- 解决约束多目标优化问题的新方法:MOEA/D-DAE算法深度解析
木子算法
多目标优化人工智能算法多目标人工智能
解决约束多目标优化问题的新方法:MOEA/D-DAE算法深度解析在工程优化、机器学习等众多领域,约束多目标优化问题(CMOPs)广泛存在。传统方法在处理这类问题时,常因可行区域不连通或约束违反局部极小点陷入停滞。近期,IEEETransactionsonEvolutionaryComputation上的一篇论文提出了一种新颖的解决方案——MOEA/D-DAE算法,通过结合检测-逃逸策略(DAE)和
- 多目标优化算法之NSGA-II、NSGA-III(附Matlab免费代码)
优化算法侠Swarm-Opti
智能优化算法算法matlab开发语言优化算法NSGA
引言NSGA-II和NSGA-III都是非支配排序遗传算法的变种,用于解决多目标优化问题,但它们在多个方面存在差异。相同点基本框架相似:两者都基于遗传算法的框架,包括初始化种群、非支配排序、选择、交叉和变异等操作非支配排序:都采用非支配排序技术,将种群中的个体划分为不同的前沿,识别非支配解集不同点适用目标数量不同:NSGA-II:适用于相对较少的目标数量,通常在2到4个目标之间,在处理较少目标的问
- python学智能算法(七)|KNN邻近算法
西猫雷婶
人工智能python学习笔记算法
【1】引言前述学习进程中,已经了解了一些非常经典的智能算法,相关文章包括且不限于:python学智能算法(三)|模拟退火算法:深层分析_模拟退火动画演示-CSDN博客python学智能算法(四)|遗传算法:原理认识和极大值分析_遗传算法和模拟退火时间复杂度-CSDN博客python学智能算法(五)|差分进化算法:原理认识和极小值分析-CSDN博客python学智能算法(六)|神经网络算法:BP神经
- 论文阅读笔记——π0: A Vision-Language-Action Flow Model for General Robot Control
寻丶幽风
论文阅读笔记论文阅读笔记人工智能机器人语言模型
π0论文π0π_0π0是基于预训练的VLM模型增加了actionexpert,并结合了flowmatching方法训练的自回归模型,能够直接输出模型的actionchunk(50)。π0采用FlowMatching技术来建模连续动作的分布,这一创新使模型能够精确控制高频率的灵巧操作任务,同时具备处理多模态数据的能力。架构受到Transfusion的启发:通过单一Transformer处理多目标任务
- Faster R-CNN原理详解以及Pytorch实现模型训练与推理
阿_旭
深度学习实战cnnpytorch人工智能FasterRCNN
《------往期经典推荐------》一、AI应用软件开发实战专栏【链接】项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体检测系统开发】5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】7.【YOLOv8多目标识别与自动标注软件开发】8.【基于深度学习的行人跌倒检测系统】9.【基于深度学习的PCB板缺陷检测系统
- 无人机动态追踪技术难点与距离分析!
云卓SKYDROID
无人机人工智能云卓科技智能跟踪吊舱
一、技术难点概述目标识别与跟踪算法的鲁棒性复杂场景适应性**:在动态背景(如人群、森林)或光照变化(逆光、夜间)下,算法需精准区分目标与干扰物。传统计算机视觉方法(如光流法、卡尔曼滤波)易受干扰,需结合深度学习(如YOLO、SiamRPN++)提升抗干扰能力。多目标跟踪与遮挡处理**:目标被遮挡或短暂消失时,需通过轨迹预测或特征匹配恢复跟踪,对算法的记忆能力和实时性要求极高。实时性要求**:算法需
- 基于人体姿态识别和多人复杂场景下的人员ID唯一方案设计
云栖道人
人工智能
一、方案概述公安系统中的多人跟踪与身份识别应用场景广泛,包括人群密集的公共场所监控、搜捕行动中的人员跟踪、犯罪行为检测和身份识别等。方案结合人体姿态识别和人员ID唯一跟踪技术,旨在复杂场景中保持对人员的稳定跟踪并精确识别,处理遮挡、多目标交互等复杂情况。二、应用场景人群密集场所监控:如火车站、机场等公共场所,自动跟踪监控下的所有人员并在多人遮挡的情况下保持人员ID一致。高风险地区监控:在公安系统设
- 【深度学习·命运-27】NAS四部曲end-NASNet
华东算法王
深度学习·命运深度学习人工智能
NASNet(NeuralArchitectureSearchNetwork)是由GoogleBrain团队提出的另一种神经架构搜索(NAS)方法,它通过自动化搜索神经网络的结构,找到了具有竞争力的神经网络架构,尤其在计算机视觉任务(如图像分类)中表现非常优秀。NASNet是基于进化算法的架构搜索方法,与其他NAS方法相比,它具有更高的效率,并且能够生成更加优化的网络架构。1.NASNet的背景与
- 神经进化算法(Neuroevolution) 原理与代码实例讲解
AI大模型应用之禅
DeepSeekR1&AI大模型与大数据javapythonjavascriptkotlingolang架构人工智能
神经进化算法,Neuroevolution,进化算法,深度学习,机器学习,遗传算法,神经网络,代码实例1.背景介绍在机器学习领域,神经网络凭借其强大的学习能力和泛化能力,在图像识别、自然语言处理、语音识别等领域取得了显著的成就。然而,传统的神经网络训练方法通常依赖于人工设计的网络结构和参数初始化,这往往需要大量的经验和试错,并且难以找到最优的网络结构和参数。神经进化算法(Neuroevolutio
- 基于YOLOv5的野生动物检测与监控系统:猫、狗、鸟、猴子、狮子、老虎、象的实时识别与分析
深度学习&目标检测实战项目
YOLO目标跟踪人工智能深度学习ui目标检测机器学习
1.引言随着人工智能技术的飞速发展,尤其是深度学习在计算机视觉领域的突破,目标检测技术已广泛应用于各类场景。从城市交通监控到安防系统,再到野生动物保护和生态监测,目标检测技术为我们提供了实时、精确的解决方案。在众多目标检测算法中,YOLO(YouOnlyLookOnce)系列因其高效性和实时性,已成为解决多类别目标检测任务的首选方法。本文将介绍如何使用YOLOv5进行野生动物检测与监控,包括猫、狗
- yolo目标检测项目
m0_75047393
YOLO目标检测人工智能
一、前言(一)、什么是目标检测目标检测是指在图像或视频中准确地识别和定位出现的特定目标物体的任务。目标检测通常包括以下几个步骤:目标分类:确定图像中出现的物体属于哪一类别,例如汽车、行人、狗等。目标定位:确定图像中物体的位置,通常通过绘制边界框或遮罩来标识物体的位置。目标识别:将检测到的目标与预定义的类别进行匹配,以便为目标添加语义标签。多目标检测:在一张图像中检测并识别多个目标,包括重叠目标和不
- 【人工智能算法】人工智能算法都包括什么?请详细列出和解释
资源存储库
算法强化学习人工智能算法
目录人工智能算法都包括什么?请详细列出和解释1.机器学习算法(MachineLearningAlgorithms)监督学习算法(SupervisedLearning)无监督学习算法(UnsupervisedLearning)强化学习算法(ReinforcementLearning)2.进化算法(EvolutionaryAlgorithms)3.模拟退火(SimulatedAnnealing)4.粒
- 多目标应用:基于自组织分群的多目标粒子群优化算法(SS-MOPSO)的移动机器人路径规划研究(提供MATLAB代码)
IT猿手
机器人路径规划多目标优化算法多目标应用前端多目标算法人工智能matlab算法路径规划
一、机器人路径规划介绍移动机器人(Mobilerobot,MR)的路径规划是移动机器人研究的重要分支之,是对其进行控制的基础。根据环境信息的已知程度不同,路径规划分为基于环境信息已知的全局路径规划和基于环境信息未知或局部已知的局部路径规划。随着科技的快速发展以及机器人的大量应用,人们对机器人的要求也越来越高,尤其表现在对机器人的智能化方面的要求,而机器人自主路径规划是实现机器人智能化的重要步骤,路
- 非支配性排序遗传算法 III---NSGA-III-可用于(多目标模型融合/特征选择与降维/图像多目标优化处理)
ww18000
r语言开发语言数据挖掘机器学习
非支配性排序遗传算法III(NSGA-III)是用于求解多目标优化问题的一种进化算法1。以下是对它的具体介绍1:具体完整算法请跳转:非支配性排序遗传算法III---NSGA-III-可用于(多目标模型融合/特征选择与降维/图像多目标优化处理)发展背景NSGA-III由KalyanmoyDeb和HarshitJain提出,是在NSGA-II的基础上进行改进和扩展,以更好地处理多目标优化问题,尤其是在
- 25/2/18 <算法笔记> ByteTrack
青椒大仙KI11
笔记
ByteTrack(发表在2021年)是一种高效且精确的**多目标跟踪(Multi-ObjectTracking,MOT)**算法。它属于目标跟踪领域中基于检测的类别(trackingbydetection),核心思想是利用目标检测器的高置信度和低置信度检测结果,通过简单的后处理策略实现高效和准确的目标跟踪。多目标跟踪(MOT)的主要目的是对视频或帧序列中的多个对象进行检测和跟踪。在MOT方法中通
- 装备效能评估方法TOPSIS法(优劣解距离法)深度解析:原理、实现与行业应用案例
燃灯工作室
Aipython
一、方法概述1.1核心思想TOPSIS(TechniqueforOrderPreferencebySimilaritytoIdealSolution)通过计算各方案与正理想解(最优解)和负理想解(最劣解)的相对接近度进行排序。其核心原理可以用三维空间形象表示:距离距离距离距离方案1正理想解负理想解方案21.2方法特点适用性:适用于多目标决策、多方案优选优势:直观的几何解释,可处理不同量纲指标局限:
- 多式联运最优路径算法
SugarPPig
人工智能大数据业务算法
多式联运的最优路径优化问题涉及运输成本、时间、碳排放等多目标权衡,需结合运输方式(公路、铁路、水路、航空等)的协同性,通过算法模型寻找综合最优解。以下是相关研究进展与算法应用的总结:一、多式联运路径优化的核心目标经济性:最小化运输成本、转运成本及惩罚成本(如延迟成本)。时效性:缩短总运输时间,包括节点间运输时间与方式转换时间。低碳化:将碳排放量或碳交易成本纳入目标函数,支持绿色物流。安全性:针对危
- 【智能算法】协同进化算法
大雨淅淅
智能算法人工智能机器学习网络算法
1、进化算法自从达尔文的生物进化论被接受,基于自然界中生物优胜劣汰的生存规则发展起来的生物进化的理论研究得到了空前的发展。将生物遗传变异、优胜劣汰的生存机制应用到优化领域,就得到了进化计算(EvolutionaryComputation,EC)。以种群形式存在的物种,想要生存下去,就必须通过遗传变异来适应环境,通过自身的不断完善来适应生存环境。遗传的目的在于将父代的优良性能传递给子代,让子代能更好
- 【多目标免疫遗传算法在选址中的应用】使用多目标免疫遗传算法计算较简化海上救援选址问题研究(Matlab代码实现)
Ps.729
前端
欢迎来到本博客❤️❤️博主优势:博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。⛳️座右铭:行百里者,半于九十。本文目录如下:目录⛳️赠与读者1概述多目标免疫遗传算法在海上救援选址中的应用研究一、引言二、海上救援选址问题分析(一)问题描述(二)影响因素(三)多目标特性三、多目标免疫遗传算法原理(一)遗传算法基础(二)免疫遗传算法(三)多目标免疫遗传算法(四)NSGA-II算法四、基于MATLAB
- DeepSeek R1赋能全球航运智能化:基于多目标优化的路径规划实战解析
Coderabo
DeepSeekR1模型企业级应用人工智能机器学习算法python
DeepSeekR1赋能全球航运智能化:基于多目标优化的路径规划实战解析引言:航运路径优化的重要性全球贸易90%的货物通过海运完成,每年产生约10亿吨碳排放。传统航线规划依赖船长经验,常导致5-15%的额外燃料消耗。本文基于DeepSeekR1智能系统,提出融合多目标优化的智能路径规划方案,结合实例详解算法实现。问题建模与数学描述优化目标函数minimizeF(x)=[f₁(x),f₂(x),f₃
- python cv2 matchtemplate_机器学习进阶-图像金字塔与轮廓检测-模板匹配(单目标匹配和多目标匹配)1.cv2.matchTemplate(进行模板匹配) 2.cv2.minMa...
weixin_39621044
pythoncv2matchtemplate
1.cv2.matchTemplate(src,template,method)#用于进行模板匹配参数说明:src目标图像,template模板,method使用什么指标做模板的匹配度指标2.min_val,max_val,min_loc,max_loc=cv2.minMaxLoc(ret)#找出矩阵中最大值和最小值,即其对应的(x,y)的位置参数说明:min_val,max_val,min_lo
- CVPR‘24开源 | ADA-Track:端到端3D多目标跟踪最新SOTA!
计算机视觉工坊
3D视觉从入门到精通3d目标跟踪人工智能
编辑:计算机视觉工坊添加小助理:dddvision,备注:方向+学校/公司+昵称,拉你入群。文末附行业细分群扫描下方二维码,加入3D视觉知识星球,星球内凝聚了众多3D视觉实战问题,以及各个模块的学习资料:近20门视频课程(星球成员免费学习)、最新顶会论文、3DGS系列、计算机视觉书籍、优质3D视觉算法源码等。想要入门3D视觉、做项目、搞科研,欢迎扫码加入!
- pymoo:Python中的多目标优化框架
葛梓熙
pymoo:Python中的多目标优化框架pymoo项目地址:https://gitcode.com/gh_mirrors/pym/pymoo项目介绍pymoo是一个开源的多目标优化框架,专为Python开发者设计。它提供了最先进的单目标和多目标优化算法,以及与多目标优化相关的多种功能,如可视化和决策支持。无论你是学术研究者还是工业应用开发者,pymoo都能帮助你轻松实现复杂的多目标优化任务。项目
- “随机森林”及“混合随机森林和多目标粒子群优化”(RF_MOPSO),以预测目标作为学习方法并分别找到多特征过程的最佳参数(Matlab代码实现)
科研_研学社
随机森林学习方法matlab
欢迎来到本博客❤️❤️❤️博主优势:博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。⛳️座右铭:行百里者,半于九十。目录1概述2.1算例12.2算例23参考文献4Matlab代码实现1概述多目标优化问题普遍涉及到工程设计、生产制造、信息处理等应用领域。粒子群优化算法具有快速收敛、简单易行、并行搜索等特点,特别适合处理多目标优化问题。本文对多目标粒子群优化算法进行系统性的研究,结合随机森林的优势
- 目标跟踪概念、多目标跟踪算法SORT和deep SORT原理
yhwang-hub
深度学习
目录目标跟踪、单目标跟踪、多目标跟踪的概念欧氏距离、马氏距离、余弦距离欧氏距离马氏距离余弦距离SORT算法原理SORT算法中的匈牙利匹配算法指派问题中的匈牙利算法预测模型(卡尔曼滤波器)数据关联(匈牙利匹配)目标丢失问题的处理SORT算法过程deepSORT算法原理状态估计轨迹处理分配问题的评价指标级联匹配深度表观描述子算法总结目标跟踪、单目标跟踪、多目标跟踪的概念目标跟踪分为静态背景下的目标跟踪
- 差分进化算法 (Differential Evolution) 算法详解及案例分析
闲人编程
python算法python开发语言选择DE差分进化算法变异
差分进化算法(DifferentialEvolution)算法详解及案例分析目录差分进化算法(DifferentialEvolution)算法详解及案例分析1.引言2.差分进化算法(DE)算法原理2.1基本概念2.2算法步骤3.差分进化算法的优势与局限性3.1优势3.2局限性4.案例分析4.1案例1:单目标优化问题4.1.1问题描述4.1.2代码实现4.1.3流程图4.1.4优化曲线4.2案例2:
- pythonsvm模型优化_Python进化算法工具箱的使用(三)用进化算法优化SVM参数
weixin_39878698
pythonsvm模型优化
前言自从上两篇博客详细讲解了Python遗传和进化算法工具箱及其在带约束的单目标函数值优化中的应用以及利用遗传算法求解有向图的最短路径之后,我经过不断学习工具箱的官方文档以及对源码的研究,更加掌握如何利用遗传算法求解更多有趣的问题了。与前面的文章不同,本篇采用差分进化算法来优化SVM中的参数C和Gamma。(用遗传算法也可以,下面会给出效果比较)首先简单回顾一下Python高性能实用型遗传和进化算
- 差分进化算法_Python进化算法工具箱的使用(三)用进化算法优化SVM参数
weixin_39747075
差分进化算法
前言自从上两篇博客详细讲解了Python遗传和进化算法工具箱及其在带约束的单目标函数值优化中的应用以及利用遗传算法求解有向图的最短路径之后,我经过不断学习工具箱的官方文档以及对源码的研究,更加掌握如何利用遗传算法求解更多有趣的问题了。与前面的文章不同,本篇采用差分进化算法来优化SVM中的参数C和Gamma。(用遗传算法也可以,下面会给出效果比较)首先简单回顾一下Python高性能实用型遗传和进化算
- 差分进化算法DE
DroidMind
智能算法与机器学习差分进化算法
差分进化算法DE属于进化算法,这里算法还包括依次遗传算法、进化策略、进化规划。差分进化算法包括三个基本的操作:变异操作、交叉(重组)操作和选择操作。一、算法建模:1、假设我们希望得到函数f(x)的最优解,这个函数有D个解。2、为函数f(x)设置一个解的组数N,N至少为4。3、这样我们就得到了N组并且每组解的个数为D的集合,它可以使用N个D维参数向量来表示。因为它类似于遗传算法进化一样,是一代一代的
- 差分进化算法(Differential evolution,DE)(附详细注释的Python代码)
XijueJa
算法python开发语言
概念与基本原理差分进化算法(DifferentialEvolution,简称DE)是一种基于种群的随机优化算法,由Storm和Price在1995年提出。它主要应用于解决非线性、非凸、连续和离散的优化问题。DE算法以其简单性、鲁棒性和高效性而受到广泛关注。差分进化算法的基本思想是通过模拟自然进化过程中的遗传和变异机制来寻找问题的最优解,类似于遗传算法。通过变异、交叉与选择,使得初始化的种群不断朝最
- apache ftpserver-CentOS config
gengzg
apache
<server xmlns="http://mina.apache.org/ftpserver/spring/v1"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="
http://mina.apache.o
- 优化MySQL数据库性能的八种方法
AILIKES
sqlmysql
1、选取最适用的字段属性 MySQL可以很好的支持大数据量的存取,但是一般说来,数据库中的表越小,在它上面执行的查询也就会越快。因此,在创建表的时候,为了获得更好的 性能,我们可以将表中字段的宽度设得尽可能小。例如,在定义邮政编码这个字段时,如果将其设置为CHAR(255),显然给数据库增加了不必要的空间,甚至使用VARCHAR这种类型也是多余的,因为CHAR(6)就可以很
- JeeSite 企业信息化快速开发平台
Kai_Ge
JeeSite
JeeSite 企业信息化快速开发平台
平台简介
JeeSite是基于多个优秀的开源项目,高度整合封装而成的高效,高性能,强安全性的开源Java EE快速开发平台。
JeeSite本身是以Spring Framework为核心容器,Spring MVC为模型视图控制器,MyBatis为数据访问层, Apache Shiro为权限授权层,Ehcahe对常用数据进行缓存,Activit为工作流
- 通过Spring Mail Api发送邮件
120153216
邮件main
原文地址:http://www.open-open.com/lib/view/open1346857871615.html
使用Java Mail API来发送邮件也很容易实现,但是最近公司一个同事封装的邮件API实在让我无法接受,于是便打算改用Spring Mail API来发送邮件,顺便记录下这篇文章。 【Spring Mail API】
Spring Mail API都在org.spri
- Pysvn 程序员使用指南
2002wmj
SVN
源文件:http://ju.outofmemory.cn/entry/35762
这是一篇关于pysvn模块的指南.
完整和详细的API请参考 http://pysvn.tigris.org/docs/pysvn_prog_ref.html.
pysvn是操作Subversion版本控制的Python接口模块. 这个API接口可以管理一个工作副本, 查询档案库, 和同步两个.
该
- 在SQLSERVER中查找被阻塞和正在被阻塞的SQL
357029540
SQL Server
SELECT R.session_id AS BlockedSessionID ,
S.session_id AS BlockingSessionID ,
Q1.text AS Block
- Intent 常用的用法备忘
7454103
.netandroidGoogleBlogF#
Intent
应该算是Android中特有的东西。你可以在Intent中指定程序 要执行的动作(比如:view,edit,dial),以及程序执行到该动作时所需要的资料 。都指定好后,只要调用startActivity(),Android系统 会自动寻找最符合你指定要求的应用 程序,并执行该程序。
下面列出几种Intent 的用法
显示网页:
- Spring定时器时间配置
adminjun
spring时间配置定时器
红圈中的值由6个数字组成,中间用空格分隔。第一个数字表示定时任务执行时间的秒,第二个数字表示分钟,第三个数字表示小时,后面三个数字表示日,月,年,< xmlnamespace prefix ="o" ns ="urn:schemas-microsoft-com:office:office" />
测试的时候,由于是每天定时执行,所以后面三个数
- POJ 2421 Constructing Roads 最小生成树
aijuans
最小生成树
来源:http://poj.org/problem?id=2421
题意:还是给你n个点,然后求最小生成树。特殊之处在于有一些点之间已经连上了边。
思路:对于已经有边的点,特殊标记一下,加边的时候把这些边的权值赋值为0即可。这样就可以既保证这些边一定存在,又保证了所求的结果正确。
代码:
#include <iostream>
#include <cstdio>
- 重构笔记——提取方法(Extract Method)
ayaoxinchao
java重构提炼函数局部变量提取方法
提取方法(Extract Method)是最常用的重构手法之一。当看到一个方法过长或者方法很难让人理解其意图的时候,这时候就可以用提取方法这种重构手法。
下面是我学习这个重构手法的笔记:
提取方法看起来好像仅仅是将被提取方法中的一段代码,放到目标方法中。其实,当方法足够复杂的时候,提取方法也会变得复杂。当然,如果提取方法这种重构手法无法进行时,就可能需要选择其他
- 为UILabel添加点击事件
bewithme
UILabel
默认情况下UILabel是不支持点击事件的,网上查了查居然没有一个是完整的答案,现在我提供一个完整的代码。
UILabel *l = [[UILabel alloc] initWithFrame:CGRectMake(60, 0, listV.frame.size.width - 60, listV.frame.size.height)]
- NoSQL数据库之Redis数据库管理(PHP-REDIS实例)
bijian1013
redis数据库NoSQL
一.redis.php
<?php
//实例化
$redis = new Redis();
//连接服务器
$redis->connect("localhost");
//授权
$redis->auth("lamplijie");
//相关操
- SecureCRT使用备注
bingyingao
secureCRT每页行数
SecureCRT日志和卷屏行数设置
一、使用securecrt时,设置自动日志记录功能。
1、在C:\Program Files\SecureCRT\下新建一个文件夹(也就是你的CRT可执行文件的路径),命名为Logs;
2、点击Options -> Global Options -> Default Session -> Edite Default Sett
- 【Scala九】Scala核心三:泛型
bit1129
scala
泛型类
package spark.examples.scala.generics
class GenericClass[K, V](val k: K, val v: V) {
def print() {
println(k + "," + v)
}
}
object GenericClass {
def main(args: Arr
- 素数与音乐
bookjovi
素数数学haskell
由于一直在看haskell,不可避免的接触到了很多数学知识,其中数论最多,如素数,斐波那契数列等,很多在学生时代无法理解的数学现在似乎也能领悟到那么一点。
闲暇之余,从图书馆找了<<The music of primes>>和<<世界数学通史>>读了几遍。其中素数的音乐这本书与软件界熟知的&l
- Java-Collections Framework学习与总结-IdentityHashMap
BrokenDreams
Collections
这篇总结一下java.util.IdentityHashMap。从类名上可以猜到,这个类本质应该还是一个散列表,只是前面有Identity修饰,是一种特殊的HashMap。
简单的说,IdentityHashMap和HashM
- 读《研磨设计模式》-代码笔记-享元模式-Flyweight
bylijinnan
java设计模式
声明: 本文只为方便我个人查阅和理解,详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/
import java.util.ArrayList;
import java.util.Collection;
import java.util.HashMap;
import java.util.List;
import java
- PS人像润饰&调色教程集锦
cherishLC
PS
1、仿制图章沿轮廓润饰——柔化图像,凸显轮廓
http://www.howzhi.com/course/retouching/
新建一个透明图层,使用仿制图章不断Alt+鼠标左键选点,设置透明度为21%,大小为修饰区域的1/3左右(比如胳膊宽度的1/3),再沿纹理方向(比如胳膊方向)进行修饰。
所有修饰完成后,对该润饰图层添加噪声,噪声大小应该和
- 更新多个字段的UPDATE语句
crabdave
update
更新多个字段的UPDATE语句
update tableA a
set (a.v1, a.v2, a.v3, a.v4) = --使用括号确定更新的字段范围
- hive实例讲解实现in和not in子句
daizj
hivenot inin
本文转自:http://www.cnblogs.com/ggjucheng/archive/2013/01/03/2842855.html
当前hive不支持 in或not in 中包含查询子句的语法,所以只能通过left join实现。
假设有一个登陆表login(当天登陆记录,只有一个uid),和一个用户注册表regusers(当天注册用户,字段只有一个uid),这两个表都包含
- 一道24点的10+种非人类解法(2,3,10,10)
dsjt
算法
这是人类算24点的方法?!!!
事件缘由:今天晚上突然看到一条24点状态,当时惊为天人,这NM叫人啊?以下是那条状态
朱明西 : 24点,算2 3 10 10,我LX炮狗等面对四张牌痛不欲生,结果跑跑同学扫了一眼说,算出来了,2的10次方减10的3次方。。我草这是人类的算24点啊。。
然后么。。。我就在深夜很得瑟的问室友求室友算
刚出完题,文哥的暴走之旅开始了
5秒后
- 关于YII的菜单插件 CMenu和面包末breadcrumbs路径管理插件的一些使用问题
dcj3sjt126com
yiiframework
在使用 YIi的路径管理工具时,发现了一个问题。 <?php  
- 对象与关系之间的矛盾:“阻抗失配”效应[转]
come_for_dream
对象
概述
“阻抗失配”这一词组通常用来描述面向对象应用向传统的关系数据库(RDBMS)存放数据时所遇到的数据表述不一致问题。C++程序员已经被这个问题困扰了好多年,而现在的Java程序员和其它面向对象开发人员也对这个问题深感头痛。
“阻抗失配”产生的原因是因为对象模型与关系模型之间缺乏固有的亲合力。“阻抗失配”所带来的问题包括:类的层次关系必须绑定为关系模式(将对象
- 学习编程那点事
gcq511120594
编程互联网
一年前的夏天,我还在纠结要不要改行,要不要去学php?能学到真本事吗?改行能成功吗?太多的问题,我终于不顾一切,下定决心,辞去了工作,来到传说中的帝都。老师给的乘车方式还算有效,很顺利的就到了学校,赶巧了,正好学校搬到了新校区。先安顿了下来,过了个轻松的周末,第一次到帝都,逛逛吧!
接下来的周一,是我噩梦的开始,学习内容对我这个零基础的人来说,除了勉强完成老师布置的作业外,我已经没有时间和精力去
- Reverse Linked List II
hcx2013
list
Reverse a linked list from position m to n. Do it in-place and in one-pass.
For example:Given 1->2->3->4->5->NULL, m = 2 and n = 4,
return 
- Spring4.1新特性——页面自动化测试框架Spring MVC Test HtmlUnit简介
jinnianshilongnian
spring 4.1
目录
Spring4.1新特性——综述
Spring4.1新特性——Spring核心部分及其他
Spring4.1新特性——Spring缓存框架增强
Spring4.1新特性——异步调用和事件机制的异常处理
Spring4.1新特性——数据库集成测试脚本初始化
Spring4.1新特性——Spring MVC增强
Spring4.1新特性——页面自动化测试框架Spring MVC T
- Hadoop集群工具distcp
liyonghui160com
1. 环境描述
两个集群:rock 和 stone
rock无kerberos权限认证,stone有要求认证。
1. 从rock复制到stone,采用hdfs
Hadoop distcp -i hdfs://rock-nn:8020/user/cxz/input hdfs://stone-nn:8020/user/cxz/运行在rock端,即源端问题:报版本
- 一个备份MySQL数据库的简单Shell脚本
pda158
mysql脚本
主脚本(用于备份mysql数据库): 该Shell脚本可以自动备份
数据库。只要复制粘贴本脚本到文本编辑器中,输入数据库用户名、密码以及数据库名即可。我备份数据库使用的是mysqlump 命令。后面会对每行脚本命令进行说明。
1. 分别建立目录“backup”和“oldbackup” #mkdir /backup #mkdir /oldbackup
- 300个涵盖IT各方面的免费资源(中)——设计与编码篇
shoothao
IT资源图标库图片库色彩板字体
A. 免费的设计资源
Freebbble:来自于Dribbble的免费的高质量作品。
Dribbble:Dribbble上“免费”的搜索结果——这是巨大的宝藏。
Graphic Burger:每个像素点都做得很细的绝佳的设计资源。
Pixel Buddha:免费和优质资源的专业社区。
Premium Pixels:为那些有创意的人提供免费的素材。
- thrift总结 - 跨语言服务开发
uule
thrift
官网
官网JAVA例子
thrift入门介绍
IBM-Apache Thrift - 可伸缩的跨语言服务开发框架
Thrift入门及Java实例演示
thrift的使用介绍
RPC
POM:
<dependency>
<groupId>org.apache.thrift</groupId>