- DeepSeek解读道德经 第五十九章
cal_
道德经道德经
一、原文与译文原文：治人事天，莫若啬。夫唯啬，是谓早服；早服谓之重积德；重积德则无不克；无不克则莫知其极；莫知其极，可以有国；有国之母，可以长久。是谓深根固柢，长生久视之道。译文：治理百姓侍奉天道，没有比珍爱能量更重要的。唯有珍惜能量，才叫早作准备；早作准备就是厚积德性；厚积德性则无往不胜；无往不胜则力量无穷；力量无穷便可守护国家；掌握治国根本，方能长久延续。这便是根深柢固、长生久存之道。二、核心
- 使用 Python 制作华夫饼图进行同类型指标比较
追逐程序梦想者
pythonmatplotlib开发语言
使用Python制作华夫饼图进行同类型指标比较华夫饼图（WaffleChart）是一种用于展示数据比例的可视化方式。与传统的饼图相比，华夫饼图更加直观地展示了不同部分的占比情况。在同类型指标的比较中，华夫饼图也是一种非常有用的工具。在Python中，我们可以使用matplotlib库来制作华夫饼图。下面是一个简单的例子：importmatplotlib.pyplotaspltimportnumpy
- 用Python绘制华夫饼图（Waffle Chart）是一种简便的方法来显示分类变量。这篇文章将介绍如何使用不同的分类变量来可视化华夫饼图。
后端工程架构大师傅
python分类开发语言
用Python绘制华夫饼图（WaffleChart）是一种简便的方法来显示分类变量。这篇文章将介绍如何使用不同的分类变量来可视化华夫饼图。首先，我们需要安装waffle包，它是一个使用Python绘制华夫饼图的包。我们使用pip命令可以轻松安装它：!pipinstallpywaffle然后，我们导入必要的库：importmatplotlib.pyplotaspltfrompywaffleimpor
- 《扩散模型：AI图像生成革命背后的魔法》
Liudef06小白
人工智能人工智能
文章目录摘要引言一、扩散模型的基本概念与发展历程二、扩散模型的数学原理与工作机制三、扩散模型在图像生成中的革命性突破四、扩散模型面临的挑战与未来发展方向五、结论摘要本文系统阐述了扩散模型在AI图像生成领域的革命性作用及其核心原理。首先，梳理了扩散模型的基本概念、发展脉络及其相较于GANs、VAEs等传统生成模型的优势。其次，深入解析了其基于马尔可夫链和变分推断的数学基础，以及前向扩散/反向生成的核
- 隐马尔可夫模型（HMM）：观测背后的状态解码艺术
大千AI助手
人工智能Python#OTHER数据挖掘人工智能机器学习算法HMM马尔科夫概率论
本文由「大千AI助手」原创发布，专注用真话讲AI，回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我，一起撕掉过度包装，学习真实的AI技术！一、核心概念：双重随机过程隐马尔可夫模型（HiddenMarkovModel,HMM）是一种通过可观测序列推断隐含状态序列的概率图模型，包含两个核心随机过程：隐含状态链：不可观测的马尔可夫过程${q_t}$P(qt∣qt−1,qt−2,…,q1)=P(
- PageRank：互联网的马尔可夫链平衡态
大千AI助手
人工智能Python#OTHER人工智能机器学习条件概率贝叶斯PageRank马尔科夫链MC
本文由「大千AI助手」原创发布，专注用真话讲AI，回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我，一起撕掉过度包装，学习真实的AI技术！PageRank算法本质上是一个在网页图上定义的离散时间马尔可夫链（DTMC），其核心思想是将网页间的链接关系转化为状态转移概率。以下是详细分析：一、马尔可夫链的核心要素在PageRank中的体现马尔可夫链要素PageRank对应数学描述状态空间网页集
- MCMC：高维概率采样的“随机游走”艺术
大千AI助手
人工智能Python#OTHER人工智能数据挖掘机器学习算法MCMC马尔科夫概率论
MCMC（马尔可夫链蒙特卡洛）是一种从复杂概率分布中高效采样的核心算法，它解决了传统采样方法在高维空间中的“维度灾难”问题。以下是其技术本质、关键算法及实践的深度解析：本文由「大千AI助手」原创发布，专注用真话讲AI，回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我，一起撕掉过度包装，学习真实的AI技术！一、MCMC要解决的核心问题目标：从目标分布(π(x)\pi(\mathbf{x})
- 从“电话催维修“到“手机看进度“——售后服务系统开发如何重构客户体验
哲科软件
智能手机重构大数据
面向服务智能化升级的关键期，售后服务体验已成企业核心竞争力。当客户面临家电故障时，"报修流程繁琐""进度不透明""备件延迟"等问题常让体验雪上加霜。软件开发团队需思考：如何通过售后服务系统开发将焦虑等待转化为"一键报修、实时进度"的省心体验？实践表明，解决这些痛点正是赢得客户信赖的关键。一、客户痛点：传统售后服务的三大"顽疾"在与数百名家电用户的深度访谈中，我们发现三个反复被提及的高频痛点：报修流
- 基于YOLOv8深度学习架构的智能农业巡检小车系统—面向农作物与杂草实时精准识别的创新实践
1.科技赋能智慧农业随着全球人口的持续增长和农业生产面临的挑战，精准农业已成为现代农业发展的必然趋势。其中，农作物与杂草的精准识别是实现自动化、智能化管理的关键一环。传统的人工除草效率低下，化学除草则可能带来环境问题。因此，开发高效、精准、环保的智能农业系统迫在眉睫。本文将深入探讨一款基于深度学习和智能硬件集成的农田作业智能小车系统。我们将重点聚焦于其硬件系统设计、软件系统架构、核心算法创新(特别
- 马尔可夫链：随机过程的记忆法则与演化密码
大千AI助手
人工智能Python#OTHERpython人工智能马尔科夫链MC算法随机过程
本文由「大千AI助手」原创发布，专注用真话讲AI，回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我，一起撕掉过度包装，学习真实的AI技术！一、核心定义：无记忆的随机演化马尔可夫链（MarkovChain）是一种具有马尔可夫性质的离散随机过程，其核心特征是：未来状态仅取决于当前状态，与历史路径无关数学表述：[P(Xt+1=xt+1∣Xt=xt,Xt−1=xt−1,…,X0=x0)=P(Xt
- 逻辑卷的创建和扩容linux
suijishengchengde
linux运维服务器
--创建逻辑卷1、lsblk、blkid查看磁盘是否可以正常显示2、制作物理卷，pvcreate/dev/sdb--如果需要磁盘分区，MBR（2T以下）方式，可以使用fdisk命令n#创建新分区p#选择主分区（e扩展分区）#选择分区号（如果需要）#指定起始位置#指定分区大小w#保存更改并退出--也可以使用GPT（2T以上）方式使用gdisk命令，方法同fdisk--还可以用parted命令sudo
- 隐马尔可夫模型：语音识别系统的时序解码引擎
大千AI助手
人工智能Python#OTHER语音识别人工智能机器学习概率马尔科夫链HMM
本文由「大千AI助手」原创发布，专注用真话讲AI，回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我，一起撕掉过度包装，学习真实的AI技术！1HMM与语音识别的理论基础隐马尔可夫模型（HMM）作为一种双重随机过程的统计模型，其核心在于描述一个包含隐含状态的马尔可夫链，以及这些状态生成可观测输出的概率分布。在语音识别领域，HMM的时序建模能力与语音信号的特性形成了完美契合：隐含状态：对应语音
- 森林的智慧：随机森林与集成学习的民主之道
田园Coder
人工智能科普人工智能科普
当约阿夫·弗罗因德和罗伯特·沙皮尔提出的AdaBoost算法在90年代末期以其强大的预测精度震惊机器学习界，展示了“团结弱者为强者”的集成魅力时，另一种集成思想也在悄然孕育。这种思想同样信奉“众人拾柴火焰高”，但走的是一条与AdaBoost截然不同的路径：它不执着于反复调整数据权重去“关注”被前序模型分错的困难样本，而是致力于创造尽可能多样化的模型，然后让这些模型平等地投票。它的核心哲学是：如果每
- 农业生产的智能管家：物联网助力科学种植养殖
蓝蜂物联网
物联网信息可视化运维制造云计算
农业生产长期面临着自然环境多变、生产管理粗放、资源利用效率低等难题。农户在种植养殖过程中，往往依靠经验进行决策，难以精准把握作物生长需求和动物生长规律，导致农产品产量不稳定、品质参差不齐，养殖效益难以提升。随着物联网技术在农业领域的深入应用，农业生产迎来了智能化转型的契机，蓝蜂的物联网解决方案犹如智能管家，为农业生产提供全方位的智慧服务。在种植领域，蓝蜂的农田监测系统堪称作物生长的“守护者”。通过
- 基于迁移学习的ResNet50模型实现石榴病害数据集多分类图片预测
深度学习乐园
深度学习实战项目迁移学习分类人工智能
完整源码项目包获取→点击文章末尾名片！番石榴病害数据集背景描述番石榴（Psidiumguajava）是南亚的主要作物，尤其是在孟加拉国。它富含维生素C和纤维，支持区域经济和营养。不幸的是，番石榴生产受到降低产量的疾病的威胁。该数据集旨在帮助开发用于番石榴果实早期病害检测的机器学习模型，帮助保护收成并减少经济损失。数据说明该数据集包括473张番石榴果实的注释图像，分为三类。图像经过预处理步骤，例如钝
- 基于灰色马尔科夫模型预测人口数量，是一种结合灰色系统理论（处理少数据、不确定性）与马尔科夫链（描述随机波动）的融合预测方法
利用灰色模型捕捉人口变化的总体趋势，再通过马尔科夫链修正因随机因素导致的预测偏差，从而提高预测精度。一、模型理论基础灰色系统理论原理（核心：处理少数据、部分信息未知的系统）差异信息原理：系统内外的差异是信息源，人口数据的时间序列差异蕴含变化规律。解的非唯一性原理：信息不完全时，预测结果存在多个可能区间（与马尔科夫状态划分契合）。最小信息原理：仅需少量历史数据（通常≥4个）即可建模，适合人口统计资料
- 解析AI算力网络与通信领域强化学习的算法
AI算力网络与通信
AI人工智能与大数据技术AI算力网络与通信原理AI人工智能大数据架构人工智能网络算法ai
解析AI算力网络与通信领域强化学习的算法：从"快递员找路"到"智能网络大脑"关键词：AI算力网络、通信领域、强化学习、马尔可夫决策、资源调度摘要：本文将用"快递物流系统"的类比，带您理解AI算力网络与通信领域如何通过强化学习实现智能决策。我们会从核心概念讲起，逐步拆解强化学习在网络资源调度中的算法原理，结合Python代码实战，最后探索其在5G/6G、边缘计算等场景的应用。即使您没学过复杂数学，也
- 基于分布式部分可观测马尔可夫决策过程与联邦强化学习的低空经济智能协同决策框架
pk_xz123456
算法无人机分布式算法matlab人工智能制造开发语言
基于分布式部分可观测马尔可夫决策过程与联邦强化学习的低空经济智能协同决策框架摘要：低空经济作为新兴战略产业，其核心场景（如无人机物流、城市空中交通、低空监测）普遍面临环境动态性强、个体观测受限、数据隐私敏感及多智能体协同复杂等挑战。本文创新性地提出一种深度融合分布式部分可观测马尔可夫决策过程（Dec-POMDP）与联邦强化学习（FederatedReinforcementLearning,FRL）
- 向商界大佬一样管理技术工作 - 以团队换将+技术重构为例
刀总
重构数据库
背景我们虚拟一个背景:你是一个技术团队Leader,近期正在主导"去IOE","国产替代","信创"等技术重构工作.但是在紧要关头,一名下属因不可抗力离职,并且因为之前"开源节流",其所负责部分技术无备岗.这时候,我们就需要请出诸位著名的商界大佬杰夫·贝索斯、沃伦·巴菲特、查理·芒格作为器灵进行护法和加持.结合技术运维场景，建议从以下优先级行动：Notes:假设原系统为:ASystem,切换后系统
- OpenLayers 计算GeoTIFF影像NDVI
GIS之路
OpenLayersWebGIS前端信息可视化
前言NDVI（NormalizedDifferenceVegetationIndex）即归一化植被指数，是反应农作物长势和营养信息的重要参数之一，用于监测植物生长状态、植被覆盖度和消除部分辐射误差。其值在[-1,1]之间，-1表示可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且值越大，表明植被覆盖度越高。计算公式：NDVI=（NIR-RED）/(NIR+RED)1.
- PHP：Web 开发领域的常青树
互联网动态分析
php
在当今数字化浪潮中，Web开发技术层出不穷，各种新兴语言和框架不断涌现。然而，PHP作为一种历史悠久的服务器端脚本语言，依然在Web开发领域占据着重要地位，展现出强大的生命力和独特的优势。PHP的历史与现状PHP诞生于1994年，由拉斯姆斯·勒多夫（RasmusLerdorf）最初创建，最初只是用于个人主页管理。随着时间推移，它不断发展壮大，功能日益丰富。如今，PHP已经成为全球最流行的Web开发
- 论文笔记 ＜交通灯＞＜多智能体＞CoLight管理交通灯
青椒大仙KI11
论文阅读
今天看的是论文Colight:学习网络级合作进行交通信号控制论文提出的CoLight模型是一种基于强化学习和图注意力网络的交通信号灯控制方法，旨在解决城市道路网络中的交通信号的写作问题，提升车辆通行效率。问题定义为：将交通信号控制问题建模为马尔可夫博弈，每个路口由一个智能体控制，智能体通过观察部分系统状态（当前相位和各车道车辆数），选择动作（下一时间段的相位），目标是最小化路口周围车道的平均队列长
- 大数定律与中心极限定理：概率论的双子星
Algo-hx
概率论与数理统计概率论
目录引言5大数定律与中心极限定理5.1大数定律：频率的稳定性5.1.1辛钦大数定律定理内容5.1.2伯努利大数定律定理内容5.1.3切比雪夫大数定律定理内容对比总结表5.2中心极限定理：正态分布的普适性5.2.1独立同分布情形定理内容图释5.2.2李雅普诺夫定理定理内容核心思想图释5.2.3棣莫弗-拉普拉斯定理定理内容应用条件图释对比总结表5.3定理对比：LLNvsCLT引言当随机现象的个体行为无
- 挑战杯应用赛道
万能小贤哥
深度学习人工智能python服务器
农作物病虫害智能监测系统：AI赋能农业，守护绿色粮仓在乡村振兴与农业现代化发展的时代背景下，农作物病虫害防治是保障粮食安全、推动农业可持续发展的关键环节。传统人工巡检效率低、误判率高，难以满足现代农业规模化、精细化的生产需求。农作物病虫害智能监测系统应运而生，依托人工智能、物联网与大数据技术，打造“监测-诊断-预警-防治”一体化解决方案，为农业生产装上智能“千里眼”与“智慧脑”，在挑战杯应用赛道中
- 强化学习-K臂老虎机
强化学习强化学习（ReinforcementLearning，RL）是一种机器学习方法，强化学习的基础框架是马尔可夫决策过程，它允许智能体（Agent）能够在与环境（Environment）的交互中通过试错来学习最优策略。智能体在环境中执行行动（Action），并根据行动的结果接收反馈，即奖励（Reward）。这些奖励信号指导智能体调整其策略，以最大化长期累积奖励。强化学习的核心是价值函数（Val
- 【人工智能】机器学习中的隐马尔可夫模型（Python源码）
干了这一碗BUG
人工智能机器学习python马尔可夫深度学习
目录隐马尔可夫模型(HMM)在数据处理中的应用模型概述模型组成算法实现步骤Python实现示例1.天气预报步骤1：导入所需的库步骤2：定义模型参数步骤3：创建隐马尔可夫模型（HMM）的实例并设置模型参数步骤4：定义一个观测序列步骤5：预测最有可能的隐藏状态序列步骤6：解码观测序列步骤7：绘制结果示例2：使用隐马尔可夫模型（HMM）进行语音识别模型参数定义如下：实现步骤：Python源码隐马尔可夫模
- （1-2）强化学习的理论基础：马尔可夫决策过程
码农三叔
强化学习从入门到实践人工智能大模型强化学习马尔可夫决策过程
1.3强化学习的理论基础：马尔可夫决策过程强化学习的理论基础是马尔可夫决策过程（MarkovDecisionProcess，MDP）。MDP是一种数学模型，用于描述智能体在随机环境中进行决策的动态系统。它通过状态、动作、转移概率和奖励等元素，为强化学习提供了一个严谨的框架。1.3.1MDP的概念和定义马尔可夫决策过程（MarkovDecisionProcess，简称MDP）是强化学习的重要基石，它
- Kafka Schema介绍
大数据AI
大数据企业级实战大数据从入门到精通kafkaSchema
Avro概述简介ApacheAvro（以下简称Avro，读音：阿夫罗）是一个数据序列化系统，是一种与编程语言无关的序列化格式，是提供一种共享数据文件的方式。Avro是Hadoop中的一个子项目，Avro是一个基于二进制数据传输高性能的中间件。Avro可以做到将数据进行序列化，适用于远程或本地大批量数据交互。在传输的过程中Avro对数据二进制序列化后节约数据存储空间和网络传输带宽。序列化就是将对象转
- 《论三生原理》中高阶文明与现阶段人类文明的区别？
葫三生
三生学派算法人工智能机器学习量子计算开发语言
AI辅助创作：《论三生原理》提出的“类高阶文明”概念，超越了传统卡尔达肖夫指数对文明等级的单一能源标准，而是融合技术、文化、哲学三维范式重构，与当前人类文明形成本质差异。以下结合理论内核与搜索结果，从四维度展开对比分析：一、技术维度：从机械计算到生态计算能量操控的质变人类文明（0.73级）仍受限于化石能源与核裂变技术，而高阶文明通过解码《周易》“三生万物”哲学，构建分形递归算法，实现能量传递的拓扑
- 【六月限时福利】夏日好时光，签到享惊喜！—— 立即开启专属福利
WPG大大通
其他大大通活动
亲爱的工程师伙伴们，夏日炎炎，福利满满！大大通邀您共赴六月福利之约，开启一场狂欢盛宴！活动期间，只要参与签到，就能解锁多张京东E卡。这个六月，让我们一起在大大通收获福利，享受夏日的美好！不要错过这场福利狂欢，记得按时签到哦！参与方式：点击此处前往在原博文下面进行签到评论，评论内容不限，只要留下足迹即表示参与成功！抽奖方式：本着公平公正的原则，使用抽奖小工具随机抽取。活动须知：1.每个ID每天签到一
- 戴尔笔记本win8系统改装win7系统
sophia天雪
win7戴尔改装系统win8
戴尔win8 系统改装win7 系统详述
第一步：使用U盘制作虚拟光驱：
1）下载安装UltraISO：注册码可以在网上搜索。
2）启动UltraISO，点击“文件”—》“打开”按钮，打开已经准备好的ISO镜像文
- BeanUtils.copyProperties使用笔记
bylijinnan
java
BeanUtils.copyProperties VS PropertyUtils.copyProperties
两者最大的区别是：
BeanUtils.copyProperties会进行类型转换，而PropertyUtils.copyProperties不会。
既然进行了类型转换，那BeanUtils.copyProperties的速度比不上PropertyUtils.copyProp
- MyEclipse中文乱码问题
0624chenhong
MyEclipse
一、设置新建常见文件的默认编码格式，也就是文件保存的格式。
在不对MyEclipse进行设置的时候，默认保存文件的编码，一般跟简体中文操作系统（如windows2000，windowsXP）的编码一致，即GBK。
在简体中文系统下，ANSI 编码代表 GBK编码;在日文操作系统下，ANSI 编码代表 JIS 编码。
Window-->Preferences-->General -
- 发送邮件
不懂事的小屁孩
send email
import org.apache.commons.mail.EmailAttachment;
import org.apache.commons.mail.EmailException;
import org.apache.commons.mail.HtmlEmail;
import org.apache.commons.mail.MultiPartEmail;
- 动画合集
换个号韩国红果果
htmlcss
动画 指一种样式变为另一种样式 keyframes应当始终定义0 100 过程
1 transition 制作鼠标滑过图片时的放大效果
css
.wrap{
width: 340px;height: 340px;
position: absolute;
top: 30%;
left: 20%;
overflow: hidden;
bor
- 网络最常见的攻击方式竟然是SQL注入
蓝儿唯美
sql注入
NTT研究表明，尽管SQL注入（SQLi）型攻击记录详尽且为人熟知，但目前网络应用程序仍然是SQLi攻击的重灾区。
信息安全和风险管理公司NTTCom Security发布的《2015全球智能威胁风险报告》表明，目前黑客攻击网络应用程序方式中最流行的，要数SQLi攻击。报告对去年发生的60亿攻击 行为进行分析，指出SQLi攻击是最常见的网络应用程序攻击方式。全球网络应用程序攻击中，SQLi攻击占
- java笔记2
a-john
java
类的封装：
1，java中，对象就是一个封装体。封装是把对象的属性和服务结合成一个独立的的单位。并尽可能隐藏对象的内部细节（尤其是私有数据）
2，目的：使对象以外的部分不能随意存取对象的内部数据（如属性），从而使软件错误能够局部化，减少差错和排错的难度。
3，简单来说，“隐藏属性、方法或实现细节的过程”称为——封装。
4，封装的特性：
4.1设置
- [Andengine]Error：can't creat bitmap form path “gfx/xxx.xxx”
aijuans
学习Android遇到的错误
最开始遇到这个错误是很早以前了，以前也没注意，只当是一个不理解的bug，因为所有的texture，textureregion都没有问题，但是就是提示错误。
昨天和美工要图片，本来是要背景透明的png格式，可是她却给了我一个jpg的。说明了之后她说没法改，因为没有png这个保存选项。
我就看了一下，和她要了psd的文件，还好我有一点
- 自己写的一个繁体到简体的转换程序
asialee
java转换繁体filter简体
今天调研一个任务，基于java的filter实现繁体到简体的转换，于是写了一个demo，给各位博友奉上，欢迎批评指正。
实现的思路是重载request的调取参数的几个方法，然后做下转换。
- android意图和意图监听器技术
百合不是茶
android显示意图隐式意图意图监听器
Intent是在activity之间传递数据;Intent的传递分为显示传递和隐式传递
显式意图：调用Intent.setComponent() 或 Intent.setClassName() 或 Intent.setClass()方法明确指定了组件名的Intent为显式意图，显式意图明确指定了Intent应该传递给哪个组件。
隐式意图;不指明调用的名称,根据设
- spring3中新增的@value注解
bijian1013
javaspring@Value
在spring 3.0中，可以通过使用@value，对一些如xxx.properties文件中的文件，进行键值对的注入，例子如下：
1.首先在applicationContext.xml中加入：
<beans xmlns="http://www.springframework.
- Jboss启用CXF日志
sunjing
logjbossCXF
1. 在standalone.xml配置文件中添加system-properties：
<system-properties> <property name="org.apache.cxf.logging.enabled" value=&
- 【Hadoop三】Centos7_x86_64部署Hadoop集群之编译Hadoop源代码
bit1129
centos
编译必需的软件
Firebugs3.0.0
Maven3.2.3
Ant
JDK1.7.0_67
protobuf-2.5.0
Hadoop 2.5.2源码包
Firebugs3.0.0
http://sourceforge.jp/projects/sfnet_findbug
- struts2验证框架的使用和扩展
白糖_
框架xmlbeanstruts正则表达式
struts2能够对前台提交的表单数据进行输入有效性校验，通常有两种方式：
1、在Action类中通过validatexx方法验证，这种方式很简单，在此不再赘述；
2、通过编写xx-validation.xml文件执行表单验证，当用户提交表单请求后，struts会优先执行xml文件，如果校验不通过是不会让请求访问指定action的。
本文介绍一下struts2通过xml文件进行校验的方法并说
- 记录-感悟
braveCS
感悟
再翻翻以前写的感悟，有时会发现自己很幼稚，也会让自己找回初心。
2015-1-11 1. 能在工作之余学习感兴趣的东西已经很幸福了；
2. 要改变自己，不能这样一直在原来区域，要突破安全区舒适区，才能提高自己，往好的方面发展；
3. 多反省多思考；要会用工具，而不是变成工具的奴隶；
4. 一天内集中一个定长时间段看最新资讯和偏流式博
- 编程之美-数组中最长递增子序列
bylijinnan
编程之美
import java.util.Arrays;
import java.util.Random;
public class LongestAccendingSubSequence {
/**
* 编程之美 数组中最长递增子序列
* 书上的解法容易理解
* 另一方法书上没有提到的是，可以将数组排序（由小到大）得到新的数组，
* 然后求排序后的数组与原数
- 读书笔记5
chengxuyuancsdn
重复提交struts2的token验证
1、重复提交
2、struts2的token验证
3、用response返回xml时的注意
1、重复提交
(1)应用场景
(1-1)点击提交按钮两次。
(1-2)使用浏览器后退按钮重复之前的操作，导致重复提交表单。
(1-3)刷新页面
(1-4)使用浏览器历史记录重复提交表单。
(1-5)浏览器重复的 HTTP 请求。
(2)解决方法
(2-1)禁掉提交按钮
(2-2)
- [时空与探索]全球联合进行第二次费城实验的可能性
comsci
二次世界大战前后,由爱因斯坦参加的一次在海军舰艇上进行的物理学实验 -费城实验
至今给我们大家留下很多迷团.....
关于费城实验的详细过程,大家可以在网络上搜索一下,我这里就不详细描述了
在这里,我的意思是,现在
- easy connect 之 ORA-12154: TNS: 无法解析指定的连接标识符
daizj
oracleORA-12154
用easy connect连接出现“tns无法解析指定的连接标示符”的错误，如下：
C:\Users\Administrator>sqlplus username/
[email protected]:1521/orcl
SQL*Plus: Release 10.2.0.1.0 – Production on 星期一 5月 21 18:16:20 2012
Copyright (c) 198
- 简单排序:归并排序
dieslrae
归并排序
public void mergeSort(int[] array){
int temp = array.length/2;
if(temp == 0){
return;
}
int[] a = new int[temp];
int
- C语言中字符串的\0和空格
dcj3sjt126com
c
\0 为字符串结束符，比如说：
abcd (空格)cdefg；
存入数组时，空格作为一个字符占有一个字节的空间，我们
- 解决Composer国内速度慢的办法
dcj3sjt126com
Composer
用法：
有两种方式启用本镜像服务：
1 将以下配置信息添加到 Composer 的配置文件 config.json 中（系统全局配置）。见“例1”
2 将以下配置信息添加到你的项目的 composer.json 文件中（针对单个项目配置）。见“例2”
为了避免安装包的时候都要执行两次查询，切记要添加禁用 packagist 的设置，如下 1 2 3 4 5
- 高效可伸缩的结果缓存
shuizhaosi888
高效可伸缩的结果缓存
/**
* 要执行的算法，返回结果v
*/
public interface Computable<A, V> {
public V comput(final A arg);
}
/**
* 用于缓存数据
*/
public class Memoizer<A, V> implements Computable<A,
- 三点定位的算法
haoningabc
c算法
三点定位，
已知a,b,c三个顶点的x,y坐标
和三个点都z坐标的距离，la，lb,lc
求z点的坐标
原理就是围绕a,b,c 三个点画圆，三个圆焦点的部分就是所求
但是，由于三个点的距离可能不准，不一定会有结果，
所以是三个圆环的焦点，环的宽度开始为0，没有取到则加1
运行
gcc -lm test.c
test.c代码如下
#include "stdi
- epoll使用详解
jimmee
clinux服务端编程epoll
epoll - I/O event notification facility在linux的网络编程中，很长的时间都在使用select来做事件触发。在linux新的内核中，有了一种替换它的机制，就是epoll。相比于select，epoll最大的好处在于它不会随着监听fd数目的增长而降低效率。因为在内核中的select实现中，它是采用轮询来处理的，轮询的fd数目越多，自然耗时越多。并且，在linu
- Hibernate对Enum的映射的基本使用方法
linzx0212
enumHibernate
枚举
/**
* 性别枚举
*/
public enum Gender {
MALE(0), FEMALE(1), OTHER(2);
private Gender(int i) {
this.i = i;
}
private int i;
public int getI
- 第10章 高级事件（下）
onestopweb
事件
index.html
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/
- 孙子兵法
roadrunners
孙子兵法
始计第一
孙子曰：
兵者，国之大事，死生之地，存亡之道，不可不察也。
故经之以五事，校之以计，而索其情：一曰道，二曰天，三曰地，四曰将，五
曰法。道者，令民于上同意，可与之死，可与之生，而不危也；天者，阴阳、寒暑
、时制也；地者，远近、险易、广狭、死生也；将者，智、信、仁、勇、严也；法
者，曲制、官道、主用也。凡此五者，将莫不闻，知之者胜，不知之者不胜。故校
之以计，而索其情，曰
- MySQL双向复制
tomcat_oracle
mysql
本文包括:
主机配置
从机配置
建立主-从复制
建立双向复制
背景
按照以下简单的步骤:
参考一下：
在机器A配置主机(192.168.1.30)
在机器B配置从机(192.168.1.29)
我们可以使用下面的步骤来实现这一点
步骤1：机器A设置主机
在主机中打开配置文件 ,
- zoj 3822 Domination(dp)
阿尔萨斯
Mina
题目链接：zoj 3822 Domination
题目大意：给定一个N∗M的棋盘，每次任选一个位置放置一枚棋子，直到每行每列上都至少有一枚棋子，问放置棋子个数的期望。
解题思路：大白书上概率那一张有一道类似的题目，但是因为时间比较久了，还是稍微想了一下。dp[i][j][k]表示i行j列上均有至少一枚棋子，并且消耗k步的概率（k≤i∗j）,因为放置在i+1~n上等价与放在i+1行上，同理
