andy.wang0502

《多目标进化优化》笔记

目前在做多目标优化这块的研究，找了一本郑金华的《多目标进化优化》恶补下基础知识，有需要的可以下载电子版，一起优化优化。在此笔记来督促自己的科研进度，有个输出的过程，也方便和各位同方向的同学们一起交流探讨！

多目标优化的基础知识：《高等代数》、《矩阵分析》和《凸优化》等基础数学的内容。

主要分为多目标进化优化基础、多目标帕累托最优解集构造方法、多目标进化群体的分布性、多目标进化算法的收敛性、多目标进化算法和基于动态环境的MOEA等内容。

1.多目标进化优化基础

1.1进化算法

进化算法包括三类：遗传算法（GA）、进化规划（EP）和进化策略（ES），基本思想都是来自达尔文的自然选择进化的机理，特点是群体搜索策略和群体个体之间的信息交换，适用于处理较难的非线性问题。

遗传算法的基本流程：

评价：遗传算法由于其工作原理不受搜索空间的限制性约束，能从离散的、多极值的、含噪音的高维空间问题中以很大的概率找到全局最优解，并且由于并行性，适合大规模的并行计算。

设计或应用时的注意点：

1.个体适应度的计算方法，由适应度函数决定

2.交叉概率一般比较大，如0.9；变异概率一般都很小，可能是0.005这种数量级。

3.产生新一代群体时，必须采用最优个体保留机制，即将上一代最优个体直接复制到下一代新群体中。（不这么做会导致算法不收敛）

4.遗传算法的终止条件最简单有俩种：一种是完成预定的进化代数，二是种群中的最优个体在连续若干代没有改进或平均适应度在若干代基本没有改进

编码：问题空间向编码空间的映射称为编码，反之称为译码。

编码的三个原则：完备性、健全性和非冗余性，可理解为染色体和解一一对应。（问题空间中的点理解为可行解，算法编码空间中的点理解为染色体位串）

适用度评价

遗传算法中，为体现适者生存的原则，必须要对个体位串（算法编码空间中的点）的适应性进行评价，使用适应度来表现，适应度越高，生存能力越强。

用表示位串空间，适应度函数表示为，可看出是一个实值的函数。即适应度是一个非负的实数。

给定一个优化问题可行解，有正有负，要保证优化问题的适应度函数是非负的，且目标函数的优化方向是使得适应度函数越来越大的方向。设计一个转换函数，确定一个优化问题的适应度函数：

举例：对于最小化问题，min，转换函数设计为：

其中，可以看作是一个自定的输入值，也可看成是理论上的最大值，或者是当前所有代/最近k代的最大值，在后一种情况中，随着代数变化。

对于最大化问题，max，设计为

同样的，的取值参照的设计取输入值或者是最小值。

遗传操作

遗传操作的操作算子有三个：选择（selection，或复制reproduction）、交叉（crossover或重组recombination）和变异（mutation）。依次执行，产生新一代群体来实现进化，因此算子的设计是遗传策略的主要组成部分，也是调整和控制进化过程的工具。

1）选择算子：选择算子从当前进化群体中选择适应度高的个体，放入交配池（mating pool），使得后续交叉算子从交配池中随机的选取个体进行交叉操作。

常用的选择算子主要有：适应值比例选择、排序选择、联赛选择等

2）交叉算子：是模仿自然界有性繁殖的基因重组过程，将原有的优良基因传给下一代个体，生成包含更复杂基因结构的新个体。有以下几个步骤:

一、从交配池中随机取出要交配的一对个体

二、根据位串长度L，对要交配的一对个体，随机选取[1,L-1]中一个或多个整数k作为交叉位置

三、根据交叉概率，实行交叉操作（即配对个体在交叉位置相互交换各自的部分内容，形成新的一对个体）

交叉算子通常由一点交叉、两点交叉、多点交叉、一致交叉等形式

3）变异算子：当交叉操作产生的后代个体的适应度不再比其前代更好，但又为达到全局最优解的时候，就会发生非成熟收敛或早熟收敛，这个时候引入变异算子可以产生很好的效果：一方面丢失的信息可以恢复，保持群体中个体的多样性，防止发生非成熟收敛，另一方面，当种种群规模较大时，适度的变异能提高算法的局部搜索效率。

变异操作模拟染色体基因突变。在群体进化的过程中，交叉操作是最主要的基因重组和群体更迭的手段，变异操作是起着重要的辅助作用

1.2多目标优化问题

给定有关多目标优化问题的一般描述：

决策向量X = () ,它满足下列约束：

假设有r个优化目标，且这r个优化目标是相互冲突的，优化目标可表示为

寻求，使得在满足约束的同时达到最优。

在多目标优化中，存在下列三种情况：

一、最小化所有的子目标函数

二、最大化所有的子目标函数

三、最小化部分子目标函数，而最大化其他子目标函数

这本书都是求总目标的最小化，即min

1.3多目标进化个体之间关系

个体的支配关系：是多目标个体之间的一种重要的关系。设和是进化群体中的任意两个不同的个体，我们称支配（dominate），必须满足两个条件：

一.对所有的子目标，不比差，即 $f_{k}(p)\leqslant f_{k}(q)$ (k = 1,2,...,r)

二.至少存在一个子目标，使得比好，即 $\exists l \in {1,2,\cdots ,r}$ ,使得 $f_{l}(p)\leqslant f_{l}(q)$

此时，就称为非支配(non-dominated)，为被支配的(dominated)。表示为 $p\succ q$

上述的支配关系的定义是针对决策空间的，同样的，目标空间也有支配关系

目标空间中的支配关系：设 $U=(u_{1},u_{2},\cdots ,u_{r})$ 和 $V=(v_{1},v_{2},\cdots ,v_{r})$ 是目标空间的两个向量，当且仅当 $u_{k}\leqslant v_{k} (k = 1,2,\cdots ,r)$ ,且 $\exists l\in \left \{ {1,2,\cdots ,r} \right \}$ ,使得 $u_{l}<v_{l}$

决策空间的支配关系与目标空间中的支配关系是一致的，因为决策空间中的支配关系实质上就是由目标空间中的支配关系决定的。此外支配关系按照程度还分为弱非支配和强非支配。

1.4基于帕累托的多目标最优解集

1.4.1帕累托最优解

多目标优化中的最优解通常称为帕累托最优解。

给定一个多目标优化问题，它的最优解 $X^{*}$ 定义为

$f(X^{*})= \begin{matrix} opt\\ X\in \Omega \end{matrix}f(X)$

其中 $f:\Omega \rightarrow \mathbb{R}^{r}$

式中， $\Omega$ 为满足约束条件的解的集合，也就是可行解， $\Omega =\left \{ X\in \mathbb{R}^{n}|g_{i}(X)\geqslant 0,h_{j}(X)=0 (i = 1,2,\cdots ,k;j=1,2,\cdots ,l) \right \}$

$\Omega$ 称为决策变量空间（决策空间），向量函数将 $\Omega$ $\subseteq R^{n}$ 映射到目标函数空间 $\Pi \subseteq \mathbb{R}^{r}$

给定一个多目标优化问题,称 $X^{*}$ $\in \Omega$ 是最优解，若 $\forall X\in \Omega$ ，满足下述条件：

$\begin{matrix} \wedge \\ i\in I\end{matrix}(f_{i}(X)=f_{i}(X^{*}))$

或者至少存在一个 $j\in I$ ， $I=\left \{ 1,2,\cdots ,r \right \}$ ，使得 $f_{j}(X)> f_{j}(X^{*})$

式中， $\Omega =\left \{ X\in \mathbb{R}^{n}|g_{i}(X)\geqslant 0,h_{j}(X)=0 (i = 1,2,\cdots ,k;j=1,2,\cdots ,l) \right \}$

给定一个多目标优化问题，设 $X_{1},X_{2}\in \Omega$ ，如果 $f(X_{1})\leqslant f(X_{2})$ ,则称 $X_{1}$ 比 $X_{2}$ 优越，

$f(X_{1})< f(X_{2})$ ，则称 $X_{1}$ 比 $X_{2}$ 更优越

定义 $X^{*}$ $\in \Omega$ 是最优解：若比 $X^{*}$ 更优越的 $X\in \Omega$ 不存在，则称 $X^{*}$ 为弱帕累托最优解；若 $X^{*}$ 比任何 $X\in \Omega$ 都优越，则称 $X^{*}$ 为完全帕累托最优解，若比 $X^{*}$ 优越的 $X\in \Omega$ 不存在，则称 $X^{*}$ 为强帕累托最优解。

由上述定义可以看出，满足帕累托最优解的条件往往不止一个，而是一个最优解集，表示为 $\left \{ X^{*} \right \}$

给定一个多目标优化问题，它的最优解集定义为

$P^{*}=\left \{ X^{*} \right \}=\left \{ X\in \Omega | \nexists X^{'}\in \Omega ,f_{j}(X^{'}) \leqslant f_{j}(X) (j =1,2,\cdots ,r)\right \}$

多目标进化算法的优化过程是针对每一代进化算法，寻找出其当前最优个体（即当前最优解），称一个进化群体的当前最优解为非支配解；所有的非支配解的集合称为当前进化群体的非支配集（），并使非支配集不断逼近真正的最优解集，最终到达最优，即 $NDset^{*}\subseteqq \left \{ X^{*} \right \}$ ， $NDset^{*}$ 为算法运行结束时候所求的非支配集

1.4.2帕累托最优边界

帕累托最优解在目标函数中的表现形式叫做帕累托最优边界， $PF^{*}$

在目标空间中，最优解是目标函数的切点，它总是落在搜索区域的边界线（面）上。可理解为任一点若找到一个解使得其在某指标上更好，必须在另外的某指标上变得更差（非损人不能利己）的那些点连成的线。

多目标遗传算法在优化过程中，初始时随即产生一个进化群体 $Po_{po}$ ，然后按照某种策略构造 $Po_{po}$

的非支配解集 $NDset_{0}$ ，此时 $NDset_{0}$ 可能距离 $\left \{ X^{*} \right \}$ 比较远。按照某种方法或策略产生一些个体，这些个体可以是随机新产生的，也可是 $NDset_{0}$ 中个体所支配的，连同 $NDset_{0}$ 中的个体一起构成新的进化群体 $Po_{p1}$ ，对 $Po_{p1}$ 执行进化操作后，构造新的非支配解集 $NDset_{1}$ ， $NDset_{1}$ 比 $NDset_{0}$ 更接近 $\left \{ X^{*} \right \}$ ，重复下去，必能找出无限逼近于最优解集的解集。

1.5基于帕累托的多目标进化算法的一般框架

多目标进化算法的基础是进化算法MOEA

其中，保留上一代非支配集，并让其参与新一代的多目标进化操作是非常重要的，类似于进化算法必须保留上一代的最有个体一样，从而使得新一代的非支配解集不比上一代差，这是算法收敛的必要条件，这样一代一代进化下去，必能找到满意的解集（不一定是最优解集）。

多目标帕累托最优解集构造方法

在多目标进化算法中，基于帕累托最优化的方法，通过构造进化群体的非支配集，并使非支配集不断逼近真正的帕累托最优边界实现。一个进化群体的非支配集实际上也是当前进化群体的最优个体集合。算法收敛之前，这样的非支配集是局部最优解集，一个MOEA的收敛过程，就是在每一代进化构造当前进化群体的非支配集，并通过保留最优个体机制（当前非支配个体），使得每一代所构造的非支配集一步一步逼近真正的帕累托最优面。

所以构造非支配集的效率直接影响算法的运行流程。

这一部分从胡构造非支配集的一般方法入手，接着依次讨论庄家法、擂台法、递归方法和快排来构造最优解集。

构造帕累托最优的简单方法：

1.Deb

设进化群体是，设置一个构造集 $P^{'}$ ，算法开始时，将第一个个体存入 $P^{'}$ 中，接着依次将中的个体 $\left ( p\notin P^{'} \right )$ 取出，并放入 $P^{'}$ 中（个体的存放是临时的，后续可能被删除），同时将与 $P^{'}$ 中的所有个体进行比较，删除所有受支配的个体，若受任意一个个体支配，则将删除。

每次比较都有r个子目标，算法的时间复杂度为 $o(rN^{2})$

2.排除法

将进化群体Pop中的每个个体X依次和非支配集NDSet（开始时为空）的个体进行比较，如果X支配Y，说明Y是被支配个体，将Y从NDSet中删除（排除），如果X不被NDSet中任何一个个体支配，则把X并入NDSet中。初始时NDSet为空，则直接把X放入。

该算法在结束之前，NDSet的个体都不一定是非支配的。这种方法只产生非支配集，设长度为 $\lambda$ ，然后将随机产生 $(N-\lambda )$ 个个体，一起成新群体执行遗传进化操作。最坏情况下的时间复杂度也是 $o(rN^{2})$ ，当 $\lambda$ 较小时，效率比较高。

排除法和Deb方法类似，当执行效率高：Deb在比较个体支配情况时，多次重复删除操作。

3.改进算法

将构造集和非支配集分开，初始时构造集NDSet1为进化群体Pop，非支配集NDSet为空，将构造集NDSet1中不同个体X依次与其他个体Y比较（包括非支配集中个体），若X支配Y，则将Y从NDSet1中删除；一轮比较后，若X不受其他任何一个个体支配，则X是非支配的，放入NDSet中。这种方法下，NDSet中的个体一定是非支配的。

该算法下只产生非支配集，时间复杂度也是 $o(rN^{2})$ ，该算法的效率收到非支配个体的分布的影响。

庄家法构造帕累托最优解集

庄家法是一种非回溯的方法，和前面的方法不同，每次的构造的新的非支配个体不需要与已有的非支配个体进行比较，每一轮比较过程在构造集中选出一个个体出任庄家（一般为当前构造集的第一个个体），由庄家依次和构造集中的其他个体进行比较，并将庄家所支配的个体淘汰出局；一轮比较之后，如果庄家不受其他个体的支配，则庄家为非支配个体，否则庄家在比较过程结束时也淘汰出局。重复，直至构造集为空。

定义（不相关）：x和y之间不存在支配关系，则称x和y不相关或无关

定义（非支配个体）：对于给定的个体 $x\in P$ ，若 $\nexists y\in P$ ，使 $y\succ x$ ，则称为集合的非支配个体。由所有的非支配个体所组成的集合称为的非支配集。

定义（最大非支配集）设NDSet是P的非支配集，NDSet $\subset$ P， $\forall x\in P$ ，若x是P的非支配个体，必有 $x\in NDSet$ ，则称NDSet是P的最大非支配集。

定义（最小元素）若在P中不存在任何其他x比 $x^{*}$ 更小，则称 $x^{*}$ 是偏序集 $(P,\succ )$ 中的最小元素。所有最小元素的集合表示为 $M(P,\succ )$ 。设 $x\in M(P,\succ )$ ， $Cluster(x)=\left \{ {y|x\succ y,y\in P} \right \}$ 是以x为最小元的族。

设P为进化群体，Q为构造集，初始时Q=P，NDSet为非支配集，初始时为空。从Q中取出一个个体，依次与其他所有的个体比较，将被该个体支配的所有个体从Q中删除，如果该个体没有被其他任何一个个体所支配，则它是非支配的，将它并入非支配集NDSet中，否则也从Q中删除，以此下去，直到Q为空集。

擂台赛法则构造帕累托最优解

利用庄家法则构造非支配集时，虽然没有回溯，一定程度上提高了改造非支配集的速度，但每一轮比较不一定能构造出一个新的非支配个体。使用擂台赛法则，每一轮一定能产生一个新的非支配个体，具有更高的构造非支配集的效率。

设P为一进化群体，Q为构造集，初始时Q=P，NDSet为非支配构造集，初始时为空，从Q中任取一个个体x，依次与其他的个体y比较，如何x支配y，则将y从Q中删除，如果y支配x，则用y代替x（即产生新的擂主），并继续进行比较，一轮比较过后，形成族cluster，x为最小元，将x并入非支配集NDSet，以此下去，直到Q为空。

当非支配个体在进化群体中所占比例较小时，擂台赛法具有比较高的构造效率。

用递归方法构造帕累托最优解集

多目标进化群体的分布性

进化算法是模拟生物自然进化的人工方法，与大自然生态环境一样，进化的物种也需要平衡发展，

因此，需要制定合适的生存规则来维持种群的多样性和分布性。在多目标进化算发展，对于某些问题，帕累托最优解集可能很大，也可能包含无穷个解，把所有的解都列入到非支配集中有时是比较困难的，需要使非支配集的大小保持在一个合理的范围内。

主要介绍了几类常用的保持进化群体分布性的方法和技术：小生境技术、信息熵、聚集密度、网格、聚类分析和最小生成树，同时讨论非均匀问题的分布性及其保持策略。

小生境技术保持进化群体的分布性

进化算法中，为了保持进化群体的多样性，模拟自然界生物的“物以类聚”的现象，提出小生境技术。目前具有代表性的小生境技术主要有：基于预选择、基于排挤和基于共享机制的。

基于预选择机制的小生境技术：在此机制中，只有当子个体的适应度优于其父代个体时，子个体才能代替其父个体，进入下一代进化。这种相似个体的替代（父个体和子个体之间的性状遗传），能较好的保持进化群体的多样性。

基于排挤机制的小生境技术：采用群体代间的覆盖方式，依据相似性代替群体中的个体。设置一个排挤因子（CF），在进化群体中选择规模为1/CF的个体组成一个排挤子集，计算新产生的个体与排挤子集中成员之间的相似性，并用新产生的个体代替排挤子集中与其相似的个体。

基于共享机制的小生境技术：定义一个共享函数，它表示两个个体之间的相似程度，两个个体越相似，共享函数值越大。一个个体的共享度是该个体与群体中其他个体之间共享函数值的总和。设d（i，j）为个体i和j之间的距离或相似程度（基因型或表现型）， $S_{i}$ 表示个体i在群体中的共享度

$S_{i}=\sum_{j\in Pop}^{}sh[d(i,j)]$

个体i的共享适应度为 $fitness(i)/S_{i}$ 。其中，Pop为进化群体，为共享函数，为个体i的适应度

这种计算个体共享适应度的方法考虑了一个个体与群体中所有的其他个体之间的相似程度，时间开销比较大。目前用的较多的是设置一个共享半径（亦称小生境半径），只计算共享半径以内个体的相似程度。设个体i的适应度为，个体i的小生境计数为 $m_{i}$ ，其中

$m_{i}=\sum_{j\in Pop}^{}sh[d(i,j)]$

sh[d]的定义如下：

$sh[d] = \left\{\begin{matrix} 0,d > \sigma _{share} \\1-d/\sigma _{share}, d < \sigma _{share} \end{matrix}\right.$

$\sigma _{share}$ 为小生境半径，通常根据帕累托最优解集中个体之间的最小期望间距来确定。定义/mi为共享适应度，此处的mi是指个体i在小生境中的聚集度。同一小生境内的个体互相降低对方的共享适应度。个体的聚集程度越高，共享适应度就被降低的越多。

多目标优化中计算个体适应度的计算方法如下：

（1）目标函数组合方法

设优化的目标函数有r个子目标，子目标的适应度为 $fit_{j}(i)$ (j = 1,2,...,r)个体的适应度为定义为 $fitness(i) = \coprod_{j=1}^{r}(fit_{j}(i))^{2}$

这种方法的特点是简单，计算复杂度低，不容易丢失边界点但不一定能将所有的非支配个体选入配对库中，也可采用各子目标适应度的线性组合，如

$fitness(i) = \sum_{j =1}^{r}(fit_{j}(i))^{k}$ ，其中 $k\geqslant 1$

但这种方法容易丢失边界点，尤其是当k=1的时候，已知更实际的做法是将非支配集着个体与支配个体区分开来，用不同的方法计算适应度。对非支配集中个体统一规定其适应度为最小值0，而对非支配个体则按上述方法计算适应度。

(2)简单支配关系法

该方法根据个体之间的支配关系确定每个个体之间的适应度，设 $n_{i}$ 为支配个体i的个体数，则对任意一个个体i定义其适应度（分类序号）为 $fitness(i)= 1+ n_{i}$

这样可能存在多个个体具有相同的适应度的情况，选择操作按适应度从小到大依次进行，对具有相同适应度的个体采用目标函数共享机制进行选择

（3）复合支配关系法

利用支配和被支配两个因素来确定个体的适应度，非支配集NDSet中个体的适应度定义如下：

$fitness(i) = n_{i}/(N+1)$ ，其中N为群体Pop的大小， $n_{i}$ 为个体i在群体Pop中所支配的个体数

支配个体的适应度定义如下：

$fitness(j) = 1 + \sum_{i\in NDSet:i\succ j}^{}fitness(i)$

由此定义可知， $fitness(k) \in \left\{\begin{matrix} [0,1) k nodominated\\ [1,N) k is dominated\end{matrix}\right.$

规定适应度低的个体对应着高的复制概率。此外，将NDSet中个体所支配的区域（area）定义为他的小生境，具有较多邻居的个体将拥有较高的适应度，一个非支配个体越具有生命力，则它所支配的个体就越少。

用信息熵保持进化群体的分布性

信息熵的方法能从宏观上或从整体上反映进化群体是否具有良好的多样性。

定义：群体 $Pop = \left \{ X_{1},X_{2},\cdots ,X_{N} \right \}$ 的规模为N，个体 $X_{i}$ 由L个基因构成， $X_{i} = [x_{i}^{(1)},x_{i}^{(2)},\cdots ,x_{i}^{(L)}],i\in \left \{ 1,2,\cdots ,N \right \}$ ，群体中Pop中个体均值定义为 $\bar{X}=\left \{ \bar{x}^{(1)},\bar{x}^{(2)},\cdots ,\bar{x}^{(L)} \right \}$ ，其中 $\bar{x}^{(j)}=\sum_{i=1}^{N}\left ( x_{i}^{(j)}/N \right )$ ，则解群体的方差定义为 $D=[D^{(1)},D^{(2)},\cdots ,D^{(L)}]$ ，其中 $D^{(j)}=\sum_{i=1}^{N}(x_{i}^{(j)}-\bar{x}^{(j)})^{2}/N$ ， $j\in \left \{ 1,2,\cdots ,L \right \}$

定义：若进化群体Pop的规模为N，将它划分为m个子集 $P_{1} ,P_{2} ,\cdots ,P_{m}$ ，且满足： $\bigcup _{p\in \left \{ P_{1},\cdots ,P_{m} \right \}}P=Pop$ ； $\forall i,j\in \left \{ 1,2,\cdots ,m \right \}$ 且i不等于j， $P_{i}\bigcap P_{j} = \varnothing$ ，则定义解群体的熵为

$E = -\sum_{i =1}^{m}q_{i}log(q_{i})$ ，其中， $q_{i}=\left | P_{i} \right |/N$ ， $\left | P_{i} \right |$ 为 $P_{i}$ 的规模大小

值得说明的是，解群体的方差在一定程度上反映了解群体的空间分布情况，当解群体中所有个体相同时，即m= 1，这时熵取最小值E=0，当m=N时，熵取最大值,个体在解群体中发布的越均匀，个体多样性越好，则其熵就越大

对于多目标优化问题，当非支配集收敛到帕累托最优解时，方差和熵都达到较大值。最理想的情况就是非支配集直中的N个个体，并且都均匀分布在帕累托最优边界熵，此时熵达到最大值，同时也会有较大的方差，

定义： $\forall X\in Pop$ ，Pop为进化群体， $\left | Pop \right |=N$ ， $X=[x_{1},x_{2},\cdots ,x_{L}]$ ，设D为一个符号集， $\left | D \right | = s,x_{j}\in D$ ，在D中的取值概率分别为 $P=\left \{ P_{j1}, P_{j2},\cdots ,P_{js}\right \}$ ，其中 $j\in \left \{ 1,2,\cdots ,L \right \}$

则对应于基因座j的信息熵定义为 $H_{j}(N) = -\sum_{k =1}^{s}P_{jk}log(P_{jk})$ ，其中 $P_{jk}$ 为D中第k个符号出现在基因座上的概率，即有 $P_{jk}$ =（基因座j上出现第k个符号的总数）/N。定义群体的平均信息熵为 $H = \frac{1}{L}\sum_{j=1}^{L}H_{j}(N)$

在群体进化过程中，群的平均信息熵比较容易求取

用聚集密度方法保持进化群体的分布性

宏观上，进化群体的熵或群体的平均信息熵能够比较好地刻画群体中个体的多样性与分布性，但这种方法缺乏对群体内部个体之间关系的刻画，因此不便于调控群体进化过程中的多样性与分布性。刻画群体多样性的另一种方法是群体中个体的聚集密度或聚集距离，如果个体之间的聚集距离比较大，则表明个体的聚集密度比较小，这种方法的计算复杂度高于前一种方法，但是它既能从宏观上刻画群体的多样性与分布性，同时也能比好的刻画个体之间的内在关系，可以用于进化过程中对群体的调控。

这里包括三类方法，1.通过直接计算个体之间的相似度来计算一个个体的聚集密度，2.通过计算个体之间的影响因子来计算个体的聚集密度，3.通过计算个体之间的聚集距离来计算个体之间的聚集密度。

1.相似度计算聚集密度：定义：群体 $Pop = \left \{ X_{1}, X_{2},\cdots ,X_{N} \right \}$ 中的个体 $X_{i} = [x_{i}^{(1)},x_{i}^{(2)},\cdots ,x_{i}^{(L)}]$ ， $X_{j} = [x_{j}^{(1)},x_{j}^{(2)},\cdots ,x_{j}^{(L)}]$ ，定义个体 $X_{i}$ 和 $X_{j}$ 之间的相异程度为 $A_{i,j}=\frac{1}{L}\sum_{k=1}^{L}C_{k}(x_{i}^{(k)}-x_{j}^{(k)})$ ，其中 $i,j\in \left \{ 1,2,\cdots ,N \right \}$ ， $C_{k}$ 为对应于基因座k的常数因子，且通常由 $C_{k} = BC_{k+1}$ ，B是一个常量。定义个体 $X_{j}$ 和 $X_{i}$ 之间的相似度为 $1-A_{i,j}$

定义个体p的聚集度为与个体p相似的个体在群体中所占比重，即

与个体p相似度大于r的个体的总数/N，其中r为一常数，一般取值0.9到1之间

2.影响因子来计算个体的聚集密度

将目标空间中第i个解个体对另一个解个体y的影响函数定义为

$\psi (l_{i\rightarrow y}):R\rightarrow R$

其中， $l_{i\rightarrow y}$ 表示个体i对个体y的欧式距离， $\psi (l_{i\rightarrow y})$ 为两个个体之间距离的减函数

当有m个目标时，其可行解区域可以表示为一个有 $a_{1}\times a_{2}\times \cdots \times a_{m}$ 个网格的超网格面 $F^{m}$ 。设任意一个解个体 $y\in F^{m}$ ，其密度定义为

$D(y) = \sum_{i=1}^{N}\psi (l(i,y))=\sum_{i_{1}=1}^{a_{1}}\cdots \sum_{i_{m}=1}^{a_{m}}\psi (l(<i_{1},i_{2},\cdots ,i_{m}>,y))$

3.用聚集距离来计算个体的聚集密度

如图所示，设有两个子目标 $f_{1}$ 和 $f_{2}$ ，个体i的聚集距离是图中实线矩形的长与宽之和。设 $P[i]_{distance}$ 为个体i的聚集距离，为个体i在子目标m上的函数值，则图中个体i的聚集距离为

$P[i]_{distance}=(P[i+1].f_{1}-P[i-1].f_{1})+(P[i+1].f_{2}-P[i-1].f_{2})$

一般情况下，当有r个子目标时个体i的聚集距离为

$P[i]_{distance}=\sum_{k=1}^{r}(P[i+1].f_{k}-P[i-1].f_{k})$

这种方法比较简单，但有些情况下不能较好的反映实际情况，特别是当一个个体与其邻近个体之间的距离相等时。这种情况下，需要提供这个个体与其更多邻近个体的聚集信息。可以考虑临近多个点的均值，或者在整个子集中的均值。

举例：讨论一个个体邻近的2k个点的情况

时间复杂度为O(rNlogN)，计算每个个体的聚集距离为O(rkN)，由于k通常比N小得多，一般地取k小于等于logN

一个个体与其邻近个体的距离越大，表明它地聚集密度越小，反之亦然。可将一个个体聚集距离地倒数定义为它的聚集密度。

用网格保持进化群体的分布性

网格方法以不同的方式被用于MOEA设计者用于保持进化群体的分布性。下面具体讨论网格方法：网格的边界、个体在网格中的定位，以及自适应网格。

网格边界

一个有r个目标的优化问题，需要设置一个具有2r个边界的网格：下界（ $lb_{k}$ ）和上界（ $ub^{k}$ ） $(k =1,2,\cdots ,r)$ 。

如图是一个二目标网格，共有四个边界： $(lb_{1}),(lb_{2}),(ub_{1}),(ub_{2})$ 。通常用超立方体的两个对角标识一个网格，在二维情况表示为 $(lb_{1},lb_{2})$ 和 $(ub_{1},ub_{2})$ ，一般情况下（如r个目标）表示为 $(lb_{1},lb_{2},\cdots ,lb_{r})$ 和 $(ub_{1},ub_{2},\cdots ,ub_{r})$

一个网格可以分割为若干个小区域（hyper-cube，HC），具体的分割次数取决于进化群体的大小和带优化问题的目标数。将每个HC表示为 $r^{i}$ ，这里 $i=\left ( i_{1},i_{2},\cdots ,i_{r} \right )$ ，且有 $i_{k}\in \left \{ 1,2,\cdots ,d \right \}$ ，d是一个常数，表示在每一维上的分割次数，一般为大于2的自然数，如图，d=6，这样对应每个 $r^{i}$ 的边界可以表示为

$\forall k\in \left \{ 1,2,\cdots ,r \right \},rub_{k,i}=lb_{k}+i_{k}*w_{k}$

$rlb_{k,i}=lb_{k}+(i_{k}-1)*w_{k}$

其中， $w_{k}$ 为每一个小区域在第k维上的宽度， $w_{k}$ $=range_{k}/d$ , $range_{k}$ 为第k维上的域宽。

如图所示，区域A的坐标i = （4，2），它的边界分别为

上边界点： $rub_{1,i}=lb_{1}+i_{1}*w_{1}=0+4*w_{1}=4*w_{1}$

$rub_{2,i}=lb_{2}+i_{2}*w_{2}=0+4*w_{2}=4*w_{2}$

下边界点： $rlb_{1,i}=lb_{1}+(i_{1}-1)*w_{1}=0+(4-1)*w_{1}=3*w_{1}$

$rlb_{2,i}=lb_{2}+(i_{2}-1)*w_{2}=0+(2-1)*w_{2}=w_{2}$

若将域款设为则有，从而的上边界点位（8，4），下边界点为（6，2）

个体在网格中的定位

有了网格和网格中每个小区域的标识，就可以判断一个个体是否落在某个区域中，设有个体 $z=(z_{1},z_{2},\cdots ,z_{r})$ ，对区域 $r^{i}$ ，若 $\forall k\in \left \{ 1,2,\cdots ,r \right \},z_{k}\geqslant rlb_{k,i}$ 且 $z_{k}< rub_{k,i}$ ，且认为个体z在区域 $r^{i}$ 中

在上图中，区域A中有三个个体，区域B中有一个个体，区域C中有两个个体。

为了使进化群体具有良好的分布性，通常要区分极点，因为极点总是分布在端点位置上，它有利于保持进化群体的分布性和广泛性，故而在执行选择操作时，一般不能丢失极点。这里将极点 $z^{ext}$ 定义为 $z^{ext}=\left \{ y\in ABC|\left ( \exists k\in \left \{ 1,2,\cdots ,r \right \},\nexists z \in ARC,z\neq y,z_{k}\leqslant y_{k}\right )\vee \left ( \exists k\in \left \{ 1,2,\cdots ,r \right \},\nexists z\in ARC,z\neq y,z_{k}\geqslant y_{k}\right ) \right \}$

也就是说，在某个目标上其值最大或最小的个体均被认为是极点。ARC为进化群体的归档集。

为了保持进化群体的分布性，通常在网格中选取聚集密度大的个体并删除，如选去区域A中的一个或两个个体删除。有的时候，即使非支配集中个体（一般存放在ARC中）比较均匀的分布在网格中，因为归档集的大小有限制，必须选取一定数量的个体删除掉，不能删除极点个体。

自适应网格

自适应网格技术与一般的网格方法比有如下几个特点：

1.网格的边界不是固定的，可能在每一代都不同

2.在每一代进化时，根据当前代的个体分布情况自适应的调整边界。

3.如果新产生的个体落在上一代确定的边界以外，只要它是非支配的，则一定将该个个体加入归档集。在这种情况下，若归档集已满，则考虑将其他个体从归档集中删除

设第t代的边界设为：下界（ $lb_{k,t}$ ）和上界 $(ub_{k,t})\left ( k=1,2,\cdots ,r;t> 0 \right )$ 。同时，要求边界值满足 $\forall t,\forall k,lb_{k,t}< min\left \{ z_{k}|z\in ABC_{t} \right \}$ $ub_{k,t}>max\left \{ z_{k}|z\in ABC_{t} \right \}$

在此，将边界值设为

$lb_{k,t}= min\left \{ z_{k}|z\in ABC_{t} \right \}-\left ( 1/2d \right )range_{k,t}$

$ub_{k,t}<=max\left \{ z_{k}|z\in ABC_{t} \right \}+\left ( 1/2d \right )range_{k,t}$

用聚类方法保持进化群体的分布性

聚类分析也是保持多目标进化群体分布性的有效方法。所谓聚类分析，是将群体中的个体集合划分成由类似的个体组成的多个类的过程，简称为聚类。由聚类所生成的类是一组个体的集合，同一类中的个体彼此相似，而与其他类中的个体相异，多目标进化算法的聚类分析是通过计算个体或类之间的相似度（或相异度）实现的，这涉及个体的表示及其数据类型。为此首先讨论有关个体的表示方法及其数据类型，在此基础上讨论再编码及其相似度的计算，最后讨论有关的聚类方法。

聚类分析中的编码及其相似度计算

在遗传算法中，个体采用二进制或实数进行编码，并采用相异度矩阵来表示两个个体之间的相似性。当群体规模为N时，个体之间的相似度可以用一个NxN的矩阵表示：

此处为个体i和j之间的相异度，通常有 $d(i,j)\geqslant 0$ ，并有。当两个个体越相似，其相异度就越接近于0。

对于不同的个体表示方法，计算个体的相异度方法也有所不同。下面讨论几种主要的编码及其相异度的计算方法。

1.实数编码及其相异度计算

设个体i和j均为p维向量，令 $i=(x_{i1},x_{i2},\cdots ,x_{ip}),j=(x_{j1},x_{j2},\cdots ,x_{jp})$ ，则它们之间的距离通常有下列计算方法：

（1）欧几里得距离：

$d(i,j)=\sqrt{\left | x_{i1}-x_{j1} \right |^{2}+\cdots +\left | x_{ip}-x_{jp} \right |^{2}}$

如果给每个变量赋一个权值，则加权后的欧几里得空间为

$d(i,j)=\sqrt{w_{1}\left | x_{i1}-x_{j1} \right |^{2}+\cdots +w_{p}\left | x_{ip}-x_{jp} \right |^{2}}$

（2）曼哈坦距离

$d(i,j)= \left | x_{i1}-x_{j1} \right |+\cdots +\left | x_{ip}-x_{jp} \right |$

（3）明考斯基距离

$d(i,j)=\left ( \left | x_{i1}-x_{j1}\right |^{q} +\cdots +\left | x_{ip}-x_{jp} \right |^{q}\right )^{1/q}$

式中，q是一个正整数，当q=1时表示曼哈坦距离，q=2表示欧几里得距离

欧几里得距离和曼哈坦距离满足以下性质：

一）距离是一个非负的数值

二）一个个体与自身的距离是0

三）距离函数有对称性

四）个体i和个体j之间的直接距离不会大于途径其他个体k的距离

2.二进制串编码及其相似度计算

当个体采用二进制串编码时，一个个体由若干个基因位组成，每个基因位只有两个状态0和1.比较常用的是海明距离。设个体i和j均为p维向量，令 $i=(x_{i1},x_{i2},\cdots ,x_{ip}),j=(x_{j1},x_{j2},\cdots ,x_{jp})$ ，则它们之间的海明距离为

$d(i,j)=\sqrt{\left ( x_{i1}-x_{j1} \right )^{2}+\cdots +\left ( x_{ip}-x_{jp} \right )^{2}}$

当需要考虑基因位权值时，情况就较复杂一些，设个体i和j均为p维向量，令 $i=(x_{1},x_{2},\cdots ,x_{p}),j=(y_{1},y_{2},\cdots ,y_{p})$ ，其中 $x_{k}=(x_{k1}x_{k2}\cdots x_{kl_{k}})$ ， $y_{k}=(y_{k1}y_{k2}\cdots y_{kl_{k}})$ 此处的 $l_{k}$ 为第个变量（基因组）基因的长度

设 $w_{k1},w_{k2},\cdots ,w_{kl_{k}}$ 分别为变量 $x_{k}$ 和 $y_{k}$ 个基因对应的权值，则它们之间的距离为

$d(i,j)=\sum_{k=1}^{p}\sum_{j=1}^{l_{k}}w_{kj}\left | x_{kj}-y_{kj} \right |$

还有一种基于统计的相似度计算方法，设s表示两个个体中基因位相同的数目，d表示两个个体中基因位不同的数目，当不考虑不同基因的权重时，个体i和j之间的距离为

$d(i,j)=\sum_{k=1}^{p}w_{k}\times ds(x_{k},y_{k})$

与二进制编码类似的还有格雷码，相对于二进制编码来说，格雷码有利于改善遗传算法的局部搜索能力。设二进制编码为 $B=b_{m}b_{m-1}\cdots b_{2}b_{1}$ ，其对应的格雷码为 $G=g_{m}g_{m-1}\cdots g_{2}g_{1}$ ，则二进制编码与格雷码之间的转换棵描述如下：

$\left\{\begin{matrix} g_{m}=b_{m}\\ g_{i}=b_{i+1}\bigoplus b_{i},i=m-1,m-2,\cdots ,1\end{matrix}\right.$

$\left\{\begin{matrix} b_{m}=g_{m}\\ b_{i}=b_{i+1}\bigoplus g_{i},i=m-1,m-2,\cdots ,1\end{matrix}\right.$

3.树结构编码及相似度计算

多目标进化算法的收敛性

多目标进化算法

高维多目标优化

基于动态环境的MOEA

动态多目标优化问题（DMOP）

现实世界中，许多优化问题不仅具有多属性，而且与时间相关，即随着时间的变化，优化问题本身也发生改变，这类问题被称为动态多目标优化问题。

基本概念和数学表述

DMOP是一类目标之间互相冲突，目标函数、约束函数和相关参数等可能随着时间的变化而改变的多目标优化问题

以最小化多目标优化问题为研究对象，一个具有n个决策变量，m个目标函数的DMOP可以描述为

$\left\{\begin{matrix} \min_{x\in \Omega }F(x,t)=(f_{1}(x,t),\cdots ,f_{m}(x,t))^{T}\\ s.t.g_{i}(x,t)\leqslant 0 (i=1,2,\cdots ,p)\\ h_{j}(x,t)=0(j=1,2,\cdots ,q)\end{matrix}\right.$

其中，t为时间变量， $x=(x_{1},x_{2},\cdots ,x_{n})\in \Omega$ 为n维决策变量， $F=(f_{1},f_{2},\cdots ,f_{m})$ 为m维目标向量， $g_{i}\leqslant 0 (i=1,2,\cdots ,p)$ 为p个不等式约束，hj为q个等式约束，

DMOP的分类

对于动态多目标优化问题，其决策空间中的帕累托最优解集（POS/PS）和目标空间中的帕累托前沿面（POF/PF）通常有4种可能随时间变化的类型。

POF	POS
POF	不变	变
不变	类型4	类型1
变	类型3	类型2

还有一种情况，当问题发生变化时，上述的几种类型可能在时间尺度内同时存在，一般研究前三种类型的问题。

动态多目标进化方法

对动态多目标进化优化的研究主要包括5个方面：保持种群多样性、基于记忆的方法、基于预测的方法、多种群策略以及将动态问题转化为静态问题。

1.保持种群多样性

针对静态算法在当前环境下收敛后，种群失去多样性的情况，研究者提出了许多保持种群多样性的策略。

Deb提出了一种随机初始化部分种群个体的方法，在一定程度上增加了种群的多样性，但却是一种盲目增加多样性的方法，当环境的变化程度加剧时，算法的性能随之递减。zheng提出引入超变异的策略，在保留一定数量精英个体的基础上，对剩下的个体用随机产生的个体替换之。Azevedo提出一种新的随机移民的方法，将基于精英个体的移民和随机移民策略相结合，比简单随机移民策略具有更好的性能。

2.基于记忆的方法

通过记忆复用以前搜索道德最优解来对新的环境变化做出快速响应，这对于周期性变化的问题能取得不错的效果。wang提出一种基于归档集的混合记忆方法，当前种群由随机产生的个体和从归档集中随机选取的个体以及归档集中的个体进行依次局部搜索后得到的新个体共同构成。尚荣华将免疫克隆算法应用于动态环境并引入记忆策略，将前一时刻的最终抗体种群作为下一时刻得到初始种群，以保证算法较好的收敛速度。koo设计一种基于中心点-方差的记忆方法，以增强算法的动态跟踪性能。

3.基于预测的方法

基于预测的方法是在每次环境变化后，通过预测机制，为种群进化提供引导方向，帮助算法对新变化做出快速响应，预测的准确性是其最主要的难点。

Hatzakis提出一种向前预测策略，提供记录目标空间相邻帕累托前沿面上边界点的历史信息，采用自回归模型预测新的最优解的位置。koo设计一种基于梯度的预测算子，通过记录前两次环境变化下搜索到的最终非支配种群中心位置和上次环境的预测梯度，预测当前环境下的种群进化梯度，然而这种梯度预测仅适用于具有相同或者相似变化程度的环境。Zhou提出一种基于种群的预测策略，不仅预测种群的中心点，同时也对其形状进行预测，随着算法的运行，积累的历史信息增加，预测的准确性将提高。

4.多种群策略

多种群策略是指在搜索空间中的几个可行区域上布置一些子种群，并且让这些子种群搜索相应子区域上变化的最优解。某种程度上说，多种群策略具有一种自适应记忆功能。Goh等提出一种基于多种群的协同进化算法，通过不同子种群之间的竞争与合作机制加速种群收敛，验证了多种群协作方法能对变化的最优解集进行快速跟踪。

5.将动态问题转化为静态问题

由于动态问题具有时间关联性，因此在时间序列上将动态问题转化成若干静态问题，然后在每个特定的时间段内进行优化，能够有效降低算法的收敛难度。wang通过固定时间参数的方法将动态问题转化成若干静态问题。Liu通过定义种群的静态序值方差和密度方差的方法将动态多目标问题转化成双目标静态优化问题。

动态多目标测试问题

在动态多目标进化算法中的研究中，通常采用FDA和DMOP两个系列的测试函数来测试算法的性能。DMOP系列测试函数是对FDA的扩展。

FPS

Hatzakis提出一种向前预测策略（FPS），FPS记录目标空间相邻历史PF上的边界点信息，通过自回归模型预测环境变化后的PS位置，FPS

PPS

周爱民等人提出一种基于种群的预测策略，在此之前，预测方法主要用于预测一些孤立的个体，而种群预测策略是在环境变化后，根据环境变化之前的一些重要额历史信息来重新初始化整个种群中的所有个体。在该策略中，一个帕累托解集主要包括两个部分：中心和副本。中心点的集合用于预测下一个中心点，而先前的副本主要是估计下一个副本，

PPS基本原理

PPS利用一些历史信息来预测和初始化一个种群，使它接近新的PS，首先把一个种群分成两部分：中心点和副本，然后分别对中心点和副本进行预测和估计得到新的种群。假设在t时刻，把 $PS^{t}$ 分成中心点 $\bar{x}^{t}$ 和副本 $\tilde{C}^{t}$ :

$PS^{t} \cong \bar{x}^{t}+\tilde{C}^{t}$

中心点的评估： $\bar{x}^{t}=\frac{1}{\left | P^{t} \right |}\sum_{x^{t}\in P^{t}}^{}x^{t}$ ，其中， $P^{t}=\left \{ x^{t} \right \}$ ，并且对于任意 $x^{t}\in P^{t}$ ， $x^{t}$ 可以表示如下： $x^{t} = \bar{x}^{t}+\tilde{x}^{t}$

副本 $\tilde{C}^{t}$ 表示为 $\tilde{C}^{t}=\left \{ \tilde{x} ^{t}\right \}$

对于中心点和副本有不同的操作策略，对于前者，以前的中心点 $\left \{ \bar{x}^{0},\bar{x}^{1},\cdots ,\bar{x}^{t} \right \}$ 组成一个时间序列，这样就可以通过这些中心点序列取预测下一个中心点 $\bar{x}^{t+1}$ 。对于后者

，可以通过前面的PS副本来预测 $\tilde{C}^{t+1}$ 。这样就得到了一个接近于 $PS^{t+1}$ 的初始种群

一个2目标问题在2维决策空间下的所有PS运动图解

PS中心点的预测

在时间t+1，PPS的中心点序列为 $\bar{x}^{t-k}(k=0,1,2,\cdots ,M-1)$ ，利用自回归模型（AR）在预测下一个中心点。下面对AR模型进行简单讨论

令 $\bar{x}^{t}=(\bar{x}_{1}^{t},\cdots ,\bar{x}_{n}^{t})^{T}$ ，则下一个中心点 $\bar{x}^{t+1}$ 可通过下式得到

$\bar{x}^{t+1}=\sum_{j=0}^{p-1}\lambda _{j,i}\bar{x}_{i}^{t-j}+\varepsilon _{i}^{c},\varepsilon _{i}^{c}\sim N(0,\sigma _{i}^{c})$

$\lambda _{j,i}$ 是AR模型的系数，i=1，2，...，n，j=0，1，...，p-1，p是AR模型的顺序

$\psi _{i}=(\bar{x}_{i}^{t},\bar{x}_{i}^{t-1},\cdots ,\bar{x}_{i}^{t-M+p})^{T}$

令： $\Phi _{i}=\begin{pmatrix} \bar{x}_{i}^{t-1} & \cdots & \bar{x}_{i}^{t-p+1}\\ \bar{x}_{i}^{t-2} & \cdots &\bar{x}_{i}^{t-p} \\ \bar{x}_{i}^{t-M+p-1} & \cdots & \bar{x}_{i}^{t-M+1} \end{pmatrix}$

$\Lambda i =(\lambda _{0,i},\lambda _{1,i},\cdots ,\lambda _{p-1,i})^{T}$

把历史中心点带入得到一个矩阵： $\Psi _{i}=\Phi _{i}\Lambda _{i} (i=1,2,\cdots ,n)$

AR模型的系数向量 $\Lambda _{i}(i=1,2,\cdots ,n)$ 可以通过最小二乘回归法计算得到：

$\Lambda _{i}=(\Phi _{i}^{T}\Phi _{i})^{-1}\Phi _{i}^{T}\Psi _{i}$

变量 $\sigma _{i}^{c}=\frac{1}{M-p}\sum_{k=t-M+p}^{t}[\bar{x}_{i}^{j}-\sum_{j=0}^{p-1}a_{j,i}\bar{x}_{i}^{k-j}]^{2}$

PS的副本估计

PPS通过最近的两个副本 $\tilde{C}^{t}$ 和 $\tilde{C}^{t-1}$ 来估计PS副本 $\tilde{C}^{t+1}$ 。具体的，对于每个点 $\tilde{x}^{t}\in \tilde{C}^{t}$ 被用来估计一个新的点：

$\tilde{x}_{i}^{t+1}=\tilde{x}_{i}^{t}+\varepsilon _{i}^{m}$

其中， $\varepsilon _{i}^{m}\sim N(0,\sigma _{i}^{m})(i=1,2,\cdots ,n)$ ，变量 $\sigma _{i}^{m}$ 为 $\sigma _{i}^{m}=\frac{1}{n}D(\tilde{C}^{t},\tilde{C}^{t+1})^{2}$

度量了副本A和副本B之间的距离，定义如下：

$D(A,B)=\frac{1}{\left | A \right |}\sum_{x\in A}^{}\min_{y\in B}\left \| x-y \right \|$

下一时刻解的生成

$x_{}^{}$

你可能感兴趣的:(机器学习)

机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习 python
一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
数字里的世界17期：2021年全球10大顶级数据中心，中国移动榜首张三叨
你知道吗？2016年，全球的数据中心共计用电4160亿千瓦时，比整个英国的发电量还多40％！前言每天，我们都会创造超过250万TB的数据。并且随着物联网（IOT）的不断普及，这一数据将持续增长。如此庞大的数据被存储在被称为“数据中心”的专用设施中。虽然最早的数据中心建于20世纪40年代，但直到1997-2000年的互联网泡沫期间才逐渐成为主流。当前人类的技术，比如人工智能和机器学习，已经将我们推向
nosql数据库技术与应用知识点皆过客，揽星河 NoSQL nosql 数据库大数据数据分析数据结构非关系型数据库
Nosql知识回顾大数据处理流程数据采集(flume、爬虫、传感器)数据存储(本门课程NoSQL所处的阶段)Hdfs、MongoDB、HBase等数据清洗(入仓)Hive等数据处理、分析(Spark、Flink等)数据可视化数据挖掘、机器学习应用(Python、SparkMLlib等)大数据时代存储的挑战(三高)高并发(同一时间很多人访问)高扩展(要求随时根据需求扩展存储)高效率(要求读写速度快)
Python开发常用的三方模块如下：换个网名有点难 python 开发语言
Python是一门功能强大的编程语言，拥有丰富的第三方库，这些库为开发者提供了极大的便利。以下是100个常用的Python库，涵盖了多个领域：1、NumPy，用于科学计算的基础库。2、Pandas，提供数据结构和数据分析工具。3、Matplotlib，一个绘图库。4、Scikit-learn，机器学习库。5、SciPy，用于数学、科学和工程的库。6、TensorFlow，由Google开发的开源机
Python实现简单的机器学习算法 master_chenchengg python python 办公效率 python开发 IT
Python实现简单的机器学习算法开篇：初探机器学习的奇妙之旅搭建环境：一切从安装开始必备工具箱第一步：安装Anaconda和JupyterNotebook小贴士：如何配置Python环境变量算法初体验：从零开始的Python机器学习线性回归：让数据说话数据准备：从哪里找数据编码实战：Python实现线性回归模型评估：如何判断模型好坏逻辑回归：从分类开始理论入门：什么是逻辑回归代码实现：使用skl
遥感影像的切片处理 sand&wich 计算机视觉 python 图像处理
在遥感影像分析中，经常需要将大尺寸的影像切分成小片段，以便于进行详细的分析和处理。这种方法特别适用于机器学习和图像处理任务，如对象检测、图像分类等。以下是如何使用Python和OpenCV库来实现这一过程，同时确保每个影像片段保留正确的地理信息。准备环境首先，确保安装了必要的Python库，包括numpy、opencv-python和xml.etree.ElementTree。这些库将用于图像处理
ai绘画工具midjourney怎么下载？附作品管理教程设计师早上好
Midjourney是一款功能强大的AI绘画工具，它使用机器学习技术和深度神经网络等算法，可以生成各种艺术风格的绘画作品。在创意设计、广告宣传等方面有着广泛的应用前景。那么，ai绘画工具midjourney怎么下载？本文将为您介绍Midjourney的下载以及作品的相关管理。一、Midjourney下载Midjourney的下载非常简单，只需打开Midjourney官网（点击“GetMidjour
[实践应用] 深度学习之模型性能评估指标 YuanDaima2048 深度学习工具使用深度学习人工智能损失函数性能评估 pytorch python 机器学习
文章总览：YuanDaiMa2048博客文章总览深度学习之模型性能评估指标分类任务回归任务排序任务聚类任务生成任务其他介绍在机器学习和深度学习领域，评估模型性能是一项至关重要的任务。不同的学习任务需要不同的性能指标来衡量模型的有效性。以下是对一些常见任务及其相应的性能评估指标的详细解释和总结。分类任务分类任务是指模型需要将输入数据分配到预定义的类别或标签中。以下是分类任务中常用的性能指标：准确率(
机器学习-聚类算法不良人龍木木机器学习机器学习算法聚类
机器学习-聚类算法1.AHC2.K-means3.SC4.MCL仅个人笔记，感谢点赞关注！1.AHC2.K-means3.SC传统谱聚类：个人对谱聚类算法的理解以及改进4.MCL目前仅专注于NLP的技术学习和分享感谢大家的关注与支持！
未来软件市场是怎么样的？做开发的生存空间如何？ cesske 软件需求
目录前言一、未来软件市场的发展趋势二、软件开发人员的生存空间前言未来软件市场是怎么样的？做开发的生存空间如何？一、未来软件市场的发展趋势技术趋势：人工智能与机器学习：随着技术的不断成熟，人工智能将在更多领域得到应用，如智能客服、自动驾驶、智能制造等，这将极大地推动软件市场的增长。云计算与大数据：云计算服务将继续普及，大数据技术的应用也将更加广泛。企业将更加依赖云计算和大数据来优化运营、提升效率，并
python中zeros用法_Python中的numpy.zeros()用法江平舟 python中zeros用法
numpy.zeros()函数是最重要的函数之一,广泛用于机器学习程序中。此函数用于生成包含零的数组。numpy.zeros()函数提供给定形状和类型的新数组,并用零填充。句法numpy.zeros(shape,dtype=float,order='C'参数形状：整数或整数元组此参数用于定义数组的尺寸。此参数用于我们要在其中创建数组的形状,例如(3,2)或2。dtype：数据类型(可选)此参数用于
【NumPy】深入解析numpy.zeros()函数二七830 numpy
欢迎莅临我的个人主页这里是我深耕Python编程、机器学习和自然语言处理（NLP）领域，并乐于分享知识与经验的小天地！博主简介：我是二七830，一名对技术充满热情的探索者。多年的Python编程和机器学习实践，使我深入理解了这些技术的核心原理，并能够在实际项目中灵活应用。尤其是在NLP领域，我积累了丰富的经验，能够处理各种复杂的自然语言任务。技术专长：我熟练掌握Python编程语言，并深入研究了机
【中国国际航空-注册_登录安全分析报告】风控牛验证码接口安全评测系列安全行为验证极验网易易盾智能手机
前言由于网站注册入口容易被黑客攻击，存在如下安全问题：1.暴力破解密码，造成用户信息泄露2.短信盗刷的安全问题，影响业务及导致用户投诉3.带来经济损失，尤其是后付费客户，风险巨大，造成亏损无底洞所以大部分网站及App都采取图形验证码或滑动验证码等交互解决方案，但在机器学习能力提高的当下，连百度这样的大厂都遭受攻击导致点名批评，图形验证及交互验证方式的安全性到底如何？请看具体分析一、中国国际航空PC
机器学习流形数据降维：UMAP 降维算法小嗷犬 Python 机器学习 #数据分析及可视化机器学习算法人工智能
✅作者简介：人工智能专业本科在读，喜欢计算机与编程，写博客记录自己的学习历程。个人主页：小嗷犬的个人主页个人网站：小嗷犬的技术小站个人信条：为天地立心，为生民立命，为往圣继绝学，为万世开太平。本文目录UMAP简介理论基础特点与优势应用场景在Python中使用UMAP安装umap-learn库使用UMAP可视化手写数字数据集UMAP简介UMAP（UniformManifoldApproximatio
七.正则化愿风去了
吴恩达机器学习之正则化（Regularization）http://www.cnblogs.com/jianxinzhou/p/4083921.html从数学公式上理解L1和L2https://blog.csdn.net/b876144622/article/details/81276818虽然在线性回归中加入基函数会使模型更加灵活，但是很容易引起数据的过拟合。例如将数据投影到30维的基函数上，模
机器学习-------数据标准化罔闻_spider 数据分析算法机器学习人工智能
什么是归一化，它与标准化的区别是什么？一作用在做训练时，需要先将特征值与标签标准化，可以防止梯度防炸和过拟合；将标签标准化后，网络预测出的数据是符合标准正态分布的—StandarScaler()，与真实值有很大差别。因为StandarScaler()对数据的处理是（真实值-平均值）/标准差。同时在做预测时需要将输出数据逆标准化提升模型精度：标准化/归一化使不同维度的特征在数值上更具比较性，提高分类
分享一个基于python的电子书数据采集与可视化分析 hadoop电子书数据分析与推荐系统 spark大数据毕设项目（源码、调试、LW、开题、PPT) 计算机源码社 Python项目大数据大数据 python hadoop 计算机毕业设计选题计算机毕业设计源码数据分析 spark毕设
作者：计算机源码社个人简介：本人八年开发经验，擅长Java、Python、PHP、.NET、Node.js、Android、微信小程序、爬虫、大数据、机器学习等，大家有这一块的问题可以一起交流！学习资料、程序开发、技术解答、文档报告如需要源码，可以扫取文章下方二维码联系咨询Java项目微信小程序项目Android项目Python项目PHP项目ASP.NET项目Node.js项目选题推荐项目实战|p
两种方法判断Python的位数是32位还是64位 sanqima Python编程电脑 python 开发语言
Python从1991年发布以来，凭借其简洁、清晰、易读的语法、丰富的标准库和第三方工具，在Web开发、自动化测试、人工智能、图形识别、机器学习等领域发展迅猛。 Python是一种胶水语言，通过Cython库与C/C++语言进行链接，通过Jython库与Java语言进行链接。 Python是跨平台的，可运行在多种操作系统上，包括但不限于Windows、Linux和macOS。这意味着用Py
使用最大边际相关性(MMR)选择示例：提高AI模型的多样性和相关性 aehrutktrjk 人工智能 easyui 前端 python
使用最大边际相关性(MMR)选择示例：提高AI模型的多样性和相关性引言在机器学习和自然语言处理领域，选择合适的训练示例对模型性能至关重要。最大边际相关性(MaximalMarginalRelevance,MMR)是一种优秀的示例选择方法，它不仅考虑了示例与输入的相关性，还注重保持所选示例之间的多样性。本文将深入探讨如何使用MMR来选择示例，以提高AI模型的性能和泛化能力。什么是最大边际相关性(MM
LangChain集成指南:如何利用多样化的AI提供商 aehrutktrjk 人工智能 langchain python
LangChain集成指南:如何利用多样化的AI提供商引言在人工智能和机器学习领域,LangChain已成为一个强大而灵活的框架,允许开发者轻松集成各种AI服务提供商。本文将深入探讨LangChain的集成能力,介绍如何利用不同的AI提供商来增强你的应用程序,并提供实用的代码示例。LangChain集成概览LangChain支持多种AI提供商的集成,这些集成可以分为两类:独立包集成:这些提供商有独
机器学习VS深度学习 nfgo 机器学习
机器学习（MachineLearning,ML）和深度学习（DeepLearning,DL）是人工智能（AI）的两个子领域，它们有许多相似之处，但在技术实现和应用范围上也有显著区别。下面从几个方面对两者进行区分：1.概念层面机器学习：是让计算机通过算法从数据中自动学习和改进的技术。它依赖于手动设计的特征和数学模型来进行学习，常用的模型有决策树、支持向量机、线性回归等。深度学习：是机器学习的一个子领
大数据毕业设计hadoop+spark+hive知识图谱租房数据分析可视化大屏租房推荐系统 58同城租房爬虫房源推荐系统房价预测系统计算机毕业设计机器学习深度学习人工智能 2401_84572577 程序员大数据 hadoop 人工智能
做了那么多年开发，自学了很多门编程语言，我很明白学习资源对于学一门新语言的重要性，这些年也收藏了不少的Python干货，对我来说这些东西确实已经用不到了，但对于准备自学Python的人来说，或许它就是一个宝藏，可以给你省去很多的时间和精力。别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。我先来介绍一下这些东西怎么用，文末抱走。（1）Python所有方向的学习路线（
【机器学习与R语言】1-机器学习简介苹果酱0567 面试题汇总与解析 java 中间件开发语言 spring boot 后端
1.基本概念机器学习：发明算法将数据转化为智能行为数据挖掘VS机器学习：前者侧重寻找有价值的信息，后者侧重执行已知的任务。后者是前者的先期准备过程：数据——>抽象化——>一般化。或者：收集数据——推理数据——归纳数据——发现规律抽象化：训练：用一个特定模型来拟合数据集的过程用方程来拟合观测的数据：观测现象——数据呈现——模型建立。通过不同的格式来把信息概念化一般化：一般化：将抽象化的知识转换成可用
Python前沿技术：机器学习与人工智能 4.0啊 Python 人工智能 python 机器学习
Python前沿技术：机器学习与人工智能一、引言随着科技的飞速发展，机器学习和人工智能（AI）已经成为了计算机科学领域的热门话题。Python作为一门易学易用且功能强大的编程语言，已经成为了这两个领域的首选语言之一。本文将深入探讨Python在机器学习和人工智能领域的应用，以及一些前沿技术和工具。二、Python机器学习基础2.1机器学习概述机器学习是人工智能（AI）的一个关键子集，它的核心在于让
chatgpt赋能python：如何在Python中计算平均值 tulingtest ChatGpt python chatgpt numpy 计算机
如何在Python中计算平均值计算平均值是数据分析、统计和机器学习等许多领域中的常见任务。Python作为一门功能强大且易于学习的编程语言，为计算平均值提供了多种方法。在本文中，我们将介绍如何在Python中计算平均值。什么是平均值简单来说，平均值是一组数字的总和除以数字的数量。例如，对于数字序列1，3，5，7，9，平均值是(1+3+5+7+9)/5=5。平均值在数据分析中非常有用，因为它可以提供
Python 初学者入门必知： Anaconda是什么？有什么作用？怎么使用？懒大王爱吃狼 Python基础 python 开发语言 python基础 python学习 anaconda anaconda安装 python教程
初学者在学习Python时，经常看到的一个名字是Anaconda。究竟什么是Anaconda，为什么它如此受欢迎？在这篇文章中，我们将探讨Anaconda，了解Anaconda的从安装到使用的。Anaconda是一个免费开源的Python和R编程发行版，包含上千个适用于数据科学和机器学习的包。同时，配备了Spyder和Jupyternotebook等工具，初学者可以使用它们来学习Python，使用
每天五分钟玩转深度学习PyTorch：模型参数优化器torch.optim 幻风_huanfeng 深度学习框架pytorch 深度学习 pytorch 人工智能神经网络机器学习优化算法
本文重点在机器学习或者深度学习中，我们需要通过修改参数使得损失函数最小化(或最大化)，优化算法就是一种调整模型参数更新的策略。在pytorch中定义了优化器optim，我们可以使用它调用封装好的优化算法，然后传递给它神经网络模型参数，就可以对模型进行优化。本文是学习第6步(优化器)，参考链接pytorch的学习路线随机梯度下降算法在深度学习和机器学习中，梯度下降算法是最常用的参数更新方法，它的公式
一切皆是映射：AI的去中心化：区块链技术的融合 AI大模型应用之禅计算科学神经计算深度学习神经网络大数据人工智能大型语言模型 AI AGI LLM Java Python 架构设计 Agent RPA
一切皆是映射：AI的去中心化：区块链技术的融合作者：禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming关键词：AI，区块链，去中心化，智能合约，共识机制，数据安全，隐私保护，分布式账本技术，机器学习，数据隐私1.背景介绍1.1问题的由来随着人工智能（AI）技术的快速发展，其在各个领域的应用越来越广泛，从自动驾驶、智能医疗到金融服务，AI正在改变着我们的生活。
第五届核磁机器学习班（训练营：2023.6.5~6.17）茗创科技
茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★基于血氧水平依赖的功能磁共振成像(fMRI)技术,利用其数据构建的功能性脑网络后,发现脑并不是一个单纯对外界刺激进行
如何有效的学习AI大模型？ Python程序员罗宾学习人工智能语言模型自然语言处理架构
学习AI大模型是一个系统性的过程，涉及到多个学科的知识。以下是一些建议，帮助你更有效地学习AI大模型：基础知识储备：数学基础：学习线性代数、概率论、统计学和微积分等，这些是理解机器学习算法的数学基础。编程技能：掌握至少一种编程语言，如Python，因为大多数AI模型都是用Python实现的。理论学习：机器学习基础：了解监督学习、非监督学习、强化学习等基本概念。深度学习：学习神经网络的基本结构，如卷
PHP如何实现二维数组排序？ IT独行者二维数组 PHP 排序　
二维数组在PHP开发中经常遇到，但是他的排序就不如一维数组那样用内置函数来的方便了，（一维数组排序可以参考本站另一篇文章【PHP中数组排序函数详解汇总】）。二维数组的排序需要我们自己写函数处理了，这里UncleToo给大家分享一个PHP二维数组排序的函数：代码： functionarray_sort($arr,$keys,$type='asc'){ $keysvalue= $new_arr
【Hadoop十七】HDFS HA配置 bit1129 hadoop
基于Zookeeper的HDFS HA配置主要涉及两个文件,core-site和hdfs-site.xml。测试环境有三台 hadoop.master hadoop.slave1 hadoop.slave2 hadoop.master包含的组件NameNode, JournalNode, Zookeeper，DFSZKFailoverController
由wsdl生成的java vo类不适合做普通java vo darrenzhu VO wsdl webservice rpc
开发java webservice项目时，如果我们通过SOAP协议来输入输出，我们会利用工具从wsdl文件生成webservice的client端类，但是这里面生成的java data model类却不适合做为项目中的普通java vo类来使用，当然有一中情况例外，如果这个自动生成的类里面的properties都是基本数据类型，就没问题，但是如果有集合类，就不行。原因如下： 1)使用了集合如Li
JAVA海量数据处理之二（BitMap）周凡杨 java 算法 bitmap bitset 数据
路漫漫其修远兮，吾将上下而求索。想要更快，就要深入挖掘 JAVA 基础的数据结构，从来分析出所编写的 JAVA 代码为什么把内存耗尽，思考有什么办法可以节省内存呢？啊哈！算法。这里采用了 BitMap 思想。首先来看一个实验：指定 VM 参数大小： -Xms256m -Xmx540m
java类型与数据库类型 g21121 java
很多时候我们用hibernate的时候往往并不是十分关心数据库类型和java类型的对应关心，因为大多数hbm文件是自动生成的，但有些时候诸如：数据库设计、没有生成工具、使用原始JDBC、使用mybatis(ibatIS)等等情况，就会手动的去对应数据库与java的数据类型关心，当然比较简单的数据类型即使配置错了也会很快发现问题，但有些数据类型却并不是十分常见，这就给程序员带来了很多麻烦。 &nb
Linux命令 510888780 linux命令
系统信息 arch 显示机器的处理器架构(1) uname -m 显示机器的处理器架构(2) uname -r 显示正在使用的内核版本 dmidecode -q 显示硬件系统部件 - (SMBIOS / DMI) hdparm -i /dev/hda 罗列一个磁盘的架构特性 hdparm -tT /dev/sda 在磁盘上执行测试性读取操作 cat /proc/cpuinfo 显示C
java常用JVM参数墙头上一根草 java jvm参数
-Xms：初始堆大小，默认为物理内存的1/64(<1GB)；默认(MinHeapFreeRatio参数可以调整)空余堆内存小于40%时，JVM就会增大堆直到-Xmx的最大限制 -Xmx：最大堆大小，默认(MaxHeapFreeRatio参数可以调整)空余堆内存大于70%时，JVM会减少堆直到 -Xms的最小限制 -Xmn：新生代的内存空间大小，注意：此处的大小是（eden+ 2
我的spring学习笔记9-Spring使用工厂方法实例化Bean的注意点 aijuans Spring 3
方法一： <bean id="musicBox" class="onlyfun.caterpillar.factory.MusicBoxFactory" factory-method="createMusicBoxStatic"></bean> 方法二：
mysql查询性能优化之二 annan211 UNION mysql 查询优化索引优化
1 union的限制有时mysql无法将限制条件从外层下推到内层，这使得原本能够限制部分返回结果的条件无法应用到内层查询的优化上。如果希望union的各个子句能够根据limit只取部分结果集，或者希望能够先排好序在合并结果集的话，就需要在union的各个子句中分别使用这些子句。例如想将两个子查询结果联合起来，然后再取前20条记录，那么mys
数据的备份与恢复百合不是茶 oracle sql 数据恢复数据备份
数据的备份与恢复的方式有: 表,方案 ,数据库; 数据的备份: 导出到的常见命令; 参数说明 USERID 确定执行导出实用程序的用户名和口令 BUFFER 确定导出数据时所使用的缓冲区大小，其大小用字节表示 FILE 指定导出的二进制文
线程组 bijian1013 java 多线程 thread java多线程线程组
有些程序包含了相当数量的线程。这时，如果按照线程的功能将他们分成不同的类别将很有用。线程组可以用来同时对一组线程进行操作。创建线程组：ThreadGroup g = new ThreadGroup(groupName); &nbs
top命令找到占用CPU最高的java线程 bijian1013 java linux top
上次分析系统中占用CPU高的问题，得到一些使用Java自身调试工具的经验，与大家分享。 (1)使用top命令找出占用cpu最高的JAVA进程PID:28174 (2)如下命令找出占用cpu最高的线程 top -Hp 28174 -d 1 -n 1 32694 root 20 0 3249m 2.0g 11m S 2 6.4 3:31.12 java
【持久化框架MyBatis3四】MyBatis3一对一关联查询 bit1129 Mybatis3
当两个实体具有1对1的对应关系时，可以使用One-To-One的进行映射关联查询 One-To-One示例数据以学生表Student和地址信息表为例，每个学生都有都有1个唯一的地址(现实中，这种对应关系是不合适的，因为人和地址是多对一的关系)，这里只是演示目的学生表 CREATE TABLE STUDENTS (
C/C++图片或文件的读写 bitcarter 写图片
先看代码： /*strTmpResult是文件或图片字符串 * filePath文件需要写入的地址或路径 */ int writeFile(std::string &strTmpResult,std::string &filePath) { int i,len = strTmpResult.length(); unsigned cha
nginx自定义指定加载配置 ronin47
进入 /usr/local/nginx/conf/include 目录，创建 nginx.node.conf 文件，在里面输入如下代码： upstream nodejs { server 127.0.0.1:3000; #server 127.0.0.1:3001; keepalive 64; } server { liste
java-71-数值的整数次方.实现函数double Power(double base, int exponent)，求base的exponent次方 bylijinnan double
public class Power { /** *Q71-数值的整数次方 *实现函数double Power(double base, int exponent)，求base的exponent次方。不需要考虑溢出。 */ private static boolean InvalidInput=false; public static void main(
Android四大组件的理解 Cb123456 android 四大组件的理解
分享一下，今天在Android开发文档-开发者指南中看到的: App components are the essential building blocks of an Android
[宇宙与计算]涡旋场计算与拓扑分析 comsci 计算
怎么阐述我这个理论呢？。。。。。。。。。首先：宇宙是一个非线性的拓扑结构与涡旋轨道时空的统一体。。。。我们要在宇宙中寻找到一个适合人类居住的行星，时间非常重要，早一个刻度和晚一个刻度，这颗行星的
同一个Tomcat不同Web应用之间共享会话Session cwqcwqmax9 session
实现两个WEB之间通过session 共享数据查看tomcat 关于 HTTP Connector 中有个emptySessionPath 其解释如下： If set to true, all paths for session cookies will be set to /. This can be useful for portlet specification impleme
springmvc Spring3 MVC，ajax，乱码 dashuaifu spring jquery mvc Ajax
springmvc Spring3 MVC @ResponseBody返回，jquery ajax调用中文乱码问题解决 Spring3.0 MVC @ResponseBody 的作用是把返回值直接写到HTTP response body里。具体实现AnnotationMethodHandlerAdapter类handleResponseBody方法，具体实
搭建WAMP环境 dcj3sjt126com wamp
这里先解释一下WAMP是什么意思。W:windows，A：Apache，M：MYSQL，P：PHP。也就是说本文说明的是在windows系统下搭建以apache做服务器、MYSQL为数据库的PHP开发环境。工欲善其事，必须先利其器。因为笔者的系统是WinXP，所以下文指的系统均为此系统。笔者所使用的Apache版本为apache_2.2.11-
yii2 使用raw http request dcj3sjt126com http
Parses a raw HTTP request using yii\helpers\Json::decode() To enable parsing for JSON requests you can configure yii\web\Request::$parsers using this class: 'request' =&g
Quartz-1.8.6 理论部分 eksliang quartz
转载请出自出处：http://eksliang.iteye.com/blog/2207691 一.概述基于Quartz-1.8.6进行学习，因为Quartz2.0以后的API发生的非常大的变化，统一采用了build模式进行构建；什么是quartz? 答：简单的说他是一个开源的java作业调度框架，为在 Java 应用程序中进行作业调度提供了简单却强大的机制。并且还能和Sp
什么是POJO？ gupeng_ie java POJO 框架 Hibernate
POJO--Plain Old Java Objects(简单的java对象) POJO是一个简单的、正规Java对象，它不包含业务逻辑处理或持久化逻辑等，也不是JavaBean、EntityBean等，不具有任何特殊角色和不继承或不实现任何其它Java框架的类或接口。 POJO对象有时也被称为Data对象，大量应用于表现现实中的对象。如果项目中使用了Hiber
jQuery网站顶部定时折叠广告 ini JavaScript html jquery Web css
效果体验：http://hovertree.com/texiao/jquery/4.htmHTML文件代码： <!DOCTYPE html> <html xmlns="http://www.w3.org/1999/xhtml"> <head> <title>网页顶部定时收起广告jQuery特效 - HoverTree<
Spring boot内嵌的tomcat启动失败 kane_xie spring boot
根据这篇guide创建了一个简单的spring boot应用，能运行且成功的访问。但移植到现有项目（基于hbase）中的时候，却报出以下错误： SEVERE: A child container failed during start java.util.concurrent.ExecutionException: org.apache.catalina.Lif
leetcode: sort list michelle_0916 Algorithm linked list sort
Sort a linked list in O(n log n) time using constant space complexity. ====analysis======= mergeSort for singly-linked list ====code======= /** * Definition for sin
nginx的安装与配置,中途遇到问题的解决 qifeifei nginx
我使用的是ubuntu13.04系统，在安装nginx的时候遇到如下几个问题，然后找思路解决的，nginx 的下载与安装 wget http://nginx.org/download/nginx-1.0.11.tar.gz tar zxvf nginx-1.0.11.tar.gz ./configure make make install 安装的时候出现
用枚举来处理java自定义异常 tcrct java enum exception
在系统开发过程中，总少不免要自己处理一些异常信息，然后将异常信息变成友好的提示返回到客户端的这样一个过程，之前都是new一个自定义的异常，当然这个所谓的自定义异常也是继承RuntimeException的，但这样往往会造成异常信息说明不一致的情况，所以就想到了用枚举来解决的办法。 1，先创建一个接口，里面有两个方法，一个是getCode, 一个是getMessage public
erlang supervisor分析 wudixiaotie erlang
当我们给supervisor指定需要创建的子进程的时候，会指定M,F,A,如果是simple_one_for_one的策略的话，启动子进程的方式是supervisor:start_child(SupName, OtherArgs),这种方式可以根据调用者的需求传不同的参数给需要启动的子进程的方法。和最初的参数合并成一个数组，A ++ OtherArgs。那么这个时候就有个问题了，既然参数不一致，那