的兩種常規(guī)方法包括提高每通道數(shù)據(jù)速率以及I/O數(shù)量�！陡咚俟庾踊ミB》討論了與擴(kuò)展I/O數(shù)據(jù)速率相關(guān)的挑戰(zhàn)以及當(dāng)前的設(shè)計技術(shù)，描述了主要的高速組件、通道特性和性能指標(biāo)。 不斷增長酌芯片間通信帶寬需求促使人們研究使用光互連架構(gòu)來取代通道受限的電子學(xué)互連架構(gòu)。光互連以其低至可忽略的頻

本書分模糊計算、神經(jīng)計算、進(jìn)化計算和群智能計算4個單元，介紹了目前常用智能計算方法的概念、原理、模型及其典型應(yīng)用實例。

本書將研究簡潔式群智能算法，在傳統(tǒng)群智能計算算法的基礎(chǔ)上，改進(jìn)現(xiàn)有的群智能計算優(yōu)化算法，讓原有的算法中融入新的數(shù)學(xué)方法和思路；設(shè)計新的簡潔式智能優(yōu)化算法，并采用結(jié)合搜索方法來提高算法的收斂效率，減少其對計算機(jī)硬件資源的依賴，達(dá)到同樣或者更好的優(yōu)化結(jié)果。本文將從減少計算量和節(jié)約運(yùn)行空間兩個角度來設(shè)計和實現(xiàn)整個課題。

個性化推薦在實際應(yīng)用中存在小樣本、高維度和非線性等問題。鑒于以上問題，本書提出了基于支持向量機(jī)的個性化推薦方法，實現(xiàn)對項目的內(nèi)容信息以及用戶行為信息的綜合分析與挖掘。針對傳統(tǒng)的協(xié)同過濾推薦方法存在相似度計算方式單一，不易利用項目的內(nèi)容信息和冷啟動等問題，提出了利用支持向量分類機(jī)方法來代替?zhèn)鹘y(tǒng)的相似度計算，不僅考慮了用戶的行為信息，而且也利用了項目的內(nèi)容信息和用戶的人口統(tǒng)計學(xué)信息。同時，利用帶收縮因子的動態(tài)慣性權(quán)重自適應(yīng)粒子群優(yōu)化算法對支持向量分類機(jī)的參數(shù)進(jìn)行優(yōu)化，以期提高推薦模型的準(zhǔn)確率。針對實