J.Kuchiki
J.Kuchiki

【差分演化算法相关文献总结】

差分演化算法相关文献总结

  • 前言
  • 概述
  • 文献综述
  • 总结

前言

  本人作为一名从事了三年演化算法研究的菜鸡研究生，其中大部分时间都在专注于差分演化算法（Differential Evolution, DE）的相关研究。现如今已经毕业，回顾往昔，经过阅读大量的文献，也算是浅浅的入了演化算法的门。
  本文将总结出我在读研期间所收集和阅读过的与 DE 相关的一些论文，以供从事演化算法研究，尤其是 DE 算法研究的各位学者们进行学习和参考。下面我会附上论文的名称和对应的连接，感兴趣的小伙伴可自行下载阅读。
  首先，我们还是先附上 DE 原文:
Storn R, Price K. Differential evolution–a simple and efficient heuristic for global optimization over continuous spaces[J]. Journal of global optimization, 1997, 11: 341-359.

概述

  在众多的演化算法中，差分演化算法作为一种经典、高效的元启发算法，具有参数少、收敛快、鲁棒性高等优点，使其一度成为了演化计算领域的热点。在2006年至2009年由IEEE举办的CEC演化大赛中，DE连续取得了第一的名次，并且在近三年的竞赛中，DE依旧具有更好的竞争力。DE是由Storn于1995所提出的一种具有较强鲁棒性的优化算法，通过基于种群的随机搜索方式来进行演化更新，每一代的个体都会经历突变、交叉和选择操作，从而将种群不断向全局最优引导。由于其具有较强的鲁棒性和简单性，DE进化已成功地应用于医疗问题优化、工程设计、路径规划、计算机视觉等各种领域中，并取得了显著的效果。
  虽然DE存在许多的优点且受到了广泛的使用，但是该算法依旧存在较多的问题和提升空间，如较多的参数设置、演化寻优的随机性较大、种群多样性的丧失、算法易陷入局部最优、算法早熟、搜索停滞等现象。此类问题的出现会降低DE的算法性能，在解决实际优化问题时会造成不同程度的影响。所以，受到实际问题的驱动，对DE算法的改进和优化从未停止，众多研究者对DE存在的问题进行了讨论及优化。现如今，已有大量的DE变体被提出，极大程度的提高了算法的性能。

【差分演化算法相关文献总结】_第1张图片

文献综述

  1. Brest J, Greiner S, Boskovic B, et al. Self-adapting control parameters in differential evolution: A comparative study on numerical benchmark problems[J]. IEEE transactions on evolutionary computation, 2006, 10(6): 646-657.
  2. Qin A K, Huang V L, Suganthan P N. Differential evolution algorithm with strategy adaptation for global numerical optimization[J]. IEEE transactions on Evolutionary Computation, 2008, 13(2): 398-417.
  3. Fan Q, Wang W, Yan X. Differential evolution algorithm with strategy adaptation and knowledge-based control parameters[J]. Artificial Intelligence Review, 2019, 51: 219-253.
  4. Wang Y, Cai Z, Zhang Q. Differential evolution with composite trial vector generation strategies and control parameters[J]. IEEE transactions on evolutionary computation, 2011, 15(1): 55-66.
  5. Zhang J, Sanderson A C. JADE: adaptive differential evolution with optional external archive[J]. IEEE Transactions on evolutionary computation, 2009, 13(5): 945-958.
  6. Mallipeddi R, Suganthan P N, Pan Q K, et al. Differential evolution algorithm with ensemble of parameters and mutation strategies[J]. Applied soft computing, 2011, 11(2): 1679-1696.
  7. Mallipeddi R, Suganthan P N. Differential evolution algorithm with ensemble of parameters and mutation and crossover strategies[C]//Swarm, Evolutionary, and Memetic Computing: First International Conference on Swarm, Evolutionary, and Memetic Computing, SEMCCO 2010, Chennai, India, December 16-18, 2010. Proceedings 1. Springer Berlin Heidelberg, 2010: 71-78.
  8. Wu G, Mallipeddi R, Suganthan P N, et al. Differential evolution with multi-population based ensemble of mutation strategies[J]. Information Sciences, 2016, 329: 329-345.
  9. Tanabe R, Fukunaga A. Success-history based parameter adaptation for differential evolution[C]//2013 IEEE congress on evolutionary computation. IEEE, 2013: 71-78.
  10. Li X, Wang L, Jiang Q, et al. Differential evolution algorithm with multi-population cooperation and multi-strategy integration[J]. Neurocomputing, 2021, 421: 285-302.
  11. Das S, Mullick S S, Suganthan P N. Recent advances in differential evolution–an updated survey[J]. Swarm and evolutionary computation, 2016, 27: 1-30.
  12. Hassan S, Hemeida A M, Alkhalaf S, et al. Multi-variant differential evolution algorithm for feature selection[J]. Scientific Reports, 2020, 10(1): 17261.
  13. Ahandani M A. Opposition-based learning in the shuffled bidirectional differential evolution algorithm[J]. Swarm and Evolutionary Computation, 2016, 26: 64-85.
  14. Liu X F, Zhan Z H, Lin Y, et al. Historical and heuristic-based adaptive differential evolution[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2018, 49(12): 2623-2635.
  15. Ortiz M L, Xiong N. Using random local search helps in avoiding local optimum in differential evolution[C]//Proc. IASTED. 2014: 413-420.
  16. Fan Q, Yan X. Self-adaptive differential evolution algorithm with zoning evolution of control parameters and adaptive mutation strategies[J]. IEEE transactions on cybernetics, 2015, 46(1): 219-232.
  17. Tian M, Gao X, Dai C. Differential evolution with improved individual-based parameter setting and selection strategy[J]. Applied Soft Computing, 2017, 56: 286-297.
  18. Gong W, Cai Z, Liang D. Adaptive ranking mutation operator based differential evolution for constrained optimization[J]. IEEE transactions on cybernetics, 2014, 45(4): 716-727.
  19. Tanabe R, Fukunaga A S. Improving the search performance of SHADE using linear population size reduction[C]//2014 IEEE congress on evolutionary computation (CEC). IEEE, 2014: 1658-1665.
  20. ZDT D T. Performance analysis of variants of differential evolution on multi-objective optimization problems[J]. Indian Journal of Science and Technology, 2015, 8(17): 65727.
  21. Peng H, Guo Z, Deng C, et al. Enhancing differential evolution with random neighbors based strategy[J]. Journal of Computational Science, 2018, 26: 501-511.
  22. Yu W J, Shen M, Chen W N, et al. Differential evolution with two-level parameter adaptation[J]. IEEE Transactions on Cybernetics, 2013, 44(7): 1080-1099.
  23. Wang Y, Li H X, Huang T, et al. Differential evolution based on covariance matrix learning and bimodal distribution parameter setting[J]. Applied Soft Computing, 2014, 18: 232-247.
  24. Xia X, Tong L, Zhang Y, et al. NFDDE: A novelty-hybrid-fitness driving differential evolution algorithm[J]. Information Sciences, 2021, 579: 33-54.
  25. Brest J. Constrained real-parameter optimization with ε-self-adaptive differential evolution[M]. Springer Berlin Heidelberg, 2009.
  26. Huynh T N, Do D T T, Lee J. Q-Learning-based parameter control in differential evolution for structural optimization[J]. Applied Soft Computing, 2021, 107: 107464.
  27. Meng Z, Yang C. Hip-DE: Historical population based mutation strategy in differential evolution with parameter adaptive mechanism[J]. Information Sciences, 2021, 562: 44-77.
  28. Li S, Gu Q, Gong W, et al. An enhanced adaptive differential evolution algorithm for parameter extraction of photovoltaic models[J]. Energy Conversion and Management, 2020, 205: 112443.
  29. Hao Q, Zhou Z, Wei Z, et al. Parameters identification of photovoltaic models using a multi-strategy success-history-based adaptive differential evolution[J]. IEEE Access, 2020, 8: 35979-35994.
  30. Huang Q, Zhang K, Song J, et al. Adaptive differential evolution with a Lagrange interpolation argument algorithm[J]. Information Sciences, 2019, 472: 180-202.
  31. Gong W, Cai Z, Ling C X, et al. Enhanced differential evolution with adaptive strategies for numerical optimization[J]. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 2010, 41(2): 397-413.
  32. Qian W, Chai J, Xu Z, et al. Differential evolution algorithm with multiple mutation strategies based on roulette wheel selection[J]. Applied Intelligence, 2018, 48: 3612-3629.
  33. Liu Z Z, Wang Y, Yang S, et al. Differential evolution with a two-stage optimization mechanism for numerical optimization[C]//2016 IEEE congress on evolutionary computation (CEC). IEEE, 2016: 3170-3177.
  34. Wang Y, Yu J, Yang S, et al. Evolutionary dynamic constrained optimization: Test suite construction and algorithm comparisons[J]. Swarm and Evolutionary Computation, 2019, 50: 100559.
  35. Li Y, Wang S, Liu H, et al. A backtracking differential evolution with multi-mutation strategies autonomy and collaboration[J]. Applied Intelligence, 2022: 1-27.
  36. Ali I M, Essam D, Kasmarik K. Novel binary differential evolution algorithm for knapsack problems[J]. Information Sciences, 2021, 542: 177-194.
  37. Xie W, Yu W, Zou X. Diversity-maintained differential evolution embedded with gradient-based local search[J]. Soft computing, 2013, 17: 1511-1535.
  38. Peng H, Wu Z. Heterozygous differential evolution with Taguchi local search[J]. Soft Computing, 2015, 19: 3273-3291.
  39. Liao J, Cai Y, Wang T, et al. Cellular direction information based differential evolution for numerical optimization: an empirical study[J]. Soft Computing, 2016, 20: 2801-2827.
  40. Kaelo P, Ali M M. A numerical study of some modified differential evolution algorithms[J]. European journal of operational research, 2006, 169(3): 1176-1184.
  41. Brest J, Maučec M S, Bošković B. Single objective real-parameter optimization: Algorithm jSO[C]//2017 IEEE congress on evolutionary computation (CEC). IEEE, 2017: 1311-1318.
  42. Tan Z, Li K, Wang Y. Differential evolution with adaptive mutation strategy based on fitness landscape analysis[J]. Information Sciences, 2021, 549: 142-163.
  43. Zuo Y, Zhao F, Li Z. A knowledge-based differential covariance matrix adaptation cooperative algorithm[J]. Expert Systems with Applications, 2021, 184: 115495.
  44. Zeng Z, Zhang M, Chen T, et al. A new selection operator for differential evolution algorithm[J]. Knowledge-Based Systems, 2021, 226: 107150.
  45. Lu Z, Zhang L, Wang D. Differential evolution with improved elite archive mutation and dynamic parameter adjustment[J]. Cluster Computing, 2019, 22: 9347-9356.
  46. Zhang X, Zhang X. Improving differential evolution by differential vector archive and hybrid repair method for global optimization[J]. Soft Computing, 2017, 21: 7107-7116.
  47. Das S, Konar A, Chakraborty U K. Two improved differential evolution schemes for faster global search[C]//Proceedings of the 7th annual conference on Genetic and evolutionary computation. 2005: 991-998.
  48. Yang Z, Yao X, He J. Making a difference to differential evolution[J]. Advances in metaheuristics for hard optimization, 2008: 397-414.
  49. Das S, Konar A, Chakraborty U K. Two improved differential evolution schemes for faster global search[C]//Proceedings of the 7th annual conference on Genetic and evolutionary computation. 2005: 991-998.
  50. Liang J, Qiao K, Yu K, et al. Parameters estimation of solar photovoltaic models via a self-adaptive ensemble-based differential evolution[J]. Solar Energy, 2020, 207: 336-346.
  51. Cui L, Huang Q, Li G, et al. Differential evolution algorithm with tracking mechanism and backtracking mechanism[J]. IEEE Access, 2018, 6: 44252-44267.
  52. Meng Z, Chen Y, Li X. Enhancing differential evolution with novel parameter control[J]. IEEE Access, 2020, 8: 51145-51167.
  53. Zou D, Gong D. Differential evolution based on migrating variables for the combined heat and power dynamic economic dispatch[J]. Energy, 2022, 238: 121664.
  54. Zhou X G, Zhang G J, Hao X H, et al. Differential evolution with multi-stage strategies for global optimization[C]//2016 IEEE Congress on Evolutionary Computation (CEC). IEEE, 2016: 2550-2557.
  55. Mohamed A K, Mohamed A W. Real-parameter unconstrained optimization based on enhanced AGDE algorithm[J]. Machine learning paradigms: Theory and application, 2019: 431-450.
  56. Cui L, Li G, Zhu Z, et al. Adaptive multiple-elites-guided composite differential evolution algorithm with a shift mechanism[J]. Information Sciences, 2018, 422: 122-143.
  57. Kizilay D, Tasgetiren M F, Oztop H, et al. A differential evolution algorithm with q-learning for solving engineering design problems[C]//2020 IEEE Congress on Evolutionary Computation (CEC). IEEE, 2020: 1-8.
  58. Sharma M, Komninos A, López-Ibáñez M, et al. Deep reinforcement learning based parameter control in differential evolution[C]//Proceedings of the Genetic and Evolutionary Computation Conference. 2019: 709-717.
  59. Tan Z, Li K. Differential evolution with mixed mutation strategy based on deep reinforcement learning[J]. Applied Soft Computing, 2021, 111: 107678.
  60. Zhang H, Sun J, Xu Z. Learning to mutate for differential evolution[C]//2021 IEEE Congress on Evolutionary Computation (CEC). IEEE, 2021: 1-8.
  61. El-Qulity S A, Mohamed A W. A generalized national planning approach for admission capacity in higher education: a nonlinear integer goal programming model with a novel differential evolution algorithm[J]. Computational Intelligence and Neuroscience, 2016, 2016: 21-21.
  62. Mohamed A W. An improved differential evolution algorithm with triangular mutation for global numerical optimization[J]. Computers & Industrial Engineering, 2015, 85: 359-375.
  63. Mohamed A W, Mohamed A K. Adaptive guided differential evolution algorithm with novel mutation for numerical optimization[J]. International Journal of Machine Learning and Cybernetics, 2019, 10: 253-277.
  64. Wu G, Shen X, Li H, et al. Ensemble of differential evolution variants[J]. Information Sciences, 2018, 423: 172-186.
  65. Mohamed A W, Hadi A A, Jambi K M. Novel mutation strategy for enhancing SHADE and LSHADE algorithms for global numerical optimization[J]. Swarm and Evolutionary Computation, 2019, 50: 100455.
  66. Mohamed A W, Hadi A A, Mohamed A K. Differential evolution mutations: taxonomy, comparison and convergence analysis[J]. IEEE Access, 2021, 9: 68629-68662.
  67. Mohamed A W, Hadi A A, Fattouh A M, et al. LSHADE with semi-parameter adaptation hybrid with CMA-ES for solving CEC 2017 benchmark problems[C]//2017 IEEE Congress on evolutionary computation (CEC). IEEE, 2017: 145-152.
  68. Kumar A, Misra R K, Singh D. Improving the local search capability of effective butterfly optimizer using covariance matrix adapted retreat phase[C]//2017 IEEE congress on evolutionary computation (CEC). IEEE, 2017: 1835-1842.
  69. Kudela J, Matousek R. Lipschitz-based surrogate model for high-dimensional computationally expensive problems[J]. arXiv preprint arXiv:2204.14236, 2022.
  70. Cui L, Huang Q, Li G, et al. Differential evolution algorithm with tracking mechanism and backtracking mechanism[J]. IEEE Access, 2018, 6: 44252-44267.
  71. Meng Z, Zhong Y, Yang C. CS-DE: Cooperative strategy based differential evolution with population diversity enhancement[J]. Information Sciences, 2021, 577: 663-696.
  72. Meng Z, Yang C. Hip-DE: Historical population based mutation strategy in differential evolution with parameter adaptive mechanism[J]. Information Sciences, 2021, 562: 44-77.
  73. Meng Z, Yang C, Li X, et al. Di-DE: depth information-based differential evolution with adaptive parameter control for numerical optimization[J]. IEEE Access, 2020, 8: 40809-40827.
  74. Biswas S, Saha D, De S, et al. Improving differential evolution through Bayesian hyperparameter optimization[C]//2021 IEEE Congress on evolutionary computation (CEC). IEEE, 2021: 832-840.
  75. Cui L, Li G, Lin Q, et al. Adaptive differential evolution algorithm with novel mutation strategies in multiple sub-populations[J]. Computers & Operations Research, 2016, 67: 155-173.
  76. Ge Y F, Yu W J, Lin Y, et al. Distributed differential evolution based on adaptive mergence and split for large-scale optimization[J]. IEEE transactions on cybernetics, 2017, 48(7): 2166-2180.
  77. Tan Z, Tang Y, Li K, et al. Differential evolution with hybrid parameters and mutation strategies based on reinforcement learning[J]. Swarm and Evolutionary Computation, 2022, 75: 101194.
  78. Gui L, Xia X, Yu F, et al. A multi-role based differential evolution[J]. Swarm and Evolutionary Computation, 2019, 50: 100508.
  79. Cao Z, Jia H, Wang Z, et al. A differential evolution with autonomous strategy selection and its application in remote sensing image denoising[J]. Expert Systems with Applications, 2023: 122108.
  80. Li C, Sun G, Deng L, et al. A population state evaluation-based improvement framework for differential evolution[J]. Information Sciences, 2023, 629: 15-38.
  81. Li Y, Wang S, Yang B, et al. Population reduction with individual similarity for differential evolution[J]. Artificial Intelligence Review, 2023, 56(5): 3887-3949.
  82. Ahmad M F, Isa N A M, Lim W H, et al. Differential evolution: A recent review based on state-of-the-art works[J]. Alexandria Engineering Journal, 2022, 61(5): 3831-3872.
  83. Song Y, Cai X, Zhou X, et al. Dynamic hybrid mechanism-based differential evolution algorithm and its application[J]. Expert Systems with Applications, 2023, 213: 118834.
  84. Wang M, Ma Y, Wang P. Parameter and strategy adaptive differential evolution algorithm based on accompanying evolution[J]. Information Sciences, 2022, 607: 1136-1157.
  85. Meng Z, Yang C. Two-stage differential evolution with novel parameter control[J]. Information Sciences, 2022, 596: 321-342.
  86. Piotrowski A P, Napiorkowski J J, Piotrowska A E. Particle swarm optimization or differential evolution—A comparison[J]. Engineering Applications of Artificial Intelligence, 2023, 121: 106008.
  87. Zhang S X, Wen Y N, Liu Y H, et al. Differential evolution with domain transform[J]. IEEE Transactions on Evolutionary Computation, 2022.
  88. Qiao K, Liang J, Yu K, et al. Self-adaptive resources allocation-based differential evolution for constrained evolutionary optimization[J]. Knowledge-Based Systems, 2022, 235: 107653.
  89. Qiao K, Liang J, Qu B, et al. Differential evolution with level-based learning mechanism[J]. Complex System Modeling and Simulation, 2022, 2(1): 35-58.
  90. Cao Z, Wang Z, Fu Y, et al. An adaptive differential evolution framework based on population feature information[J]. Information Sciences, 2022, 608: 1416-1440.
  91. Song Y, Zhao G, Zhang B, et al. An enhanced distributed differential evolution algorithm for portfolio optimization problems[J]. Engineering Applications of Artificial Intelligence, 2023, 121: 106004.
  92. Li Y, Han T, Tang S, et al. An improved differential evolution by hybridizing with estimation-of-distribution algorithm[J]. Information Sciences, 2023, 619: 439-456.
  93. Zeng Z, Zhang M, Hong Z, et al. Enhancing differential evolution with a target vector replacement strategy[J]. Computer Standards & Interfaces, 2022, 82: 103631.
  94. Zeng Z, Hong Z, Zhang H, et al. Improving differential evolution using a best discarded vector selection strategy[J]. Information Sciences, 2022, 609: 353-375.
  95. Vermetten D, van Stein B, Kononova A V, et al. Analysis of structural bias in differential evolution configurations[M]//Differential Evolution: From Theory to Practice. Singapore: Springer Nature Singapore, 2022: 1-22.
  96. Kitamura T, Fukunaga A. Differential Evolution with an Unbounded Population[C]//2022 IEEE Congress on Evolutionary Computation (CEC). IEEE, 2022: 1-8.
  97. Gupta S, Su R. An efficient differential evolution with fitness-based dynamic mutation strategy and control parameters[J]. Knowledge-Based Systems, 2022, 251: 109280.
  98. Deng W, Ni H, Liu Y, et al. An adaptive differential evolution algorithm based on belief space and generalized opposition-based learning for resource allocation[J]. Applied Soft Computing, 2022, 127: 109419.
  99. Li Y, Wang S, Yang H, et al. Enhancing differential evolution algorithm using leader-adjoint populations[J]. Information Sciences, 2023, 622: 235-268.
  100. Chen J, Wang R, Wu D, et al. A differential evolution-enhanced position-transitional approach to latent factor analysis[J]. IEEE Transactions on Emerging Topics in Computational Intelligence, 2022, 7(2): 389-401.

总结

  有关 DE 的相关论文不计其数，这里小编也不可能一一的列出。但是希望从事 DE 相关研究的学者能够不断的集思广益，多汲取一些大佬的思想，能够在算法优化上更上一层楼。
  我将收集到的一些论文进行了打包上传，链接如下：差分演化算法相关学术论文集合

你可能感兴趣的:(演化算法,算法)

  • 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
  • Goolge earth studio 进阶4——路径修改与平滑 陟彼高冈yu Googleearthstudio进阶教程旅游
    如果我们希望在大约中途时获得更多的城市鸟瞰视角。可以将相机拖动到这里并创建一个新的关键帧。camera_target_clip_7EarthStudio会自动平滑我们的路径，所以当我们通过这个关键帧时，不是一个生硬的角度，而是一个平滑的曲线。camera_target_clip_8路径上有贝塞尔控制手柄，允许我们调整路径的形状。右键单击，我们可以选择“平滑路径”，这是默认的自动平滑算法，或者我们可
  • 基于社交网络算法优化的二维最大熵图像分割 智能算法研学社（Jack旭） 智能优化算法应用图像分割算法php开发语言
    智能优化算法应用：基于社交网络优化的二维最大熵图像阈值分割-附代码文章目录智能优化算法应用：基于社交网络优化的二维最大熵图像阈值分割-附代码1.前言2.二维最大熵阈值分割原理3.基于社交网络优化的多阈值分割4.算法结果：5.参考文献：6.Matlab代码摘要：本文介绍基于最大熵的图像分割，并且应用社交网络算法进行阈值寻优。1.前言阅读此文章前，请阅读《图像分割：直方图区域划分及信息统计介绍》htt
  • 121. 买卖股票的最佳时机 薄荷糖的味道_fb40
    给定一个数组，它的第i个元素是一支给定股票第i天的价格。如果你最多只允许完成一笔交易（即买入和卖出一支股票），设计一个算法来计算你所能获取的最大利润。注意你不能在买入股票前卖出股票。示例1:输入:[7,1,5,3,6,4]输出:5解释:在第2天（股票价格=1）的时候买入，在第5天（股票价格=6）的时候卖出，最大利润=6-1=5。注意利润不能是7-1=6,因为卖出价格需要大于买入价格。示例2:输入:
  • 每日算法&面试题，大厂特训二十八天——第二十天（树） 肥学 ⚡算法题⚡面试题每日精进java算法数据结构
    目录标题导读算法特训二十八天面试题点击直接资料领取导读肥友们为了更好的去帮助新同学适应算法和面试题，最近我们开始进行专项突击一步一步来。上一期我们完成了动态规划二十一天现在我们进行下一项对各类算法进行二十八天的一个小总结。还在等什么快来一起肥学进行二十八天挑战吧！！特别介绍小白练手专栏，适合刚入手的新人欢迎订阅编程小白进阶python有趣练手项目里面包括了像《机器人尬聊》《恶搞程序》这样的有趣文章
  • 回溯算法-重新安排行程 chirou_ 算法数据结构图论c++图搜索
    leetcode332.重新安排行程这题我还没自己ac过，只能现在凭着刚学完的热乎劲把我对题解的理解记下来。本题我认为对数据结构的考察比较多，用什么数据结构去存数据，去读取数据，都是很重要的。classSolution{private:unordered_map>targets;boolbacktracking(intticketNum,vector&result){//1.确定参数和返回值//2
  • Faiss：高效相似性搜索与聚类的利器 网络·魚 大数据faiss
    Faiss是一个针对大规模向量集合的相似性搜索库，由FacebookAIResearch开发。它提供了一系列高效的算法和数据结构，用于加速向量之间的相似性搜索，特别是在大规模数据集上。本文将介绍Faiss的原理、核心功能以及如何在实际项目中使用它。Faiss原理：近似最近邻搜索：Faiss的核心功能之一是近似最近邻搜索，它能够高效地在大规模数据集中找到与给定查询向量最相似的向量。这种搜索是近似的，
  • insert into select 主键自增_mybatis拦截器实现主键自动生成 weixin_39521651 insertintoselect主键自增mybatisdelete返回值mybatisinsert返回主键mybatisinsert返回对象mybatisplusinsert返回主键mybatisplus插入生成id
    前言前阵子和朋友聊天，他说他们项目有个需求，要实现主键自动生成，不想每次新增的时候，都手动设置主键。于是我就问他，那你们数据库表设置主键自动递增不就得了。他的回答是他们项目目前的id都是采用雪花算法来生成，因此为了项目稳定性，不会切换id的生成方式。朋友问我有没有什么实现思路，他们公司的orm框架是mybatis，我就建议他说，不然让你老大把mybatis切换成mybatis-plus。mybat
  • k均值聚类算法考试例题_k均值算法(k均值聚类算法计算题) 寻找你83497 k均值聚类算法考试例题
    ?算法：第一步：选K个初始聚类中心，z1(1),z2(1)，…，zK(1)，其中括号内的序号为寻找聚类中心的迭代运算的次序号。聚类中心的向量值可任意设定，例如可选开始的K个.k均值聚类：---------一种硬聚类算法，隶属度只有两个取值0或1，提出的基本根据是“类内误差平方和最小化”准则；模糊的c均值聚类算法：--------一种模糊聚类算法，是.K均值聚类算法是先随机选取K个对象作为初始的聚类
  • Python实现简单的机器学习算法 master_chenchengg pythonpython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
  • 推荐算法_隐语义-梯度下降 _feivirus_ 算法机器学习和数学推荐算法机器学习隐语义
    importnumpyasnp1.模型实现"""inputrate_matrix:M行N列的评分矩阵，值为P*Q.P:初始化用户特征矩阵M*K.Q:初始化物品特征矩阵K*N.latent_feature_cnt:隐特征的向量个数max_iteration:最大迭代次数alpha:步长lamda:正则化系数output分解之后的P和Q"""defLFM_grad_desc(rate_matrix,l
  • K近邻算法_分类鸢尾花数据集 _feivirus_ 算法机器学习和数学分类机器学习K近邻
    importnumpyasnpimportpandasaspdfromsklearn.datasetsimportload_irisfromsklearn.model_selectionimporttrain_test_splitfromsklearn.metricsimportaccuracy_score1.数据预处理iris=load_iris()df=pd.DataFrame(data=ir
  • 数据结构 | 栈和队列 TT-Kun 数据结构与算法数据结构栈队列C语言
    文章目录栈和队列1.栈：后进先出（LIFO）的数据结构1.1概念与结构1.2栈的实现2.队列：先进先出（FIFO）的数据结构2.1概念与结构2.2队列的实现3.栈和队列算法题3.1有效的括号3.2用队列实现栈3.3用栈实现队列3.4设计循环队列结论栈和队列在计算机科学中，栈和队列是两种基本且重要的数据结构，它们在处理数据存储和访问顺序方面有着独特的规则和应用。本文将详细介绍栈和队列的概念、结构、实
  • [Python] 数据结构 详解及代码 AIAdvocate 算法python数据结构链表
    今日内容大纲介绍数据结构介绍列表链表1.数据结构和算法简介程序大白话翻译,程序=数据结构+算法数据结构指的是存储,组织数据的方式.算法指的是为了解决实际业务问题而思考思路和方法,就叫:算法.2.算法的5大特性介绍算法具有独立性算法是解决问题的思路和方式,最重要的是思维,而不是语言,其(算法)可以通过多种语言进行演绎.5大特性有输入,需要传入1或者多个参数有输出,需要返回1个或者多个结果有穷性,执行
  • Python算法L5：贪心算法 小熊同学哦 Python算法算法python贪心算法
    Python贪心算法简介目录Python贪心算法简介贪心算法的基本步骤贪心算法的适用场景经典贪心算法问题1.**零钱兑换问题**2.**区间调度问题**3.**背包问题**贪心算法的优缺点优点：缺点：结语贪心算法（GreedyAlgorithm）是一种在每一步选择中都采取当前最优或最优解的算法。它的核心思想是，在保证每一步局部最优的情况下，希望通过贪心选择达到全局最优解。虽然贪心算法并不总能得到全
  • 【RabbitMQ 项目】服务端：数据管理模块之绑定管理 月夜星辉雪 rabbitmq分布式
    文章目录一.编写思路二.代码实践一.编写思路定义绑定信息类交换机名称队列名称绑定关键字：交换机的路由交换算法中会用到没有是否持久化的标志，因为绑定是否持久化取决于交换机和队列是否持久化，只有它们都持久化时绑定才需要持久化。绑定就好像一根绳子，两端连接着交换机和队列，当一方不存在，它就没有存在的必要了定义绑定持久化类构造函数：如果数据库文件不存在则创建，打开数据库，创建binding_table插入
  • 非对称加密算法原理与应用2——RSA私钥加密文件 私语茶馆 云部署与开发架构及产品灵感记录RSA2048私钥加密
    作者：私语茶馆1.相关章节（1）非对称加密算法原理与应用1——秘钥的生成-CSDN博客第一章节讲述的是创建秘钥对，并将公钥和私钥导出为文件格式存储。本章节继续讲如何利用私钥加密内容，包括从密钥库或文件中读取私钥，并用RSA算法加密文件和String。2.私钥加密的概述本文主要基于第一章节的RSA2048bit的非对称加密算法讲述如何利用私钥加密文件。这种加密后的文件，只能由该私钥对应的公钥来解密。
  • 粒子群优化 (PSO) 在三维正弦波函数中的应用 subject625Ruben 机器学习人工智能matlab算法
    在这篇博客中，我们将展示如何使用粒子群优化（PSO）算法求解三维正弦波函数，并通过增加正弦波扰动，使优化过程更加复杂和有趣。本文将介绍目标函数的定义、PSO参数设置以及算法执行的详细过程，并展示搜索空间中的动态过程和收敛曲线。1.目标函数定义我们使用的目标函数是一个三维正弦波函数，定义如下：objectiveFunc=@(x)sin(sqrt(x(1).^2+x(2).^2))+0.5*sin(5
  • 非对称加密算法————RSA理论及详情 hu19930613
    转自：https://www.kancloud.cn/kancloud/rsa_algorithm/48484一、一点历史1976年以前，所有的加密方法都是同一种模式：（1）甲方选择某一种加密规则，对信息进行加密；（2）乙方使用同一种规则，对信息进行解密。由于加密和解密使用同样规则（简称"密钥"），这被称为"对称加密算法"（Symmetric-keyalgorithm）。这种加密模式有一个最大弱点
  • 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
  • 【加密算法基础——对称加密和非对称加密】 XWWW668899 网络安全服务器笔记
    对称加密与非对称加密对称加密和非对称加密是两种基本的加密方法，各自有不同的特点和用途。以下是详细比较：1.对称加密特点密钥:使用相同的密钥进行加密和解密。发送方和接收方必须共享这个密钥。速度:通常速度较快，适合处理大量数据。实现:算法相对简单，计算效率高。常见算法AES(高级加密标准)DES(数据加密标准)3DES(三重数据加密标准)RC4(流密码)应用场景文件加密磁盘加密传输大量数据时的加密2.
  • 【算法练习】IDEA集成leetcode插件实现快速刷 2401_84102892 2024年程序员学习算法intellij-idealeetcode
    ============点击右侧边leetcode->设置->配置地址、用户名、密码、存放目录、文件模板用户名要登录后在账号信息里看模板代码1.codefilename!velocityTool.camelC
  • 【加密算法基础——RSA 加密】 XWWW668899 网络服务器笔记python
    RSA加密RSA（Rivest-Shamir-Adleman）加密是非对称加密，一种广泛使用的公钥加密算法，主要用于安全数据传输。公钥用于加密，私钥用于解密。RSA加密算法的名称来源于其三位发明者的姓氏：R:RonRivestS:AdiShamirA:LeonardAdleman这三位计算机科学家在1977年共同提出了这一算法，并发表了相关论文。他们的工作为公钥加密的基础奠定了重要基础，使得安全通
  • 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！
  • 生成式地图制图 Bwywb_3 深度学习机器学习深度学习生成对抗网络
    生成式地图制图（GenerativeCartography）是一种利用生成式算法和人工智能技术自动创建地图的技术。它结合了传统的地理信息系统（GIS）技术与现代生成模型（如深度学习、GANs等），能够根据输入的数据自动生成符合需求的地图。这种方法在城市规划、虚拟环境设计、游戏开发等多个领域具有应用前景。主要特点：自动化生成：通过算法和模型，系统能够根据输入的地理或空间数据自动生成地图，而无需人工逐
  • 高性能javascript--算法和流程控制 海淀萌狗
    -for,while和do-while性能相当-避免使用for-in循环，==除非遍历一个属性量未知的对象==es5:for-in遍历的对象便不局限于数组，还可以遍历对象。原因：for-in每次迭代操作会同时搜索实例或者原型属性，for-in循环的每次迭代都会产生更多开销，因此要比其他循环类型慢，一般速度为其他类型循环的1/7。因此，除非明确需要迭代一个属性数量未知的对象，否则应避免使用for-i
  • 深度 Qlearning：在直播推荐系统中的应用 AGI通用人工智能之禅 程序员提升自我硅基计算碳基计算认知计算生物计算深度学习神经网络大数据AIGCAGILLMJavaPython架构设计Agent程序员实现财富自由
    深度Q-learning：在直播推荐系统中的应用关键词：深度Q-learning,强化学习,直播推荐系统,个性化推荐1.背景介绍1.1问题的由来随着互联网技术的飞速发展,直播平台如雨后春笋般涌现。面对海量的直播内容,用户很难快速找到自己感兴趣的内容。因此,个性化推荐系统在直播平台中扮演着越来越重要的角色。1.2研究现状目前,主流的个性化推荐算法包括协同过滤、基于内容的推荐等。这些方法在一定程度上缓
  • JVM源码分析之堆外内存完全解读 HeapDump性能社区
    概述广义的堆外内存说到堆外内存，那大家肯定想到堆内内存，这也是我们大家接触最多的，我们在jvm参数里通常设置-Xmx来指定我们的堆的最大值，不过这还不是我们理解的Java堆，-Xmx的值是新生代和老生代的和的最大值，我们在jvm参数里通常还会加一个参数-XX:MaxPermSize来指定持久代的最大值，那么我们认识的Java堆的最大值其实是-Xmx和-XX:MaxPermSize的总和，在分代算法
  • 等 缓光
    心数实验显示，量子场不能单纯回应我们的愿望（情感要求），也不能单纯回应我们的目的（想法）；只有当这两者同调时，或者说，当他们一致传播出相同的信号时，量子场才会有所回应。当我们结合高昂的情绪、开放的心，有意义的意念及明确的思维，我们将能发送出信息，使量子场以令人惊喜的方式回应我们。然而，量子场并非回应我们想要的，而是反应了我们是怎样的存在！摘自《未来预演》让心❤与脑一起演化出我们真正的存在吧！
  • 《算法》四学习——1.1节 进阶的Farmer 算法算法笔记
    前言买了一本算法4，每天看一点，对每个小结来个学习总结，输出驱动输入。本篇笔记针对第一章基础1.1基础编程模型1.1节总结了相关的语法、语言特性和书中将会用到的库。笔记自己在编码中容易遗漏的点&&优先级比||高在开发中习惯了加括号，所以没注意到这点，教材上也有但是忘记了二分查找中计算mid=left+(right-left)/2这样计算可以有效避免(left+right)/2溢出答疑java无穷大
  • SAX解析xml文件 小猪猪08 xml
    1.创建SAXParserFactory实例 2.通过SAXParserFactory对象获取SAXParser实例 3.创建一个类SAXParserHander继续DefaultHandler，并且实例化这个类 4.SAXParser实例的parse来获取文件     public static void main(String[] args) { //
  • 为什么mysql里的ibdata1文件不断的增长？ brotherlamp linuxlinux运维linux资料linux视频linux运维自学
    我们在 Percona 支持栏目经常收到关于 MySQL 的 ibdata1 文件的这个问题。 当监控服务器发送一个关于 MySQL 服务器存储的报警时，恐慌就开始了 —— 就是说磁盘快要满了。 一番调查后你意识到大多数地盘空间被 InnoDB 的共享表空间 ibdata1 使用。而你已经启用了 innodbfileper_table，所以问题是： ibdata1存了什么？ 当你启用了 i
  • Quartz-quartz.properties配置 eksliang quartz
    其实Quartz JAR文件的org.quartz包下就包含了一个quartz.properties属性配置文件并提供了默认设置。如果需要调整默认配置，可以在类路径下建立一个新的quartz.properties，它将自动被Quartz加载并覆盖默认的设置。   下面是这些默认值的解释 #-----集群的配置 org.quartz.scheduler.instanceName =
  • informatica session的使用 18289753290 workflowsessionlogInformatica
    如果希望workflow存储最近20次的log，在session里的Config  Object设置，log  options做配置，save  session log :sessions  run  ;savesessio log for  these runs:20 session下面的source 里面有个tracing 
  • Scrapy抓取网页时出现CRC check failed 0x471e6e9a != 0x7c07b839L的错误 酷的飞上天空 scrapy
    Scrapy版本0.14.4 出现问题现象： ERROR: Error downloading <GET http://xxxxx  CRC check failed   解决方法   1.设置网络请求时的header中的属性'Accept-Encoding': '*;q=0'   明确表示不支持任何形式的压缩格式，避免程序的解压
  • java Swing小集锦 永夜-极光 java swing
    1.关闭窗体弹出确认对话框   1.1   this.setDefaultCloseOperation (JFrame.DO_NOTHING_ON_CLOSE);   1.2   this.addWindowListener ( new WindowAdapter () { public void windo
  • 强制删除.svn文件夹 随便小屋 java
              在windows上，从别处复制的项目中可能带有.svn文件夹，手动删除太麻烦，并且每个文件夹下都有。所以写了个程序进行删除。因为.svn文件夹在windows上是只读的，所以用File中的delete()和deleteOnExist()方法都不能将其删除，所以只能采用windows命令方式进行删除
  • GET和POST有什么区别？及为什么网上的多数答案都是错的。 aijuans get post
        如果有人问你，GET和POST，有什么区别？你会如何回答？ 我的经历      前几天有人问我这个问题。我说GET是用于获取数据的，POST，一般用于将数据发给服务器之用。     这个答案好像并不是他想要的。于是他继续追问有没有别的区别？我说这就是个名字而已，如果服务器支持，他完全可以把G
  • 谈谈新浪微博背后的那些算法 aoyouzi 谈谈新浪微博背后的那些算法
    本文对微博中常见的问题的对应算法进行了简单的介绍，在实际应用中的算法比介绍的要复杂的多。当然，本文覆盖的主题并不全，比如好友推荐、热点跟踪等就没有涉及到。但古人云“窥一斑而见全豹”，希望本文的介绍能帮助大家更好的理解微博这样的社交网络应用。 微博是一个很多人都在用的社交应用。天天刷微博的人每天都会进行着这样几个操作：原创、转发、回复、阅读、关注、@等。其中，前四个是针对短博文，最后的关注和@则针
  • Connection reset 连接被重置的解决方法 百合不是茶 java字符流连接被重置
    流是java的核心部分,,昨天在做android服务器连接服务器的时候出了问题,就将代码放到java中执行,结果还是一样连接被重置   被重置的代码如下;   客户端代码; package 通信软件服务器; import java.io.BufferedWriter; import java.io.OutputStream; import java.io.O
  • web.xml配置详解之filter bijian1013 javaweb.xmlfilter
    一.定义 <filter> <filter-name>encodingfilter</filter-name> <filter-class>com.my.app.EncodingFilter</filter-class> <init-param> <param-name>encoding<
  • Heritrix Bill_chen 多线程xml算法制造配置管理
    作为纯Java语言开发的、功能强大的网络爬虫Heritrix，其功能极其强大，且扩展性良好，深受热爱搜索技术的盆友们的喜爱，但它配置较为复杂，且源码不好理解，最近又使劲看了下，结合自己的学习和理解，跟大家分享Heritrix的点点滴滴。 Heritrix的下载（http://sourceforge.net/projects/archive-crawler/）安装、配置，就不罗嗦了，可以自己找找资
  • 【Zookeeper】FAQ bit1129 zookeeper
    1.脱离IDE，运行简单的Java客户端程序 #ZkClient是简单的Zookeeper~$ java -cp "./:zookeeper-3.4.6.jar:./lib/*" ZKClient    1. Zookeeper是的Watcher回调是同步操作，需要添加异步处理的代码 2. 如果Zookeeper集群跨越多个机房，那么Leader/
  • The user specified as a definer ('aaa'@'localhost') does not exist 白糖_ localhost
    今天遇到一个客户BUG，当前的jdbc连接用户是root，然后部分删除操作都会报下面这个错误：The user specified as a definer ('aaa'@'localhost') does not exist 最后找原因发现删除操作做了触发器，而触发器里面有这样一句 /*!50017 DEFINER = ''aaa@'localhost' */  原来最初
  • javascript中showModelDialog刷新父页面 bozch JavaScript刷新父页面showModalDialog
    在页面中使用showModalDialog打开模式子页面窗口的时候，如果想在子页面中操作父页面中的某个节点，可以通过如下的进行：       window.showModalDialog('url',self,‘status...’); // 首先中间参数使用self       在子页面使用w
  • 编程之美-买书折扣 bylijinnan 编程之美
    import java.util.Arrays; public class BookDiscount { /**编程之美 买书折扣 书上的贪心算法的分析很有意思，我看了半天看不懂，结果作者说，贪心算法在这个问题上是不适用的。。 下面用动态规划实现。 哈利波特这本书一共有五卷，每卷都是8欧元，如果读者一次购买不同的两卷可扣除5%的折扣，三卷10%，四卷20%，五卷
  • 关于struts2.3.4项目跨站执行脚本以及远程执行漏洞修复概要 chenbowen00 strutsWEB安全
    因为近期负责的几个银行系统软件，需要交付客户，因此客户专门请了安全公司对系统进行了安全评测，结果发现了诸如跨站执行脚本，远程执行漏洞以及弱口令等问题。 下面记录下本次解决的过程以便后续 1、首先从最简单的开始处理，服务器的弱口令问题，首先根据安全工具提供的测试描述中发现应用服务器中存在一个匿名用户，默认是不需要密码的，经过分析发现服务器使用了FTP协议， 而使用ftp协议默认会产生一个匿名用
  • [电力与暖气]煤炭燃烧与电力加温 comsci
          在宇宙中,用贝塔射线观测地球某个部分,看上去,好像一个个马蜂窝,又像珊瑚礁一样,原来是某个国家的采煤区.....       不过,这个采煤区的煤炭看来是要用完了.....那么依赖将起燃烧并取暖的城市,在极度严寒的季节中...该怎么办呢?   &nbs
  • oracle O7_DICTIONARY_ACCESSIBILITY参数 daizj oracle
    O7_DICTIONARY_ACCESSIBILITY参数控制对数据字典的访问.设置为true,如果用户被授予了如select any table等any table权限,用户即使不是dba或sysdba用户也可以访问数据字典.在9i及以上版本默认为false,8i及以前版本默认为true.如果设置为true就可能会带来安全上的一些问题.这也就为什么O7_DICTIONARY_ACCESSIBIL
  • 比较全面的MySQL优化参考 dengkane mysql
    本文整理了一些MySQL的通用优化方法，做个简单的总结分享，旨在帮助那些没有专职MySQL DBA的企业做好基本的优化工作，至于具体的SQL优化，大部分通过加适当的索引即可达到效果，更复杂的就需要具体分析了，可以参考本站的一些优化案例或者联系我，下方有我的联系方式。这是上篇。   1、硬件层相关优化   1.1、CPU相关   在服务器的BIOS设置中，可
  • C语言homework2，有一个逆序打印数字的小算法 dcj3sjt126com c
    #h1#   0、完成课堂例子 1、将一个四位数逆序打印 1234 ==> 4321 实现方法一： # include <stdio.h> int main(void) { int i = 1234; int one = i%10; int two = i / 10 % 10; int three = i / 100 % 10;
  • apacheBench对网站进行压力测试 dcj3sjt126com apachebench
       ab 的全称是 ApacheBench ， 是 Apache 附带的一个小工具 ， 专门用于 HTTP Server 的 benchmark testing ， 可以同时模拟多个并发请求。前段时间看到公司的开发人员也在用它作一些测试，看起来也不错，很简单，也很容易使用，所以今天花一点时间看了一下。 通过下面的一个简单的例子和注释，相信大家可以更容易理解这个工具的使用。
  • 2种办法让HashMap线程安全 flyfoxs javajdkjni
    多线程之--2种办法让HashMap线程安全 多线程之--synchronized 和reentrantlock的优缺点 多线程之--2种JAVA乐观锁的比较( NonfairSync VS. FairSync)     HashMap不是线程安全的,往往在写程序时需要通过一些方法来回避.其实JDK原生的提供了2种方法让HashMap支持线程安全.  
  • Spring Security（04）——认证简介 234390216 Spring Security认证过程
    认证简介 目录 1.1     认证过程 1.2     Web应用的认证过程 1.2.1    ExceptionTranslationFilter 1.2.2    在request之间共享SecurityContext   1
  • Java 位运算 Javahuhui java位运算
    // 左移( << ) 低位补0 // 0000 0000 0000 0000 0000 0000 0000 0110 然后左移2位后，低位补0： // 0000 0000 0000 0000 0000 0000 0001 1000 System.out.println(6 << 2);// 运行结果是24 // 右移( >> ) 高位补"
  • mysql免安装版配置 ldzyz007 mysql
    1、my-small.ini是为了小型数据库而设计的。不应该把这个模型用于含有一些常用项目的数据库。 2、my-medium.ini是为中等规模的数据库而设计的。如果你正在企业中使用RHEL,可能会比这个操作系统的最小RAM需求(256MB)明显多得多的物理内存。由此可见，如果有那么多RAM内存可以使用，自然可以在同一台机器上运行其它服务。 3、my-large.ini是为专用于一个SQL数据
  • MFC和ado数据库使用时遇到的问题 你不认识的休道人 sqlC++mfc
    =================================================================== 第一个 =================================================================== try{ CString sql; sql.Format("select * from p
  • 表单重复提交Double Submits rensanning double
    可能发生的场景： *多次点击提交按钮 *刷新页面 *点击浏览器回退按钮 *直接访问收藏夹中的地址 *重复发送HTTP请求（Ajax） （1）点击按钮后disable该按钮一会儿，这样能避免急躁的用户频繁点击按钮。 这种方法确实有些粗暴，友好一点的可以把按钮的文字变一下做个提示，比如Bootstrap的做法： http://getbootstrap.co
  • Java String 十大常见问题 tomcat_oracle java正则表达式
    　1.字符串比较，使用“==”还是equals()? 　　"=="判断两个引用的是不是同一个内存地址(同一个物理对象)。 　　equals()判断两个字符串的值是否相等。 　　除非你想判断两个string引用是否同一个对象，否则应该总是使用equals()方法。 　　如果你了解字符串的驻留(String Interning)则会更好地理解这个问题。 　 　
  • SpringMVC 登陆拦截器实现登陆控制 xp9802 springMVC
    思路，先登陆后，将登陆信息存储在session中，然后通过拦截器，对系统中的页面和资源进行访问拦截，同时对于登陆本身相关的页面和资源不拦截。   实现方法： 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他