沐阳听风666
沐阳听风666

凸优化第五章对偶 5.9广义不等式

5.9广义不等式

  1. Lagrange对偶
  2. 最优性条件

Lagrange对偶

minimize \, \,f_0(x)\\ subject \, \, to \, \,\begin{matrix} f_i(x)\preceq _{K_i}0&i=1,2\cdots m \\ h_i(x)=0 &i=1,2 \cdots p \end{matrix}

其中K_i \in R^{K_i}是正常锥。

对于问题中的每个广义不等式f_i(x)\preceq _{K_i}0，引入Lagrange乘子向量，\lambda _i \in R^{K_i}，并定义相关的Lagrange函数：

L(x,\lambda,v)=f_0(x)+\sum_{i=1}^m\lambda^T_if_i(x)+\sum _{i=1}^p v_ih_i(x)

对偶函数：

g(\lambda,v)=\underset{x \in D}{inf}L(x,\lambda,v)=\underset{x \in D}{inf}(f_0(x)+\sum_{i=1}^m\lambda^T_if_i(x)+\sum _{i=1}^p v_ih_i(x))

弱对偶性：如果\lambda_i \succeq_{K_i^*}0，即广义不等式的Lagrange乘子必须是对偶非负的，则g(\lambda,v)\leq P^*

对偶问题：

minimize \, \, g(\lambda,v)\\ subject \,\, to \,\,\lambda_i\succeq_{K_i^*}0,i=1,2\cdots m

弱对偶性始终成立。

在广义不等式的情况下，强对偶性成立的条件：原问题是凸的且满足约束条件（Slater条件）

对于如下问题：

minimize \, \,f_0(x)\\ subject \, \, to \, \,\begin{matrix} f_i(x)\preceq _{K_i}0&i=1,2\cdots m \\ Ax=b & \end{matrix}

其中f_0是凸函数，f_i,i=1,2\cdots m是K_i凸的，其Slater条件：

\exists x\in relint D,f_i(x)\prec _{K_i}0,i=1,2,\cdots m,Ax=b

如果Slater条件成立，强对偶性成立。

半定规划问题

minimize \,\, c^Tx \\ subject \,\, to \, \,x_1F_1+x_2F_2+\cdots+x_nF_n+G\preceq 0

其中F_1,\cdots F_n,G \in S^k，此时f_1是仿射的，锥K_1为半正定锥S^k_+

引入Lagrange乘子z，其Lagrange函数：

L(x,z)=c^Tx+\boldsymbol{tr}((x_1F_1+x_2F_2+\cdots+x_nF_n+G)z)=x_1(c_1+\boldsymbol{tr}(F_1z))+\cdots +x_n(c_n+\boldsymbol{tr}(F_nz))+\boldsymbol{tr}(Gz)

对偶函数：

g(z)=\underset{x}{inf}L(x,z)

对x极小化，当且仅当c_i+\boldsymbol{tr}(F_iz)=0,i=1,\cdots n，此时g(z)有下界\boldsymbol{tr}(GZ)，其他情况下g(z)无下界。

g(z)=\underset{x}{inf}L(x,z)=\left\{\begin{matrix} \boldsymbol{tr}(Gz) & c_i+\boldsymbol{tr}(F_iz)=0,i=1,\cdots n \\ -\infty & otherwise \end{matrix}\right.

对偶问题：

maximize \,\, \boldsymbol{tr}(Gz) \\ subject \,\, to \, \,z\succeq 0,\boldsymbol{tr}(F_iz)+c_i=0,i=1,\cdots n

最优性条件

互补松弛性

\lambda^*_i\succ _{K_i^*} 0\Rightarrow f_i(x^*)=0\\ f_i(x^*)\succ_{K_i} 0\Rightarrow \lambda _i^*=0

KKT条件

f_i(x^*)\precep_{K_i} 0,i=1,\cdots m \\ h_i(x^*)=0,i=1,\cdots p \\ \lambda _i^*\succeq_{K_i^*} 0,i=1,\cdots m\\ \lambda_i^*f_i(x^*)=0,i=1,\cdots m\\ \bigtriangledown_x L(x^*,\lambda^*,v^*)=\bigtriangledown _xf_0(x^*)+\sum_{i=1}^m\lambda^*_i\bigtriangledown _xf_i(x^*)+\sum_{i=1}^pv^*_i \bigtriangledown _xh_i(x^*)=0

你可能感兴趣的:(凸优化)

  • AI大模型从0到1记录学习 大模型技术之机器学习 day27-day60 Gsen2819 算法大模型人工智能人工智能学习机器学习
    机器学习概述机器学习（MachineLearning,ML）主要研究计算机系统对于特定任务的性能，逐步进行改善的算法和统计模型。通过输入海量训练数据对模型进行训练，使模型掌握数据所蕴含的潜在规律，进而对新输入的数据进行准确的分类或预测。机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸优化、算法复杂度理论等多门学科。人工智能、机器学习与深度学习人工智能（AI）是计算机科学的一个广泛领域，
  • 凸优化：驯服复杂世界的“山谷寻宝术” 科技林总 DeepSeek学AI人工智能
    想象你被蒙上双眼，置身于一片广袤而陌生的山地。你的任务只有一个：找到最低的那个山谷。地形可能极其复杂——有无数的山峰、深谷、沟壑、平原。有些山谷是陷阱（局部最低点），而真正的宝藏（全局最低点）只有一个。如何在信息有限、地形未知的情况下，高效、可靠地找到这个绝对的最低点？这就是**凸优化（ConvexOptimization）**要解决的终极挑战。它不是普通的优化，而是一门将复杂世界转化为“友好地形
  • 詹森不等式（Jensen’s Inequality）——EM算法的基础 phoenix@Capricornus 模式识别中的数学问题机器学习
    詹森不等式（Jensen’sInequality）是数学中一个非常重要的不等式，广泛应用于概率论、统计学、凸优化、信息论等领域。它基于凸函数和凹函数的性质。一、基本定义设函数fff是定义在区间III上的凸函数（convexfunction），且随机变量XXX的取值落在III内，期望存在，则有：E[f(X)]⩾f(E[X]){E}[f(X)]\geqslantf({E}[X])E[f(X)]⩾f(E
  • 【神经网络与深度学习】通俗易懂的介绍非凸优化问题、梯度消失、梯度爆炸、模型的收敛、模型的发散 如果树上有叶子 神经网络与深度学习深度学习神经网络人工智能
    引言深度学习近年来取得了突破性的进展，并在多个领域展现出惊人的性能。然而，神经网络的训练过程并不总是顺利的，优化过程中可能会遇到各种挑战，如非凸优化问题、梯度消失、梯度爆炸、模型收敛和模型发散。这些问题直接影响着模型的稳定性和最终性能，因此理解它们对于深度学习的研究和应用至关重要。本文将深入探讨这些优化问题的本质及其应对策略，帮助你更好地掌握深度学习模型的训练过程，并提高模型的表现。深度学习中的优
  • 强化学习系统学习路径与实践方法 豆芽819 tip学习人工智能机器学习深度学习强化学习
    一、学习路径规划1.基础巩固阶段（1-2个月）必读教材：《ReinforcementLearning:AnIntroduction》(Sutton&Barto)第1-6章重点掌握：马尔可夫决策过程（MDP）、贝尔曼方程、动态规划（DP）、蒙特卡洛（MC）、时序差分（TD）算法。数学基础：概率论（期望、方差、条件概率）线性代数（矩阵运算、特征值）优化理论（梯度下降、凸优化）补充资源：MIT线性代数课
  • 最优化方法（3）:线性规划基本理论 ♚放晴♛~ 算法
    系列笔记是本人在上最优化方法时整理的，参考书籍为经典的NumericalOptimization(SecondEdition)。笔记主要分为0～5共六个部分，包括优化基础、线搜索、带约束优化基础、线性规划、对偶理论、带约束凸优化算法，以及一些零散的部分。这里是第三部分，也就是线性规划基本理论。线性规划基本理论线性规划标准形式与转化线性规划问题有着如下形式：min⁡cTxs.t.aiTx≤bi,i=
  • 《Sklearn 机器学习模型--分类模型》--支持向量机（Support Vector Machine, SVM） 非门由也 机器学习数据分析支持向量机机器学习sklearn
    支持向量机（SupportVectorMachine,SVM）是一种基于间隔最大化原理的分类模型，其核心在于构建最优超平面以区分不同类别，并具有处理高维数据的优势‌。是否高斯分布/复杂边界多项式关系输入训练数据数据标准化处理数据是否线性可分?选择线性核函数选择非线性核函数数据特征类型?使用RBF核使用多项式核构建SVM目标函数求解凸优化问题:最大化间隔得到支持向量与超平面分类新样本输出预测类别核心
  • 深度学习 常见优化器 Humingway 深度学习人工智能
    一、基础优化器随机梯度下降（SGD）•核心：∇θJ(θ)=η*∇θJ(θ)•特点：学习率固定，收敛路径震荡大•适用场景：简单凸优化问题•改进方向：动量加速二、动量系优化器2.SGDwithMomentum•公式：v_t=γv_{t-1}+η∇θJ(θ)•效果：平滑梯度更新，加速收敛•经典参数：γ=0.9（多数场景推荐）三、自适应学习率家族3.Adagrad•创新：∇θJ(θ)_t=∇θJ(θ)/(
  • 支持向量机 SVM 简要介绍 _夜空的繁星_ 机器学习svm支持向量机拉格朗日对偶机器学习
    那些我从来没有理解过的概念（1）下面是我在学习过程中遇到的对我很难理解的概念和我抄下来的笔记主要资料来源：《统计学习方法》，维基百科拉格朗日对偶问题是什么假设f(x),ci(x),hj(x)是定义在Rn上的连续可微函数，考虑以下最优化问题：$$\min_{x\inR^n}{f(x)}\c_i(x)\leq0,i=1,2,\dots,k\h_j(x)=0,j=1,2,\dots,l$$是一个凸优化问
  • 支持向量机SVM原理详解 handsomeboysk 支持向量机机器学习人工智能
    SVM原理详解1、超平面2、SVM原理1.问题定义2.分类决策得到约束条件3.最大化间隔4.优化目标3、凸优化问题1.原始优化问题优化目标约束条件2.拉格朗日乘子法3.拉格朗日函数分析4.求解对www和bbb的极值5.构造对偶问题对偶问题的约束条件：6、通过支持向量求解bbb支持向量的条件7.对偶问题的解法4、非线性如何划分1.非线性数据问题2.核技巧的核心思想3.常见的核函数1.线性核（Line
  • Python-玩转数据-凸优化 人猿宇宙 python数据挖掘人工智能
    一、说明最优化问题目前在机器学习，数据挖掘等领域应用非常广泛，因为机器学习简单来说，主要做的就是优化问题，先初始化一下权重参数，然后利用优化方法来优化这个权重，直到准确率不再是上升，迭代停止，那到底什么是最优化问题呢？比如你要从上海去北京，你可以选择搭飞机，或者火车，动车，但只给你500块钱，要求你以最快的时间到达，其中到达的时间就是优化的目标，500块钱是限制条件，选择动车，火车，或者什么火车都
  • 凸优化学习 qiaoxinyu10623 凸优化1024程序员节
    认为学习凸优化理论比较合适的路径是：学习/复习线性代数和（少量）高等数学的知识。实际上，凸优化理论综合使用了线性代数和微积分的相关知识，比如方向导数，雅克比矩阵，海森矩阵，KKT条件等。这里强烈推荐MIT公开课《线性代数》，GilbertStrang教授主讲，完全不是照本宣科，而是注重几何解释，非常具有启发性，学完之后，你会对线性代数有全新的认识。学习视频：-UP主汉语配音-【线性代数的本质】合集
  • 凸优化学习之旅 还有你Y 最优化学习
    目录标题专业名词MM算法CCP算法：代码说明SCA算法：连续松弛梯度投影算法分支定界搜索法凸问题辨别OA算法λ-representationADMM算法代码说明BCD算法BCD（BlockCoordinateDescent）代码示例与ADMM的区别总结2024年5月6日15:15:26专业名词DC问题：DifferenceofConvex。Difference理解为差，convex是凸，DC问题就
  • 运筹系列35：凸优化接口cvxpy IE06 运筹学
    1.凸优化问题1.1QP问题目标函数二阶，约束一阶，称为Quadraticprogramming1.2.QCQP目标二阶，约束二阶，QuadraticalConstraintQuadraticProgramming。1.3.SOCPsecondorderconeprogram，本质上还是一个QP问题（约束条件进行平方）。1.4DCP一个问题能够由目标函数和一系列约束构造。如果问题遵从DCP规则，这
  • 基于 Python 和 cvxpy 求解 SOCP 二阶锥规划问题 - Easy 优化python数学建模线性代数自动驾驶机器人
    cvxpy:Python功能包，为凸优化提供方便使用的用户接口，适配多种求解器SOCP:Second-OrderConeProgramming，二阶锥规划convexoptimization-凸优化，nonlinearoptimization-非线性优化timecomplexity-时间复杂度，polynomial-time-多项式时间Euclideannorm-欧几里德范数文章目录什么是SOCP
  • 机器学习 | 凸/非凸目标函数 |非凸目标函数导致求解陷入局部最优 stone_fall 图像处理与机器学习
    数学中最优化问题的一般表述是求取x∗∈χx^{*}\in\chix∗∈χ，使f(x∗)=min{f(x):x∈χ}f(x^{*})=min\{f(x):x\in\chi\}f(x∗)=min{f(x):x∈χ}，其中x是n维向量，χ\chiχ是x的可行域，f是χ\chiχ上的实值函数。凸优化问题是指χ\chiχ是闭合的凸集且f是χ\chiχ上的凸函数的最优化问题，这两个条件任一不满足则该问题即为非
  • Task10-向前分布算法和梯度提升决策树 沫2021
    1.前向分步算法前项分布算法可以解决分类问题，也可以解决回归问题。（1）Adaboost的加法模型：在Adaboost的基础上，将多个基分类器合并为一个复杂分类器，是通过计算每个基分类器的加权和。通常情况下这是一个复杂的优化问题，很难通过简单的凸优化的相关知识进行解决。而前向分步算法可以用来求解这种方式的问题，它的基本思路是：因为学习的是加法模型，如果从前向后，每一步只优化一个基函数及其系数，逐步
  • 优化｜复杂度分析——用于凸约束非凸优化问题的光滑化近似点增广拉格朗日算法 运筹OR帷幄 算法机器学习人工智能
    1.简介对于无约束的非凸优化问题，算法复杂度的下界为Ω(1/ϵ2)\Omega(1/\epsilon^2)Ω(1/ϵ2)；在目标函数光滑时，这个下界可以通过标准梯度下降算法来取到.对于带约束的非凸优化问题，这个下界依旧适用；到这里，我们自然会提出疑问：它是否也能通过某个一阶算法来取到？对此，本文[1]^{[1]}[1]作出了回答.文中介绍了一种简单的一阶算法——光滑化近似点增广拉格朗日方法（Smo
  • 03 凸优化理论-凸函数 Jay Morein 优化理论与随机控制算法
    03凸函数目录3.1凸函数的定义、性质（凸函数的判定）、示例3.2保凸运算3.4拟凸函数3.5对数凸函数3.3共轭函数3.6关于广义不等式的凸性3.1凸函数的定义、性质和例子（一）凸函数的定义&扩展值延伸3.1.1定义Def1凸函数的定义、几何含义定理1：仿射函数等价于既凸又凹函数。定理2(凸性由函数在直线上的性质刻画)*：凸函数的充要条件是与其定义域相交的任何直线上都是凸的。（可以将函数限制在直
  • 凸优化问题：基础定义 TensorME 数学理论凸优化
    “一旦将一个实际问题表述为凸优化问题，大体上意味着相应问题已经得到彻底解决，这是非凸的优化问题所不具有的性质。”——《译者序》“事实上，优化问题的分水岭不是线性与非线性，而是凸性与非凸性”——Rockafellar1什么是凸优化什么是凸优化？抛开凸优化中的种种理论和算法不谈，纯粹的看优化模型，凸优化就是：1、在最小化（最大化）的要求下，2、目标函数是一个凸函数（凹函数），3、同时约束条件所形成的可
  • 深度学习|拉格朗日对偶及KKT条件推导 科研工作站 深度学习KKT对偶仿射
    目录1主要内容2问题提出3对偶推导4KKT条件1主要内容在电力系统优化过程中，风光等分布式能源出力和负荷的不确定性（即源荷不确定性）形成了电力系统方向的研究热点，每个研究人员都试图通过自己的方法将研究推进的更深入一些，在理论研究的深层次上，离不开鲁棒优化，包括两阶段鲁棒优化、分布鲁棒优化算法等，鲁棒优化的基础知识是拉格朗日对偶和KKT条件，给大家推荐个课程——凌青老师的《凸优化》，该课程系统性讲解
  • CVX工具包（for matlab） 夕夕夕夕嘻嘻嘻嘻 编程工具matlabcvx优化
    CVX工具包（formatlab）CVX是斯坦福的教授StephenP.Bold等人开发的一个基于Matlab的凸优化工具包，能够解决诸如线性规划，二次规划，整数规划（需要license)等等优化问题，且使用非常的人性化。比如，求解最小二乘法等问题。Installation支持32／64位的Linux,MACOSX,Windows系统。可戳官方下载链接：http://cvxr.com/cvx/do
  • Matlab中CVX工具箱使用 Upsame MatlabCVXMatlab
    Matlab中CVX工具箱使用CVX是一个凸优化解决工具，需要在Matlab上使用。CVX让Matlab变成一个模型语言，可以使用Matlab的标准语法完成优化问题的求解。安装下载官方安装包，解压缩到任意路径，建议和Matlab放到一起。打开Matlab，切换路径到CVX的存放路径，Matlab中运行cvx_setup命令即完成安装。cdC:\personal\cvxcvx_setupCVX支持的
  • 【笔记】认识凸优化 假装有头像 笔记
    凸优化凸优化是一类特殊的数学优化问题，其基本思路是凸优化的基本思路是通过利用凸性质，将优化问题转化为在凸集上定义的凸函数的最优化问题，从而能够借助凸优化的理论和算法来高效求解。凸优化问题相对于一般的优化问题更易于求解以下是凸优化的基本思路和特点：凸集：凸优化中的关键概念之一是凸集。凸集是一个具有凸性质的集合，即对于集合中的任意两点，连接它们的线段仍然在集合内部。凸优化通常涉及到在凸集上定义的优化问
  • 自动驾驶轨迹规划之碰撞检测（二） 无意2121 自动驾驶轨迹规划算法游戏引擎算法自动驾驶
    欢迎大家关注我的B站：偷吃薯片的Zheng同学的个人空间-偷吃薯片的Zheng同学个人主页-哔哩哔哩视频(bilibili.com)目录1.基于凸优化2.具身足迹3.ESDF自动驾驶轨迹规划之碰撞检测（一）-CSDN博客大家可以先阅读之前的博客1.基于凸优化以此为代表的算法则是OBCA无论是自车还是障碍物都可以表示为凸多边形，因此可以表示为多个超平面围成的空间同时，自车与障碍物的避撞表达式就可以写
  • 深度学习数学知识点 搬砖成就梦想 深度学习人工智能
    一、线性代数二、概率论三、微积分四、凸优化参考资料一、线性代数书籍&视频李宏毅线性代数MITLinearAlgebra知识点1）线性空间及线性变换2）矩阵的基本概念3）状态转移矩阵4）特征向量5）矩阵的相关乘法6）矩阵的QR分解7）对称矩阵、正交矩阵、正定矩阵8）矩阵的SVD分解9）矩阵的求导10）矩阵映射/投影11）矩阵的秩12）矩阵的特征值和特征空间二、概率论书籍&视频MITIntroduct
  • 凸优化—常见分式规划解决方法及代码实现 兜兜转转m 通信仿真和学习算法
    分式规划是凸优化中常见的问题，例如最大化能效等。这篇博客介绍了single-ratio分式规划的二种常见方法。1、Quadratictransform2、Dinkelbach'sTransform优化问题一个简单的优化问题如何使用上述二种方法来计算呢？Quadratictransform代码复现%%方法2:QuadraticTransform求解max(x/(x^2+1))s.tx>=0iter_
  • 凸优化: 障碍函数法 QQ_AHAO 凸优化算法机器学习
    上一节讲到了等式消除的牛顿法，这一节我们讲一般约束问题的障碍函数法。首先我们利用对数阀函数来近似替代示性函数，用来消去不等式约束。最终使得问题变为等式约束的牛顿法，然后消除法消去等式约束，再利用牛顿法进行迭代求解。例题：求解过程：以上都是笔者个人学习方法，如有不妥之处，欢迎大家批判指正，后续有时间，笔者会分享更多的凸优化学习方法给大家。
  • 凸优化: 惩罚函数之内罚函数法（等式消除的newton法，一般约束问题的障碍函数法） QQ_AHAO 凸优化其他经验分享机器学习
    目录0.说明：1.等式约束的newton法：2.障碍函数法0.说明：相信不少小伙伴在学习内罚函数时会遇到不少障碍，接下来我将从结合个人学习过程，通过例题给小伙伴们讲解一下自己的见解，因为其理论知识在《凸优化》（王书宁译）介绍的很详细，所以我只介绍在例题中如何应用。由于外罚函数和内点法的不等式约束问题在网上都可以找到例题和求解方法，而且也相对较简单，所以在此我就多做赘述了。就讲述一下较难的等式消除的
  • 深度卷积神经网络 sendmeasong_ying 深度学习cnn深度学习机器学习
    目录1.AlexNet2.代码实现1.AlexNet(1)特征提取(2)选择核函数来计算相关性：怎么判断在高维空间里面两个点是如何相关的，如果是线性模型就是做内积。(3)凸优化问题(4)漂亮的定理丢弃法的作用就是因为模型太大了，使用它来对模型做正则。Relu相比于sigmoid梯度确实更大，Maxpooling使用的是最大值，因此输出的值比较大，梯度就比较大，训练就更加容易。输入是224*224，
  • 解读Servlet原理篇二---GenericServlet与HttpServlet 周凡杨 javaHttpServlet源理GenericService源码
    在上一篇《解读Servlet原理篇一》中提到，要实现javax.servlet.Servlet接口（即写自己的Servlet应用），你可以写一个继承自javax.servlet.GenericServletr的generic Servlet ，也可以写一个继承自java.servlet.http.HttpServlet的HTTP Servlet（这就是为什么我们自定义的Servlet通常是exte
  • MySQL性能优化 bijian1013 数据库mysql
            性能优化是通过某些有效的方法来提高MySQL的运行速度，减少占用的磁盘空间。性能优化包含很多方面，例如优化查询速度，优化更新速度和优化MySQL服务器等。本文介绍方法的主要有：         a.优化查询         b.优化数据库结构  
  • ThreadPool定时重试 dai_lm javaThreadPoolthreadtimertimertask
    项目需要当某事件触发时，执行http请求任务，失败时需要有重试机制，并根据失败次数的增加，重试间隔也相应增加，任务可能并发。 由于是耗时任务，首先考虑的就是用线程来实现，并且为了节约资源，因而选择线程池。 为了解决不定间隔的重试，选择Timer和TimerTask来完成 package threadpool; public class ThreadPoolTest {
  • Oracle 查看数据库的连接情况 周凡杨 sqloracle 连接
    首先要说的是，不同版本数据库提供的系统表会有不同，你可以根据数据字典查看该版本数据库所提供的表。 select * from dict where table_name like '%SESSION%'; 就可以查出一些表，然后根据这些表就可以获得会话信息 select sid,serial#,status,username,schemaname,osuser,terminal,ma
  • 类的继承 朱辉辉33 java
    类的继承可以提高代码的重用行，减少冗余代码；还能提高代码的扩展性。Java继承的关键字是extends 格式:public class 类名（子类）extends 类名（父类）{ } 子类可以继承到父类所有的属性和普通方法，但不能继承构造方法。且子类可以直接使用父类的public和 protected属性，但要使用private属性仍需通过调用。 子类的方法可以重写，但必须和父类的返回值类
  • android 悬浮窗特效 肆无忌惮_ android
    最近在开发项目的时候需要做一个悬浮层的动画，类似于支付宝掉钱动画。但是区别在于，需求是浮出一个窗口，之后边缩放边位移至屏幕右下角标签处。效果图如下：   一开始考虑用自定义View来做。后来发现开线程让其移动很卡，ListView+动画也没法精确定位到目标点。   后来想利用Dialog的dismiss动画来完成。   自定义一个Dialog后，在styl
  • hadoop伪分布式搭建 林鹤霄 hadoop
    要修改4个文件    1: vim hadoop-env.sh  第九行    2: vim core-site.xml            <configuration>     &n
  • gdb调试命令 aigo gdb
    原文：http://blog.csdn.net/hanchaoman/article/details/5517362   一、GDB常用命令简介   r run 运行.程序还没有运行前使用 c             cuntinue 
  • Socket编程的HelloWorld实例 alleni123 socket
    public class Client { public static void main(String[] args) { Client c=new Client(); c.receiveMessage(); } public void receiveMessage(){ Socket s=null; BufferedRea
  • 线程同步和异步 百合不是茶 线程同步异步
    多线程和同步 : 如进程、线程同步，可理解为进程或线程A和B一块配合，A执行到一定程度时要依靠B的某个结果，于是停下来，示意B运行；B依言执行，再将结果给A；A再继续操作。 所谓同步，就是在发出一个功能调用时，在没有得到结果之前，该调用就不返回，同时其它线程也不能调用这个方法   多线程和异步:多线程可以做不同的事情,涉及到线程通知     &
  • JSP中文乱码分析 bijian1013 javajsp中文乱码
            在JSP的开发过程中，经常出现中文乱码的问题。         首先了解一下Java中文问题的由来：         Java的内核和class文件是基于unicode的，这使Java程序具有良好的跨平台性，但也带来了一些中文乱码问题的麻烦。原因主要有两方面，
  • js实现页面跳转重定向的几种方式 bijian1013 JavaScript重定向
            js实现页面跳转重定向有如下几种方式： 一.window.location.href <script language="javascript"type="text/javascript"> window.location.href="http://www.baidu.c
  • 【Struts2三】Struts2 Action转发类型 bit1129 struts2
     在【Struts2一】 Struts Hello World http://bit1129.iteye.com/blog/2109365中配置了一个简单的Action，配置如下   <!DOCTYPE struts PUBLIC "-//Apache Software Foundation//DTD Struts Configurat
  • 【HBase十一】Java API操作HBase bit1129 hbase
    Admin类的主要方法注释：   1. 创建表 /** * Creates a new table. Synchronous operation. * * @param desc table descriptor for table * @throws IllegalArgumentException if the table name is res
  • nginx gzip ronin47 nginx gzip
    Nginx GZip 压缩 Nginx GZip 模块文档详见：http://wiki.nginx.org/HttpGzipModule 常用配置片段如下： gzip on; gzip_comp_level 2; # 压缩比例，比例越大，压缩时间越长。默认是1 gzip_types text/css text/javascript; # 哪些文件可以被压缩 gzip_disable &q
  • java-7.微软亚院之编程判断俩个链表是否相交 给出俩个单向链表的头指针，比如 h1 ， h2 ，判断这俩个链表是否相交 bylijinnan java
    public class LinkListTest { /** * we deal with two main missions: * * A. * 1.we create two joined-List(both have no loop) * 2.whether list1 and list2 join * 3.print the join
  • Spring源码学习-JdbcTemplate batchUpdate批量操作 bylijinnan javaspring
    Spring JdbcTemplate的batch操作最后还是利用了JDBC提供的方法，Spring只是做了一下改造和封装 JDBC的batch操作： String sql = "INSERT INTO CUSTOMER " + "(CUST_ID, NAME, AGE) VALUES (?, ?, ?)";
  • [JWFD开源工作流]大规模拓扑矩阵存储结构最新进展 comsci 工作流
        生成和创建类已经完成,构造一个100万个元素的矩阵模型,存储空间只有11M大,请大家参考我在博客园上面的文档"构造下一代工作流存储结构的尝试",更加相信的设计和代码将陆续推出.........     竞争对手的能力也很强.......,我相信..你们一定能够先于我们推出大规模拓扑扫描和分析系统的....
  • base64编码和url编码 cuityang base64url
    import java.io.BufferedReader; import java.io.IOException; import java.io.InputStreamReader; import java.io.PrintWriter; import java.io.StringWriter; import java.io.UnsupportedEncodingException;
  • web应用集群Session保持 dalan_123 session
    关于使用 memcached 或redis 存储 session ，以及使用 terracotta 服务器共享。建议使用 redis，不仅仅因为它可以将缓存的内容持久化，还因为它支持的单个对象比较大，而且数据类型丰富，不只是缓存 session，还可以做其他用途，一举几得啊。1、使用 filter 方法存储这种方法比较推荐，因为它的服务器使用范围比较多，不仅限于tomcat ，而且实现的原理比较简
  • Yii 框架里数据库操作详解-[增加、查询、更新、删除的方法 'AR模式'] dcj3sjt126com 数据库
        public function getMinLimit () {        $sql = "...";        $result = yii::app()->db->createCo
  • solr StatsComponent（聚合统计） eksliang solr聚合查询solr stats
    StatsComponent 转载请出自出处：http://eksliang.iteye.com/blog/2169134 http://eksliang.iteye.com/ 一、概述        Solr可以利用StatsComponent 实现数据库的聚合统计查询，也就是min、max、avg、count、sum的功能   二、参数
  • 百度一道面试题 greemranqq 位运算百度面试寻找奇数算法bitmap 算法
    那天看朋友提了一个百度面试的题目：怎么找出{1,1,2,3,3,4,4,4,5,5,5,5}  找出出现次数为奇数的数字.   我这里复制的是原话，当然顺序是不一定的，很多拿到题目第一反应就是用map,当然可以解决，但是效率不高。   还有人觉得应该用算法xxx,我是没想到用啥算法好...！   还有觉得应该先排序...   还有觉
  • Spring之在开发中使用SpringJDBC ihuning spring
      在实际开发中使用SpringJDBC有两种方式：   1. 在Dao中添加属性JdbcTemplate并用Spring注入；     JdbcTemplate类被设计成为线程安全的，所以可以在IOC 容器中声明它的单个实例，并将这个实例注入到所有的 DAO 实例中。JdbcTemplate也利用了Java 1.5 的特定(自动装箱，泛型，可变长度
  • JSON API 1.0 核心开发者自述 | 你所不知道的那些技术细节 justjavac json
    2013年5月，Yehuda Katz 完成了JSON API(英文，中文) 技术规范的初稿。事情就发生在 RailsConf 之后，在那次会议上他和 Steve Klabnik 就 JSON 雏形的技术细节相聊甚欢。在沟通单一 Rails 服务器库—— ActiveModel::Serializers 和单一 JavaScript 客户端库——&
  • 网站项目建设流程概述 macroli 工作
    一.概念 网站项目管理就是根据特定的规范、在预算范围内、按时完成的网站开发任务。 二.需求分析 项目立项 　　我们接到客户的业务咨询，经过双方不断的接洽和了解，并通过基本的可行性讨论够，初步达成制作协议，这时就需要将项目立项。较好的做法是成立一个专门的项目小组，小组成员包括：项目经理，网页设计，程序员，测试员，编辑/文档等必须人员。项目实行项目经理制。 客户的需求说明书 　　第一步是需
  • AngularJs 三目运算 表达式判断 qiaolevip 每天进步一点点学习永无止境众观千象AngularJS
    事件回顾：由于需要修改同一个模板，里面包含2个不同的内容，第一个里面使用的时间差和第二个里面名称不一样，其他过滤器，内容都大同小异。希望杜绝If这样比较傻的来判断if-show or not，继续追究其源码。 var b = "{{", a = "}}"; this.startSymbol = function(a) {
  • Spark算子：统计RDD分区中的元素及数量 superlxw1234 sparkspark算子Spark RDD分区元素
    关键字：Spark算子、Spark RDD分区、Spark RDD分区元素数量     Spark RDD是被分区的，在生成RDD时候，一般可以指定分区的数量，如果不指定分区数量，当RDD从集合创建时候，则默认为该程序所分配到的资源的CPU核数，如果是从HDFS文件创建，默认为文件的Block数。   可以利用RDD的mapPartitionsWithInd
  • Spring 3.2.x将于2016年12月31日停止支持 wiselyman Spring 3
                  Spring 团队公布在2016年12月31日停止对Spring Framework 3.2.x（包含tomcat 6.x）的支持。在此之前spring团队将持续发布3.2.x的维护版本。          请大家及时准备及时升级到Spring
  • fis纯前端解决方案fis-pure zccst JavaScript
    作者：zccst FIS通过插件扩展可以完美的支持模块化的前端开发方案，我们通过FIS的二次封装能力，封装了一个功能完备的纯前端模块化方案pure。 1，fis-pure的安装 $ fis install -g fis-pure $ pure -v 0.1.4 2，下载demo到本地 git clone https://github.com/hefangshi/f
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他