Уважаемые коллеги, доброго времени суток! Представляем вам британское научное издание Journal of Algorithms and Computational Technology. Журнал имеет третий квартиль, издаётся в SAGE Publications Inc., находится в открытом доступе, его SJR за 2021 г. равен 0,305, печатный ISSN - 1748-3018, электронный - 1748-3026, предметные области - Численный анализ, Информатика, Компьютерные науки, Вычислительная математика, Прикладная математика. Вот так выглядит обложка:
Редактором является Чой Хенг Лай, контактные данные - c.h.lai@gre.ac.uk.
Это рецензируемый журнал открытого доступа, обслуживающий междисциплинарное сообщество исследователей как из академических кругов, так и из промышленности. К публикации принимаются оригинальные исследовательские работы, описывающие математические методы, численные методы и вычислительные технологии при разработке инженерных решений и / или вычислительном анализе, касающиеся широкого круга промышленных проблем, возникающих из биомедицинских наук, экономики, инженерии, финансов, наук о жизни, медицинской биологии и естественных наук. Журнал принципиально отличается от других изданий по численному анализу, вычислительному анализу и алгоритмам. Прием работ оценивается по использованию математических методов и / или инженерной методологии при вычислительном анализе и моделировании сложных промышленных и реальных задач в вышеуказанных областях. Статьи, описывающие тщательно протестированные вычислительные методы, включая визуализацию постобработки, для реальных задач, приветствуются на основе вышеуказанных критериев. Статьи, связанные с численным или математическим анализом, должны основываться на приложениях с промышленными и реальными проблемами или их упрощенных версиях. Также приветствуются более длинные статьи, посвященные недавнему прогрессу в области вычислительных технологий и алгоритмов.
Адрес издания - https://journals.sagepub.com/home/act
Пример статьи, название - Using data-mining techniques to improve combinatorial optimization algorithms. Заголовок (Abstract) - In this work, we show how data-mining can be used to cluster algorithmic generated data and use that data to improve algorithms that solve combinatorial optimization problems for a real-world application—the field-programmable gate array placement problem. Our methodology is a means for other algorithm engineers to improve their own algorithms for specific real-world problems that are hard to improve. In our case, the placement algorithms are difficult to improve, and to find better heuristics we analyze the results of placement solutions to find clustered information which can then be used to improve the algorithms. Specifically, we show a technique for gathering cluster information about placement, we create a new simulated annealing algorithm and a new genetic algorithm that can deal with a mixed granularity of placement objects on a virtual field-programmable gate array, and we show that these algorithms either execute faster or improve the overall quality of solution compared to their basic algorithm without this clustering data and improved heuristics. For our improved simulated annealing placer we improve the algorithms run-time by 17% across a range of benchmarks, and our genetic algorithm improves placement metrics—-critical path by 10% and channel-width by 4%. Keywords: Clustering, heuristic, genetic algorithm, simulated annealing, field-programmable gate array placement
