- AlphaStar 星际首秀,人工智能走向星辰大海
谷歌开发者
文/王晶,资深工程师,GoogleBrain团队作者王晶,现为GoogleBrain团队的资深工程师,主要致力深度强化学习的研发,和DeepMind团队在强化学习的应用上有许多合作。北京时间1月25日凌晨2点,DeepMind直播了他们的AIAlphaStar和人类顶尖的职业电竞选手对战星际争霸2。根据DeepMind介绍,AlphaStar在2018年12月10日和19日先后以5:0全胜的战绩击
- AI 在自动驾驶路径规划中的深度强化学习优化
QuantumWalker
人工智能自动驾驶机器学习
```htmlAI在自动驾驶路径规划中的深度强化学习优化在当今快速发展的科技领域中,人工智能(AI)的应用正在不断拓展其边界。特别是在自动驾驶技术中,AI的应用已经从简单的感知和识别发展到了复杂的决策和控制阶段。其中,深度强化学习作为AI的一个重要分支,在自动驾驶路径规划中发挥着越来越重要的作用。一、深度强化学习简介深度强化学习是一种结合了深度学习和强化学习的机器学习方法。它通过让智能体在环境中进
- 从代码学习深度强化学习 - REINFORCE 算法 PyTorch版
飞雪白鹿€
深度强化学习pytorch版pytorchDRL
文章目录前言**一、理论基础:什么是策略梯度?****1.1基于价值vs.基于策略****1.2策略梯度(PolicyGradient)****1.3REINFORCE算法:蒙特卡洛策略梯度****1.4REINFORCE算法流程****二、PyTorch代码实践****2.1环境与辅助函数****2.2核心算法实现****2.3训练与结果****总结**前言欢迎来到“从代码学习深度强化学习”系列
- 会议论文_AI会议 || 如何rebuttal学术论文?
深度强化学习实验室报道来源:https://zhuanlan.zhihu.com/p/104298923作者:魏秀参编辑:DeepRL最近,恰逢CVPR2020rebuttal之前,本文就rebuttle相关的内容进行总结,学术论文是发布自己或团队最新研究进展正式且最快捷的途径,也是和同行交流想法最方便、高效的方式。当同行评议(Peerreview)作为学术成果正式发布的必经之路已运行200余年[
- 深度强化学习应用:基于Double DQN算法的移动机器人路径跟踪技术解析
威哥说编程
算法
前言随着智能控制与机器人技术的不断发展,深度强化学习(DRL)作为一种具有强大自学习能力的技术,已经在机器人领域获得了广泛应用。尤其是在路径跟踪问题中,传统的控制算法往往依赖于模型和假设,而深度强化学习则能够通过大量的训练数据让机器人自主学习如何优化其行为策略,从而实现高效的路径跟踪。本文将深入探讨基于**DoubleDQN(DoubleDeepQ-Network)**算法的移动机器人路径跟踪问题
- (ML-Agents) 是一个开源项目,它使游戏和模拟能够作为使用深度强化学习和模仿学习训练智能代理的环境
struggle2025
游戏学习
一、软件介绍文末提供程序和源码下载(ML-Agents)是一个开源项目,使游戏和模拟能够用作训练智能代理的环境。我们提供最先进算法的实现(基于PyTorch),使游戏开发人员和业余爱好者能够轻松训练2D、3D和VR/AR游戏的智能代理。研究人员还可以使用提供的易于使用的PythonAPI来使用强化学习、模仿学习、神经进化或任何其他方法训练代理。这些经过训练的代理可用于多种用途,包括控制NPC行为(
- PyTorch深度强化学习路径规划, SAC-Auto路径规划, Soft Actor-Critic算法, SAC-pytorch,激光雷达Lidar避障,激光雷达仿真模拟,Adaptive-SAC附
Matlab大师兄
pytorch算法人工智能
✅作者简介:热爱科研的Matlab仿真开发者,擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。往期回顾关注个人主页:Matlab科研工作室个人信条:格物致知,完整Matlab代码及仿真咨询内容私信。内容介绍在日益复杂的自主系统领域,路径规划作为核心功能,其重要性不言而喻。尤其在动态且不确定的环境中,如何为移动平台(如自动驾驶车辆、无人机或机器人)生成安全、高效且最优的路径,是一
- 用深度强化学习玩atari游戏_Pytorch深度强化学习 1.用DQN解决Atari game
我一直对强化学习感兴趣,这学期正好选了一门强化学习的课,第一次作业是让复现DQN。这几年也看了不少DQN的代码,但要自己实现起来,还是犯晕,效率很低。这篇文章从深度强化学习所需的元素出发,达到用DQN解决atarigames的目的。1.Observe,Value,Act强化学习研究的是Agent和环境交互中如何学习最优策略,以获得最大收益。Agent需要能够观察环境(observe)的到所处的状态
- 基于深度强化学习(Deep Q-Network, DQN)的运输路径优化系统
欣然~
python
这是一个基于深度强化学习(DeepQ-Network,DQN)的运输路径优化系统。代码主要包含以下几个部分:1.导入库importnumpyasnpimportgymfromgymimportspacesimportmatplotlib.pyplotaspltfrommatplotlib.colorsimportLinearSegmentedColormapimportrandomimportto
- 基于深度强化学习的Scrapy-Redis分布式爬虫动态调度策略研究
广州正荣
人工智能科技爬虫
在大数据时代,网络数据的采集与分析变得至关重要,分布式爬虫作为高效获取海量数据的工具,被广泛应用于各类场景。然而,传统的爬虫调度策略在面对复杂多变的网络环境和动态的抓取需求时,往往存在效率低下、资源浪费等问题。我们将探讨如何将深度强化学习技术与Scrapy-Redis分布式爬虫框架相结合,构建动态调度策略,以提升爬虫的性能与适应性。一、Scrapy-Redis分布式爬虫框架概述Scrapy是Pyt
- 深度强化学习实战:玩转 Atari 游戏
谷雪_658
游戏python开发语言
在人工智能技术蓬勃发展的当下,深度强化学习凭借其在复杂决策场景中的出色表现,成为众多研究人员和开发者关注的焦点。Atari游戏系列以其丰富的游戏环境和多样化的任务设定,成为深度强化学习算法研究与实践的经典测试平台。通过在Atari游戏中应用深度强化学习算法,不仅能够深入理解强化学习的核心原理,还能探索其在实际场景中的应用潜力。本文将带领读者从零开始,通过实战操作,掌握使用深度强化学习算法玩转Ata
- 【推荐算法】推荐算法演进史:从协同过滤到深度强化学习
白熊188
推荐算法推荐算法算法机器学习
推荐算法演进史:从协同过滤到深度强化学习一、传统推荐时代:协同过滤的奠基(1990s-2006)1.1算法背景:信息爆炸的挑战1.2核心算法:协同过滤1.3局限性二、深度学习黎明:神经网络初探(2010-2015)2.1算法背景:深度学习的崛起2.2奠基模型:DeepCrossing2.3NeuralCF:协同过滤的神经网络化三、特征交叉革命:结构创新浪潮(2016-2017)3.1Wide&De
- 深度强化学习赋能城市消防优化,中国科学院团队提出 DRL 新方法破解设施配置难题
hyperai
在城市建设与发展中,地理空间优化至关重要。从工业园区选址,到公共服务设施布局,它都发挥着关键作用。但传统求解方法存在诸多局限,如今,深度学习技术为其带来了新的转机。近日,在中国地理学会地理模型与地理信息分析专业委员会2025年学术年会上,来自中国科学院空天信息创新研究院的梁浩健博士在「地理空间优化」这一专题下,以「基于分层深度强化学习的城市应急消防设施配置优化方法研究」为题进行了成果汇报演讲,并从
- 强化学习Reinforcement Learning与逆强化学习:理论与实践
AGI大模型与大数据研究院
AI大模型应用开发实战javapythonjavascriptkotlingolang架构人工智能
强化学习,逆强化学习,强化学习算法,逆强化学习算法,深度强化学习,应用场景1.背景介绍在人工智能领域,强化学习(ReinforcementLearning,RL)作为一种模仿人类学习的智能算法,近年来取得了显著进展,并在机器人控制、游戏AI、推荐系统等领域展现出强大的应用潜力。强化学习的核心思想是通过试错学习,让智能体在与环境交互的过程中不断优化策略,以最大化累积的奖励。然而,在现实世界中,获取精
- [智能算法]蚁群算法原理与TSP问题示例
七刀
智能算法算法
目录编辑一、生物行为启发的智能优化算法1.1自然界的群体智能现象1.2人工蚁群算法核心思想二、算法在组合优化中的应用演进2.1经典TSP问题建模2.2算法流程优化三、TSP问题实战:Python实现与可视化3.1算法核心类设计3.2参数敏感性实验3.3可视化分析四、关键参数调优指南4.1基准参数范围4.2动态调参策略4.3性能优化技巧五、扩展应用与前沿方向5.1多目标优化问题5.2深度强化学习融合
- [特殊字符] 基于深度强化学习的机器人路径规划优化方案:从理论到实战
2506_92092175
python
摘要本文提出一种融合深度确定性策略梯度(DDPG)与图卷积网络(GCN)的混合架构,针对高动态环境下移动机器人路径规划问题展开研究。通过自研仿真平台验证,该方案在动态障碍物规避、路径平滑度等维度较传统A*算法提升显著,同时兼顾实时性要求。完整代码与训练日志已开源至GitHub,诚邀技术同仁共同探讨。一、核心痛点分析1.1传统算法局限性算法类型优势劣势Dijkstra理论最优性计算复杂度O(V²),
- 强化学习推动 AI 智能物流路径规划的智能化转型
AIGC应用创新大全
人工智能ai
强化学习推动AI智能物流路径规划的智能化转型关键词:强化学习、智能物流、路径规划、Q-learning、深度强化学习、动态优化、仓储自动化摘要:本文探讨了强化学习技术在智能物流路径规划中的应用与创新。我们将从基础概念出发,逐步深入强化学习的核心算法原理,并通过实际案例展示其在物流优化中的强大能力。文章还将分析当前技术挑战和未来发展趋势,为读者提供全面的技术视角和实践指导。背景介绍目的和范围本文旨在
- 【Python】异步优势演员-评论家(A3C)算法在Python中的实现与应用
蒙娜丽宁
Python杂谈python算法开发语言
《PythonOpenCV从菜鸟到高手》带你进入图像处理与计算机视觉的大门!解锁Python编程的无限可能:《奇妙的Python》带你漫游代码世界在深度强化学习(DRL)领域,异步优势演员-评论家(A3C)算法作为一种高效的强化学习方法,广泛应用于各种决策问题和智能控制领域。A3C算法通过使用多个线程并行地探索环境,提高了训练效率并减少了计算资源的消耗。本文详细介绍了A3C算法的核心原理,并通过P
- 基于深度强化学习的网约车动态路径规划
罗伯特之技术屋
行业数字化研究及信息化建设专栏智能科学与技术专栏java开发语言
摘要随着移动互联网的快速发展,许多利用手机App打车的网约车平台也应运而生.这些网约车平台大大减少了网约车的空驶时间和乘客等待时间,从而提高了交通效率.作为平台核心模块,网约车路径规划问题致力于调度空闲的网约车以服务潜在的乘客,从而提升平台的运营效率,近年来受到广泛关注.现有研究主要采用基于值函数的深度强化学习算法(如deepQ-network,DQN)来解决这一问题.然而,由于基于值函数的方法存
- 基于LSTM-Transformer混合模型实现股票价格多变量时序预测(PyTorch版)
矩阵猫咪
lstmtransformerpytorch深度学习scikit-learn
前言系列专栏:【深度学习:算法项目实战】✨︎涉及医疗健康、财经金融、商业零售、食品饮料、运动健身、交通运输、环境科学、社交媒体以及文本和图像处理等诸多领域,讨论了各种复杂的深度神经网络思想,如卷积神经网络、循环神经网络、生成对抗网络、门控循环单元、长短期记忆、自然语言处理、深度强化学习、大型语言模型和迁移学习。在金融市场的分析中,股票价格预测一直是一个充满挑战且备受关注的领域。Transforme
- 深度 Qlearning:深度Qlearning VS DQN
SuperAGI2025
AI大模型应用开发宝典javapythonjavascriptkotlingolang架构人工智能
深度Q-learning:深度Q-learningVSDQN1.背景介绍1.1问题由来深度强化学习(DeepReinforcementLearning,DRL)是近年来人工智能领域的重要研究方向,旨在通过深度神经网络来学习和优化强化学习(ReinforcementLearning,RL)问题。其中,深度Q-learning和DQN(DeepQ-Networks)是两种最为经典的深度强化学习算法,它
- 一个深度强化学习航路规划(路径规划)github项目
iπ弟弟
强化学习轨迹规划深度学习
Github地址:https://github.com/ZYunfeii/UAV_Obstacle_Avoiding_DRL对应毕业设计论文:https://download.csdn.net/download/weixin_43145941/89025980READMEThisisaprojectaboutdeepreinforcementlearningautonomousobstacleav
- 深度强化学习在机器人控制中的应用与优化
书香浓
机器人
```html深度强化学习在机器人控制中的应用与优化深度强化学习在机器人控制中的应用与优化随着人工智能技术的快速发展,深度强化学习(DeepReinforcementLearning,DRL)逐渐成为机器人控制领域的热门研究方向。DRL结合了深度学习和强化学习的优点,通过神经网络处理高维感知数据,并利用强化学习算法实现智能决策,使得机器人能够在复杂环境中自主完成任务。深度强化学习的基本原理深度强化
- 深度对比:DeepSeek与ChatGPT的技术差异与范式演进
张家铭02
人工智能chatgpt人工智能deepseek
一、架构设计的哲学分野符号系统与神经网络的融合度DeepSeek采用混合架构,其核心创新在于将符号逻辑系统与深度强化学习框架耦合。具体而言,其决策模块可分解为:M(x)=σ(RL(x)⊕Symbolic_Reasoning(x))M(x)=σ(RL(x)⊕Symbolic_Reasoning(x))其中⊕⊕表示张量拼接操作,σσ为门控激活函数。这种设计使得系统在解决数学证明类任务时,能同时利用神经
- 深度强化学习实战:探索与行动的交响曲
宗津易Philip
深度强化学习实战:探索与行动的交响曲DeepReinforcementLearningInActionCodefromtheDeepReinforcementLearninginActionbookfromManning,Inc项目地址:https://gitcode.com/gh_mirrors/de/DeepReinforcementLearningInAction在人工智能的浩瀚宇宙中,深度
- 深度强化学习(DRL)实战:从AlphaGo到自动驾驶
layneyao
ai自动驾驶人工智能机器学习
——从算法原理到产业落地的全链路解析摘要本文通过算法对比矩阵、训练流程图解、Python代码实战及产业应用解析,构建从理论创新到工程落地的完整技术栈。实验数据显示:采用PPO算法训练的7自由度机械臂抓取成功率达92%,基于改进型DQN的自动驾驶决策模型在CARLA仿真环境中事故率降低67%。开发者可通过本文掌握:主流DRL算法特性对比与选型决策树安全约束强化学习(SafeRL)的工程实现从仿真到部
- (11-6-01)基于深度强化学习的量化交易Agent:优化投资组合
码农三叔
Agent智能体人工智能大数据agengt智能体
10.7最小方差投资组合分配最小方差投资组合分配是一种通过优化投资组合权重,以最小化整个投资组合的方差(波动性)的方法。这种方法旨在构建一个投资组合,使其在给定一组资产的情况下,具有最小的风险。通过调整不同资产在投资组合中的权重,以达到整体风险最小化的目标,这种方法在现代投资组合理论中占有重要地位。10.7.1优化投资组合(1)PyPortfolioOpt是一个Python库,用于进行投资组合优化
- 强化学习笔记【3】表格型方法(tabular methods)
开心果小李
强化学习李宏毅学习笔记
该系列主要是听李宏毅老师的《深度强化学习》过程中记下的一些听课心得,除了李宏毅老师的强化学习课程之外,为保证内容的完整性,我还参考了一些其他的课程,包括周博磊老师的《强化学习纲要》、李科浇老师的《百度强化学习》以及多个强化学习的经典资料作为补充。使用说明笔记【4】到笔记【11】为李宏毅《深度强化学习》的部分;笔记【1】和笔记【2】根据《强化学习纲要》整理而来;笔记【3】和笔记【12】根据《百度强化
- (9-7)基于深度强化学习的量化交易策略(OpenAI Baselines +FinRL+DRL+PyPortfolioOpt):回测交易策略
码农三叔
金融大模型人工智能大数据机器学习python深度学习
9.10回测交易策略回测在评估交易策略绩效方面至关重要,自动化的回测工具因减少人为错误的风险而备受青睐。通常我们使用Quantopian的pyfolio包进行回测,该工具易于使用,提供了各种独立图表,全面展示了交易策略的绩效情况。1.回测统计在量化金融领域,回测统计通常是指通过回测得到的统计数据,用于评估和比较交易策略的性能。这些统计数据可能包括年
- 多智能体深度强化学习(MADRL)开源项目安装与使用指南
叶展冰Guy
多智能体深度强化学习(MADRL)开源项目安装与使用指南MADRLRepocontainingcodeformulti-agentdeepreinforcementlearning(MADRL).项目地址:https://gitcode.com/gh_mirrors/ma/MADRL本指南旨在帮助开发者了解和快速上手MADRL开源项目,该项目位于https://github.com/sisl/MA
- jQuery 键盘事件keydown ,keypress ,keyup介绍
107x
jsjquerykeydownkeypresskeyup
本文章总结了下些关于jQuery 键盘事件keydown ,keypress ,keyup介绍,有需要了解的朋友可参考。
一、首先需要知道的是: 1、keydown() keydown事件会在键盘按下时触发. 2、keyup() 代码如下 复制代码
$('input').keyup(funciton(){  
- AngularJS中的Promise
bijian1013
JavaScriptAngularJSPromise
一.Promise
Promise是一个接口,它用来处理的对象具有这样的特点:在未来某一时刻(主要是异步调用)会从服务端返回或者被填充属性。其核心是,promise是一个带有then()函数的对象。
为了展示它的优点,下面来看一个例子,其中需要获取用户当前的配置文件:
var cu
- c++ 用数组实现栈类
CrazyMizzz
数据结构C++
#include<iostream>
#include<cassert>
using namespace std;
template<class T, int SIZE = 50>
class Stack{
private:
T list[SIZE];//数组存放栈的元素
int top;//栈顶位置
public:
Stack(
- java和c语言的雷同
麦田的设计者
java递归scaner
软件启动时的初始化代码,加载用户信息2015年5月27号
从头学java二
1、语言的三种基本结构:顺序、选择、循环。废话不多说,需要指出一下几点:
a、return语句的功能除了作为函数返回值以外,还起到结束本函数的功能,return后的语句
不会再继续执行。
b、for循环相比于whi
- LINUX环境并发服务器的三种实现模型
被触发
linux
服务器设计技术有很多,按使用的协议来分有TCP服务器和UDP服务器。按处理方式来分有循环服务器和并发服务器。
1 循环服务器与并发服务器模型
在网络程序里面,一般来说都是许多客户对应一个服务器,为了处理客户的请求,对服务端的程序就提出了特殊的要求。
目前最常用的服务器模型有:
·循环服务器:服务器在同一时刻只能响应一个客户端的请求
·并发服务器:服
- Oracle数据库查询指令
肆无忌惮_
oracle数据库
20140920
单表查询
-- 查询************************************************************************************************************
-- 使用scott用户登录
-- 查看emp表
desc emp
- ext右下角浮动窗口
知了ing
JavaScriptext
第一种
<!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/1999/
- 浅谈REDIS数据库的键值设计
矮蛋蛋
redis
http://www.cnblogs.com/aidandan/
原文地址:http://www.hoterran.info/redis_kv_design
丰富的数据结构使得redis的设计非常的有趣。不像关系型数据库那样,DEV和DBA需要深度沟通,review每行sql语句,也不像memcached那样,不需要DBA的参与。redis的DBA需要熟悉数据结构,并能了解使用场景。
- maven编译可执行jar包
alleni123
maven
http://stackoverflow.com/questions/574594/how-can-i-create-an-executable-jar-with-dependencies-using-maven
<build>
<plugins>
<plugin>
<artifactId>maven-asse
- 人力资源在现代企业中的作用
百合不是茶
HR 企业管理
//人力资源在在企业中的作用人力资源为什么会存在,人力资源究竟是干什么的 人力资源管理是对管理模式一次大的创新,人力资源兴起的原因有以下点: 工业时代的国际化竞争,现代市场的风险管控等等。所以人力资源 在现代经济竞争中的优势明显的存在,人力资源在集团类公司中存在着 明显的优势(鸿海集团),有一次笔者亲自去体验过红海集团的招聘,只 知道人力资源是管理企业招聘的 当时我被招聘上了,当时给我们培训 的人
- Linux自启动设置详解
bijian1013
linux
linux有自己一套完整的启动体系,抓住了linux启动的脉络,linux的启动过程将不再神秘。
阅读之前建议先看一下附图。
本文中假设inittab中设置的init tree为:
/etc/rc.d/rc0.d
/etc/rc.d/rc1.d
/etc/rc.d/rc2.d
/etc/rc.d/rc3.d
/etc/rc.d/rc4.d
/etc/rc.d/rc5.d
/etc
- Spring Aop Schema实现
bijian1013
javaspringAOP
本例使用的是Spring2.5
1.Aop配置文件spring-aop.xml
<?xml version="1.0" encoding="UTF-8"?>
<beans
xmlns="http://www.springframework.org/schema/beans"
xmln
- 【Gson七】Gson预定义类型适配器
bit1129
gson
Gson提供了丰富的预定义类型适配器,在对象和JSON串之间进行序列化和反序列化时,指定对象和字符串之间的转换方式,
DateTypeAdapter
public final class DateTypeAdapter extends TypeAdapter<Date> {
public static final TypeAdapterFacto
- 【Spark八十八】Spark Streaming累加器操作(updateStateByKey)
bit1129
update
在实时计算的实际应用中,有时除了需要关心一个时间间隔内的数据,有时还可能会对整个实时计算的所有时间间隔内产生的相关数据进行统计。
比如: 对Nginx的access.log实时监控请求404时,有时除了需要统计某个时间间隔内出现的次数,有时还需要统计一整天出现了多少次404,也就是说404监控横跨多个时间间隔。
Spark Streaming的解决方案是累加器,工作原理是,定义
- linux系统下通过shell脚本快速找到哪个进程在写文件
ronin47
一个文件正在被进程写 我想查看这个进程 文件一直在增大 找不到谁在写 使用lsof也没找到
这个问题挺有普遍性的,解决方法应该很多,这里我给大家提个比较直观的方法。
linux下每个文件都会在某个块设备上存放,当然也都有相应的inode, 那么透过vfs.write我们就可以知道谁在不停的写入特定的设备上的inode。
幸运的是systemtap的安装包里带了inodewatch.stp,位
- java-两种方法求第一个最长的可重复子串
bylijinnan
java算法
import java.util.Arrays;
import java.util.Collections;
import java.util.List;
public class MaxPrefix {
public static void main(String[] args) {
String str="abbdabcdabcx";
- Netty源码学习-ServerBootstrap启动及事件处理过程
bylijinnan
javanetty
Netty是采用了Reactor模式的多线程版本,建议先看下面这篇文章了解一下Reactor模式:
http://bylijinnan.iteye.com/blog/1992325
Netty的启动及事件处理的流程,基本上是按照上面这篇文章来走的
文章里面提到的操作,每一步都能在Netty里面找到对应的代码
其中Reactor里面的Acceptor就对应Netty的ServerBo
- servelt filter listener 的生命周期
cngolon
filterlistenerservelt生命周期
1. servlet 当第一次请求一个servlet资源时,servlet容器创建这个servlet实例,并调用他的 init(ServletConfig config)做一些初始化的工作,然后调用它的service方法处理请求。当第二次请求这个servlet资源时,servlet容器就不在创建实例,而是直接调用它的service方法处理请求,也就是说
- jmpopups获取input元素值
ctrain
JavaScript
jmpopups 获取弹出层form表单
首先,我有一个div,里面包含了一个表单,默认是隐藏的,使用jmpopups时,会弹出这个隐藏的div,其实jmpopups是将我们的代码生成一份拷贝。
当我直接获取这个form表单中的文本框时,使用方法:$('#form input[name=test1]').val();这样是获取不到的。
我们必须到jmpopups生成的代码中去查找这个值,$(
- vi查找替换命令详解
daizj
linux正则表达式替换查找vim
一、查找
查找命令
/pattern<Enter> :向下查找pattern匹配字符串
?pattern<Enter>:向上查找pattern匹配字符串
使用了查找命令之后,使用如下两个键快速查找:
n:按照同一方向继续查找
N:按照反方向查找
字符串匹配
pattern是需要匹配的字符串,例如:
1: /abc<En
- 对网站中的js,css文件进行打包
dcj3sjt126com
PHP打包
一,为什么要用smarty进行打包
apache中也有给js,css这样的静态文件进行打包压缩的模块,但是本文所说的不是以这种方式进行的打包,而是和smarty结合的方式来把网站中的js,css文件进行打包。
为什么要进行打包呢,主要目的是为了合理的管理自己的代码 。现在有好多网站,你查看一下网站的源码的话,你会发现网站的头部有大量的JS文件和CSS文件,网站的尾部也有可能有大量的J
- php Yii: 出现undefined offset 或者 undefined index解决方案
dcj3sjt126com
undefined
在开发Yii 时,在程序中定义了如下方式:
if($this->menuoption[2] === 'test'),那么在运行程序时会报:undefined offset:2,这样的错误主要是由于php.ini 里的错误等级太高了,在windows下错误等级
- linux 文件格式(1) sed工具
eksliang
linuxlinux sed工具sed工具linux sed详解
转载请出自出处:
http://eksliang.iteye.com/blog/2106082
简介
sed 是一种在线编辑器,它一次处理一行内容。处理时,把当前处理的行存储在临时缓冲区中,称为“模式空间”(pattern space),接着用sed命令处理缓冲区中的内容,处理完成后,把缓冲区的内容送往屏幕。接着处理下一行,这样不断重复,直到文件末尾
- Android应用程序获取系统权限
gqdy365
android
引用
如何使Android应用程序获取系统权限
第一个方法简单点,不过需要在Android系统源码的环境下用make来编译:
1. 在应用程序的AndroidManifest.xml中的manifest节点
- HoverTree开发日志之验证码
hvt
.netC#asp.nethovertreewebform
HoverTree是一个ASP.NET的开源CMS,目前包含文章系统,图库和留言板功能。代码完全开放,文章内容页生成了静态的HTM页面,留言板提供留言审核功能,文章可以发布HTML源代码,图片上传同时生成高品质缩略图。推出之后得到许多网友的支持,再此表示感谢!留言板不断收到许多有益留言,但同时也有不少广告,因此决定在提交留言页面增加验证码功能。ASP.NET验证码在网上找,如果不是很多,就是特别多
- JSON API:用 JSON 构建 API 的标准指南中文版
justjavac
json
译文地址:https://github.com/justjavac/json-api-zh_CN
如果你和你的团队曾经争论过使用什么方式构建合理 JSON 响应格式, 那么 JSON API 就是你的 anti-bikeshedding 武器。
通过遵循共同的约定,可以提高开发效率,利用更普遍的工具,可以是你更加专注于开发重点:你的程序。
基于 JSON API 的客户端还能够充分利用缓存,
- 数据结构随记_2
lx.asymmetric
数据结构笔记
第三章 栈与队列
一.简答题
1. 在一个循环队列中,队首指针指向队首元素的 前一个 位置。
2.在具有n个单元的循环队列中,队满时共有 n-1 个元素。
3. 向栈中压入元素的操作是先 移动栈顶指针&n
- Linux下的监控工具dstat
网络接口
linux
1) 工具说明dstat是一个用来替换 vmstat,iostat netstat,nfsstat和ifstat这些命令的工具, 是一个全能系统信息统计工具. 与sysstat相比, dstat拥有一个彩色的界面, 在手动观察性能状况时, 数据比较显眼容易观察; 而且dstat支持即时刷新, 譬如输入dstat 3, 即每三秒收集一次, 但最新的数据都会每秒刷新显示. 和sysstat相同的是,
- C 语言初级入门--二维数组和指针
1140566087
二维数组c/c++指针
/*
二维数组的定义和二维数组元素的引用
二维数组的定义:
当数组中的每个元素带有两个下标时,称这样的数组为二维数组;
(逻辑上把数组看成一个具有行和列的表格或一个矩阵);
语法:
类型名 数组名[常量表达式1][常量表达式2]
二维数组的引用:
引用二维数组元素时必须带有两个下标,引用形式如下:
例如:
int a[3][4]; 引用:
- 10点睛Spring4.1-Application Event
wiselyman
application
10.1 Application Event
Spring使用Application Event给bean之间的消息通讯提供了手段
应按照如下部分实现bean之间的消息通讯
继承ApplicationEvent类实现自己的事件
实现继承ApplicationListener接口实现监听事件
使用ApplicationContext发布消息