NAG Обновляет библиотеку C


Группа численных алгоритмов (NAG) объявила о крупном обновлении своей библиотеки числовых подпрограмм для программистов на языках C и C++, включая новые оптимизаторы.

Математические и статистические процедуры в библиотеке NAG C могут использоваться в различных языках программирования, средах и операционных системах, включая Excel, Java и Microsoft .NET.

Новая функциональность Mark 23 библиотеки NAG C доводит общее количество подпрограмм до 1452. В нем также есть две совершенно новые главы плюс расширения в области статистики, нелинейных уравнений, вейвлет-преобразований, обыкновенных дифференциальных уравнений, интерполяции, подгонки поверхности, оптимизации, матричных операций, линейной алгебры, крупномасштабных линейных систем и специальных функций.

Библиотека C теперь имеет несколько новых матричных функций: матричная экспонента и функции симметричных/эрмитовых матриц, матричный логарифм, матричный синус, матричный косинус, гиперболический матричный синус, гиперболический матричный косинус для вещественных и комплексных матриц.

Его ближайшая функциональность корреляционной матрицы была расширена, чтобы включить функции для структуры k-фактора и весов и границ элементов матрицы.

Одним из полезных улучшений, которые не широко доступны в других местах, является функция пропуска вперед для генератора случайных чисел Mersenne Twister, быстрого генератора с чрезвычайно длительным периодом.

Недавно добавленный генератор случайных чисел L’Ecuyer объединяет два рекурсивных генератора, чтобы обеспечить последовательность с хорошими статистическими свойствами и длительным периодом.

Добавлены новые функции для интерполяции четырех – и пятимерных данных. Также были введены функции для двумерных дискретных вейвлет-преобразований; это важные инструменты, часто используемые для обработки изображений.

Две новые функции линейной квантильной регрессии s дополняют широкий спектр методов регрессии, уже доступных в библиотеках NAG.

Существует четыре новых метода оптимизации:  Две новые функции оптимизации с несколькими запусками еще больше расширяют охват глобальной оптимизации NAG; минимизация с помощью квадратичной аппроксимации (BOBYQA) особенно полезна для зашумленных функций, а стохастическая глобальная оптимизация с использованием оптимизации роя частиц (PSO) является одним из наиболее хорошо зарекомендовавших себя стохастических подходов, применяемых к этой глобальной оптимизации.


Добавить комментарий