Python解决方案
Python解决方案

基于遗传算法的移动边缘计算环境下服务工作流的计算卸载

本篇主要介绍如何利用遗传算法实现移动边缘环境下(或5G环境下)移动设备工作流的计算卸载问题，详见董浩等文章《移动边缘计算环境下服务工作流的计算卸载》。
简单介绍：
　　实际应用环境为在移动边缘计算平台中，移动设备连接到基站，以从边缘服务器建立和部署服务。当移动用户执行计算工作流程时，可以通过移动网络将工作流程的服务卸载到边缘服务器。在边缘云中，边缘服务器接收来自移动用户的请求并在适当的时候处理它们。然后通过移动网络返回给移动用户。在这项工作中，假设所有服务都可以在本地运行或卸载到边缘服务器。
　　研究目标是在移动边缘环境下，同时对移动终端设备在处理任务时电池的总能耗和任务的总完成时间进行多目标优化。针对这一问题，重点设计一种智能算法来对此进行优化。由于优化这些目标需要考虑的方面很多，因此优化时先考虑单边缘端计算情况，再将结论推广至多个移动设备和多个移动边缘端的情形。
　　遗传算法是一种模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程中的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。它是一种基于“适者生存”的高度并行、随机和自适应的优化算法，通过复制、交叉、变异将问题解编码表示的“染色体”群一代代不断进化，最终收敛到最适应的群体，从而求得问题的最优解和满意解。
　　因此尝试使用基于遗传算法的方法定制成解决本研究问题移动边缘计算工作流调度多目标优化的算法。为了体现算法的优越性，需要与完全本地执行算法（Local Execution）和随机执行算法（RANDOM）的结果进行对比。完全本地执行算法就是将所有任务都放在移动设备上进行执行处理。随机执行算法就是对于任务的执行位置（即资源的匹配）和排序都采用随机的方式。综上所述，研究的重点内容包含以下两个方面：
　　1. 提出一种结合工作流调度的新型卸载策略，其组件之间具有相互依赖关系。
　　2. 设计并实现基于遗传算法的优化方法来做卸载决策。

再上几张图把问题展示的更清楚：


移动边缘计算

工作流调度优化

目标函数或称为适应度函数

遗传算法流程

主函数如下：

#导入自定义的模块
import plot_fitness_by_task_amout as pfbta
import plot_fitness_by_datasize as pfbd
import plot_fitness_by_workload as pfbw
import plot_fitness_by_iteration as pfbi
#根据文章实验要求进行绘图，分别为任务量、输出数据大小、工作量、迭代次数
pfbta.plot_fitness_by_task_amout()
pfbd.plot_fitness_by_datasize()
pfbw.plot_fitness_by_workload()
pfbi.plot_fitness_by_iteration()

参数设置：

#导入相关模块
import copy
import random
import numpy as np
import taskinitial as ti
import matplotlib.pyplot as plt
#全局参数设置
flow_num=1#本以为文章提到的N=50为任务流50个，后发现指在遗传算法中备选染色体个数，在本次仿真中用不上，设为1即可
task_num=50#每个任务流中含有task_num个任务，对应遗传算法编码长度为task_num
c_M=1#移动设备计算能力
P_M=0.5#本地工作时，设备功耗
P_up=0.1#上传时，设备功耗
P_down=0.1#下载时,设备功耗
c_E=3#边缘处理能力
Omiga=0.5#目标函数权重参数,当移动设备的电池充满时,增大;当其能量下降到阈值以下时,降低。
Up_Speed=8#上传速度未知，根据仿真的情况单位应为Mb
Down_Speed=8#下载速度未知，根据仿真的情况单位应为Mb

任务初始化

#*******************************************************************************
#初始化模块，用于生成任务流的位置、排序
#*******************************************************************************
import random
import numpy as np
#1.任务位置随机初始化，参考论文算法1
def Position_intial(N,n,X_):
    for i in range(N):
        for j in range(n):
            X_[i][j]=random.random()
    #大于0.5为1,小于0.5为0
    X_=np.int32(X_>0.5)
    return X_

#2.产生具有一定顺序的任务流，记录前驱任务Pre_task_dict和后驱任务Sub_task_dict
def Order_initial(n):
    Pre_task_dict=dict()
    Sub_task_dict=dict()
    Pre_task_dict[1]=[]#第一个任务先放进前驱任务列字典中，其前驱任务为空
    Task_order=[1]#第一个任务先放进任务列表中
    task_previous=[1]#第一个任务先放进前驱任务列列表中
    Y_list=list(range(2,n+1))
          
    while Y_list:
        #在剩下的任务中随机选择random_temp_num个任务
        random_temp_num=np.random.randint(1,len(Y_list)+1)
        task_temp=random.sample(Y_list,random_temp_num)
        #为每个任务随机生成前驱任务
        for j in range(len(task_temp)):
            random_previous_num=np.random.randint(1,len(task_previous)+1)
            task_previous_temp=random.sample(task_previous,random_previous_num)
            #保存前驱任务字典
            Pre_task_dict[task_temp[j]]=task_previous_temp
            Y_list.remove(task_temp[j])
        task_previous=task_temp
        Task_order=Task_order+task_temp

    #找出后驱任务，保存进字典
    for key1 in range(1,n+1):
        temp=[]
        for key2 in range(1,n+1):
            if key1 in Pre_task_dict[key2]:
                temp.append(key2)
        Sub_task_dict[key1]=temp
    return Task_order,Pre_task_dict,Sub_task_dict

#3.在既定的随机任务顺序下，再次进行随机初始化，参考论文算法2
def Order_re_initial(Original,Prelist,WorkLoad,OutputSize):
    R=[]
    S=[]
    R.append(Original[0])
    S=list(Original[1:])
    WorkLoad_New=np.zeros((WorkLoad.shape))
    OutputSize_New=np.zeros((OutputSize.shape))
    while S:
        E=[]
        for i in range(len(S)):
            if set(Prelist[S[i]]).issubset(set(R)) and S[i] not in E:#Pre如何确定？
                E.append(S[i])
        s_index=random.choice(E)
        R.append(s_index)#随机选取，加入排序列表
        E.remove(s_index)
        S.remove(s_index)
    for i in range(len(R)):
        k=int(np.where(Original==R[i])[0])#原来的位置
        WorkLoad_New[0,i]=WorkLoad[0,k]
        OutputSize_New[0,i]=OutputSize[0,k]
    return R,WorkLoad_New,OutputSize_New

LOCAL算法：

#LOCAL算法
from parameters import *
def Local_Fitness(WorkLoad,task_num,flow_num):
    Local_time=np.zeros((flow_num,task_num))
    Local_energy=np.zeros((flow_num,task_num))
    for i in range(flow_num):
        for j in range(task_num):
            Local_time[i,j]=WorkLoad[i,j]/c_M
            Local_energy[i,j]=Local_time[i,j]*P_M
    Time=Local_time.sum()/flow_num
    Energy=Local_energy.sum()/flow_num
    Fitness_Value=0.5*Time+0.5*Energy
    return Fitness_Value

RANDOM算法：

#Random算法
#**********************************************************************************
#随机算法，也可看做是求解的目标函数的过程，分别求以下几个部分
#1.本地时间：本地服务器处理数据时间
#2.卸载服务时间:(1)上传(输入)数据时间,(2)边缘服务器处理数据时间,(3)下载（输出）数据时间
#3.本地能耗：本地数据处理能耗
#4.边缘能耗：上传及下载能耗
#**********************************************************************************
#导入参数库
from parameters import *
#定义随机算法函数
def Random_Fitness(Location,Sequence,PreTask,SubTask,WorkLoad,OutputSize,task_num,flow_num):
    #定义各种中间数组
    para_point=np.ones((flow_num,1))*(task_num+1)#并行点初始化为0
    Up_Size=np.zeros((flow_num,task_num))#上传数据大小
    Down_Size=np.zeros((flow_num,task_num))#下载数据大小
    Localtime1=np.zeros((flow_num,1))#并行点前本地时间
    Localtime2=np.zeros((flow_num,1))#并行点后本地时间
    Edgetime1=np.zeros((flow_num,1))#并行点前边缘时间
    Edgetime2=np.zeros((flow_num,1))#并行点后边缘时间
    Local_energy=np.zeros((flow_num,1))#本地能耗
    Edge_energy=np.zeros((flow_num,1))#边缘能耗
    Fitness_Value =np.zeros((flow_num,1))#目标函数(适应度函数)值

    #找出第一个可以并行的点，即任务流中两个连续的任务编码不相同（一个是0,另一个是1），并且前一个非后一个的前驱任务
    for i in range(flow_num):
        for j in range(task_num):
            if j+1!=task_num and Location[i,j]!=Location[i,j+1] and Sequence[i,j] not in PreTask[i][Sequence[i,j+1]]:
                para_point[i,0]=j
                break
    #计算上传和下载数据大小
    for i in range(flow_num):
        for j in range(task_num):
            #计算本地上传到边缘端的数据大小，将每个任务的前驱任务中的本地任务输出数据求和
            #Up_Size数组保存每个任务前驱任务中本地任务的输出数据和，用来计算上传时间
            if Location[i,j]==1:#发生数据传输必定是在边缘端
                for item in PreTask[i][Sequence[i,j]]:#遍历每个边缘端的任务的前驱任务
                    k=int(np.where(Sequence[i]==item)[0])#定位每个前驱任务的下标，方便进行数据量查询
                    if Location[i,k]==0:#如果这个前驱任务的在本地执行才需要进行数据传输
                        Up_Size[i,j]=Up_Size[i,j]+OutputSize[i,k]#将满足条件的前驱任务的数据量求和
                #计算边缘端下载到本地的数据大小，如果某个任务的后驱任务中有本地任务，则将该任务输出数据求和
                #Down_Size数组保存某个满足条件的任务输出数据和，用来计算上传时间
                for item in SubTask[i][Sequence[i,j]]:#遍历每个边缘端的任务的后驱任务
                    k=int(np.where(Sequence[i]==item)[0])#定位每个后驱任务的下标，方便进行数据量查询
                    if Location[i,k]==0:#如果这个前驱任务的在本地执行才需要进行数据传输
                        Down_Size[i,j]=Down_Size[i,j]+OutputSize[i,j]#将满足条件的前驱任务的数据量求和

    #上传时间等于上传数据除以上传速度，下载时间等与下载数据除以下载速度
    Up_time=copy.deepcopy(Up_Size/Up_Speed)
    Down_time=copy.deepcopy(Down_Size/Down_Speed)
    #分别计算本地和边缘端时耗            
    for i in range(flow_num):
        for j in range(task_num):
            #如果在并行点之前，本地时间等于工作量除以本地服务器处理能力，边缘时间等于上传时间＋下载时间＋工作量／边缘服务器处理能力
            if jEdgetime2[i,0]:
            Fitness_Value[i,0] =Omiga*(Localtime1[i,0]+Edgetime1[i,0]+Localtime2[i,0])+Omiga*(Local_energy[i,0]+Edge_energy[i,0])
        else:
            Fitness_Value[i,0] =Omiga*(Localtime1[i,0]+Edgetime1[i,0]+Edgetime2[i,0])+Omiga*(Local_energy[i,0]+Edge_energy[i,0])
    return Fitness_Value.sum()/flow_num

遗传算法(部分)：

#遗传算法
#*********************************************************************************************
#对于给定的一个任务流，在遵守任务前后顺序下，存在不同的位置编码和不同的排序编码
#比如对于任务流S，可以通过初始化得到N个位置编码，N个排序编码
    #1.调用Order_initial生成一个带前后固定顺序（即前驱任务固定）的任务流
    #2.调用N次Position_initial生成N个任务位置编码，可能存在重复
    #3.调用N次Order_re_initial生成N个重新排序的任务排序编码，可能存在重复
    #4.遗传算法执行过程
            #(1)对每一组(位置，排序)进行适应度函数测试,如果终止条件满足，则退出。否则执行步骤如下:
            #(2)利用轮盘赌方法，选择两个适应度较高的个体
            #(3)对这两个个体的位置和排序分别进行交叉操作得到新的两个个体
            #(4)对交叉得到的新的两个个体进行位置和排序进行变异操作
            #(5)计算两个新个体的适应度值,如果比现有的个体适应度低则进行替换，有几个换几个
            #(6)否则返回第(1)步
#终止条件可以有以下几种:(1)达到迭代次数;(2)达到目标;(3)与前一次比不在发再明显变化;本仿真采用第1种
#*********************************************************************************************
#导入相应的库
from parameters import *
import random_algorithm as ra#用于计算RANDOM和GA算法的适应度
import local_algorithm as la#用于计算LOCAL算法的适应度

#如果终止条件不满足，利用轮盘赌算法实现找出根据概率找出两个适应度较小的染色体
def RouletteWheelSelection(genetic_fitness_list):#genetic_fitness_list为第(1)步得到的适应度列表
    #计算适应度总和与每个适应度的比例，由于本文要求适应度越低越好，所以是反着来
    max_fitness=np.max(genetic_fitness_list)

画图函数1：

#******************************************************************
#根据输出数据大小变化画图，本例子任务量分别取[5,10,15,20,25]
#******************************************************************
#导入相关库
from parameters import *
import local_algorithm as la
import random_algorithm as ra
import genetic_algorithm as ga

def plot_fitness_by_datasize():
    
    #定义三个列表，分别用来保存不同任务量前提下,LOCAL,RANDOM,GA算法得到的适应度值
    local_fitnesses_list=[];random_fitnesses_list=[];genetic_fitnesses_list=[]

    #随机生成一个任务流，并保存前驱任务和后驱任务
    Task_order,Pre_task_dict,Sub_task_dict=ti.Order_initial(task_num)

    #由于前期coding的遗害，需要将前驱任务和后驱任务保存为一个列表，其值为一个字典
    Pre_task=[];Sub_task=[];Pre_task.append(Pre_task_dict);Sub_task.append(Sub_task_dict)

    #随机生成10个位置编码,与即将生成的10个排序对应
    Ga_initial_location=np.zeros((10,task_num))
    Ga_initial_location=ti.Position_intial(10,task_num,Ga_initial_location)

    #由于用到了遗传算法，所以需要先进行初始化
    Ga_initial_sequence=np.int32(np.zeros((10,task_num)))
    
    #生成这个工作流中每个任务对应的工作量和输出数据大小
    WorkLoad=np.random.uniform(1,100,(1,task_num))#工作量
    WorkLoad_initial=np.zeros((10,task_num))
    OutputSize_initial=np.zeros((10,task_num))
    OutputSize=np.ones((1,task_num))

    #再遵循任务流依赖关系，生成10个排序编码，工作量编码和输出量编码
    for j in range(10):
        Ga_initial_sequence[j],WorkLoad_initial[j],OutputSize_initial[j]=ti.Order_re_initial(np.array(Task_order),Pre_task_dict,WorkLoad,OutputSize)
        

    for i in range(5,26,5):
        print("--------------------------输出数据大小为",i,"Mb时:--------------------------")
        #给OutputSize重新赋值，分别取[5,10,15,20,25]
        for j in range(10):
            OutputSize_initial[j]=np.ones((1,task_num))*i#输出数据
        
        #深度拷贝，记住数组不能直接用“=”来进行复制
        Ga_workload=copy.deepcopy(WorkLoad_initial)
        Ga_location=copy.deepcopy(Ga_initial_location)
        Ga_sequence=copy.deepcopy(Ga_initial_sequence)
        Ga_outputsize=copy.deepcopy(OutputSize_initial)

        #调用遗传算法，输出LOCAL,RANDOM,GA算法的适应度值
        local_fitness,random_fitness,genetic_fitness=ga.Genetic_Fitness(Ga_location,Ga_sequence,Pre_task,Sub_task,Ga_workload,Ga_outputsize,task_num,10)
        
        local_fitnesses_list.append(local_fitness)
        random_fitnesses_list.append(random_fitness)
        genetic_fitnesses_list.append(genetic_fitness)

    plt.plot(list(range(5,26,5)),local_fitnesses_list,'r-o',list(range(5,26,5)),random_fitnesses_list,'b-^',list(range(5,26,5)),genetic_fitnesses_list,'g-s')
    plt.legend(('LOCAL', 'RANDOM','GA'), loc='best')
    plt.xlabel('DataSize')
    plt.ylabel('Fitness')
    plt.ylim(bottom=0)
    plt.show()
数据大小

画图函数2:

#******************************************************************
#根据迭代数变化画图，本例子迭代次数分别取[10,20,30,40,50]
#******************************************************************

#导入相关库
from parameters import *
import local_algorithm as la
import random_algorithm as ra
import genetic_algorithm as ga


def plot_fitness_by_iteration():

    #定义三个分别用来保存不同任务量前提下,LOCAL,RANDOM,GA算法得到的适应度值
    local_fitnesses_list=[];random_fitnesses_list=[];genetic_fitnesses_list=[]
    
    #随机生成一个任务流，并保存前驱任务和后驱任务
    Task_order,Pre_task_dict,Sub_task_dict=ti.Order_initial(task_num)

    #前驱任务和后驱任务保存为一个列表，其值为一个字典
    Pre_task=[];Sub_task=[];Pre_task.append(Pre_task_dict);Sub_task.append(Sub_task_dict)

    #随机生成50个位置编码,对应50个排序，而不是50个工作流
    Ga_initial_location=np.zeros((10,task_num))
    Ga_initial_location=ti.Position_intial(10,task_num,Ga_initial_location)

    #由于用到了遗传算法，所以需要先进行初始化
    Ga_initial_sequence=np.int32(np.zeros((10,task_num)))
    WorkLoad_initial=np.zeros((10,task_num))
    OutputSize_initial=np.zeros((10,task_num))

    #生成该任务流中每个任务对应的输出数据大小
    OutputSize=np.random.uniform(1,25,(1,task_num))#输出数据大小
    WorkLoad=np.random.uniform(1,100,(1,task_num))#工作量

    #再遵循任务流依赖关系，生成10个排序编码，工作量编码和输出量编码
    for j in range(10):
        Ga_initial_sequence[j],WorkLoad_initial[j],OutputSize_initial[j]=ti.Order_re_initial(np.array(Task_order),Pre_task_dict,WorkLoad,OutputSize)

    #迭代次数为[10,20,30,40,50]
    for i in range(10,51,10):
        print("--------------------------迭代数为",i,"时:--------------------------")

        #深度拷贝，记住数组不能直接用“=”来进行复制
        Ga_workload=copy.deepcopy(WorkLoad_initial)
        Ga_location=copy.deepcopy(Ga_initial_location)
        Ga_sequence=copy.deepcopy(Ga_initial_sequence)
        Ga_outputsize=copy.deepcopy(OutputSize_initial)
        
        #调用遗传算法，输出LOCAL,RANDOM,GA算法的适应度值
        local_fitness,random_fitness,genetic_fitness=ga.Genetic_Fitness(Ga_location,Ga_sequence,Pre_task,Sub_task,Ga_workload,Ga_outputsize,task_num,i)     
        
        local_fitnesses_list.append(local_fitness)
        random_fitnesses_list.append(random_fitness)
        genetic_fitnesses_list.append(genetic_fitness)

    plt.plot(list(range(10,51,10)),random_fitnesses_list,'r-^',list(range(10,51,10)),genetic_fitnesses_list,'g-s')
    plt.legend(('RANDOM',"GA"), loc='best')
    plt.xlabel('Iteration')
    plt.ylabel('Fitness')
    # plt.xlim(left=10)
    plt.ylim(bottom=0)
    plt.show()
迭代次数

画图函数3：

#******************************************************************
#根据任务量变化画图，本例子任务量分别取[10,20,30,40,50]
#******************************************************************
#导入相关库
from parameters import *
import local_algorithm as la
import random_algorithm as ra
import genetic_algorithm as ga

#画图函数
def plot_fitness_by_task_amout():
    #定义三个列表，分别用来保存不同任务量前提下,LOCAL,RANDOM,GA算法得到的适应度值
    local_fitnesses_list=[];random_fitnesses_list=[];genetic_fitnesses_list=[]
    
    for i in range(50,251,50):
        print("--------------------------任务数为",i,"时:--------------------------")
        task_num=i
        #随机生成一个任务流，并保存前驱任务和后驱任务
        Task_order,Pre_task_dict,Sub_task_dict=ti.Order_initial(task_num)

        #前驱任务和后驱任务保存为一个列表，其值为一个字典
        Pre_task=[];Sub_task=[];Pre_task.append(Pre_task_dict);Sub_task.append(Sub_task_dict)

        #随机生成10个位置编码,对应10个排序，而不是10个工作流
        Ga_initial_location=np.zeros((10,task_num))
        Ga_initial_location=ti.Position_intial(10,task_num,Ga_initial_location)

        #生成这个工作流中每个任务对应的工作量和输出数据大小
        WorkLoad=np.random.uniform(1,100,(1,task_num))#工作量
        OutputSize=np.random.uniform(1,25,(1,task_num))#输出数据大小

        #由于用到了遗传算法，所以需要先进行初始化
        Ga_initial_sequence=np.int32(np.zeros((10,task_num)))
        WorkLoad_initial=np.zeros((10,task_num))
        OutputSize_initial=np.zeros((10,task_num))

        #再遵循任务流依赖关系，生成10个排序编码，工作量编码和输出量编码
        for j in range(10):
            Ga_initial_sequence[j],WorkLoad_initial[j],OutputSize_initial[j]=ti.Order_re_initial(np.array(Task_order),Pre_task_dict,WorkLoad,OutputSize)
        
        #调用遗传算法，输出LOCAL,RANDOM,GA算法的适应度值
        local_fitness,random_fitness,genetic_fitness=ga.Genetic_Fitness(Ga_initial_location,Ga_initial_sequence,Pre_task,Sub_task,WorkLoad_initial,OutputSize_initial,task_num,10)
        local_fitnesses_list.append(local_fitness)
        random_fitnesses_list.append(random_fitness)
        genetic_fitnesses_list.append(genetic_fitness)

    plt.plot(list(range(50,251,50)),local_fitnesses_list,'r-o',list(range(50,251,50)),random_fitnesses_list,'b-^',list(range(50,251,50)),genetic_fitnesses_list,'g-s')
    plt.legend(('LOCAL', 'RANDOM','GA'), loc='best')
    plt.xlabel('Task Amount')
    plt.ylabel('Fitness')
    plt.ylim(bottom=0)
    plt.show()
任务量

画图函数4:

#******************************************************************
#根据工作量变化画图，本例子工作负荷分别取[20,40,60,80,100]
#******************************************************************

#导入相关库
from parameters import *
import local_algorithm as la
import random_algorithm as ra
import genetic_algorithm as ga

#画图函数
def plot_fitness_by_workload():

    #定义三个分别用来保存不同任务量前提下,LOCAL,RANDOM,GA算法得到的适应度值
    local_fitnesses_list=[];random_fitnesses_list=[];genetic_fitnesses_list=[]
    
    #随机生成一个任务流，并保存前驱任务和后驱任务
    Task_order,Pre_task_dict,Sub_task_dict=ti.Order_initial(task_num)

    #由于前期coding的遗害，需要将前驱任务和后驱任务保存为一个列表，其值为一个字典
    Pre_task=[];Sub_task=[];Pre_task.append(Pre_task_dict);Sub_task.append(Sub_task_dict)

    #随机生成10个位置编码,与即将生成的10个排序对应
    Ga_initial_location=np.zeros((10,task_num))
    Ga_initial_location=ti.Position_intial(10,task_num,Ga_initial_location)

    #由于用到了遗传算法，所以需要先进行初始化
    Ga_initial_sequence=np.int32(np.zeros((10,task_num)))

    WorkLoad_initial=np.zeros((10,task_num))
    OutputSize_initial=np.zeros((10,task_num))

    #生成该任务流中每个任务对应的输出数据大小
    OutputSize=np.random.uniform(1,25,(1,task_num))#输出数据大小
    WorkLoad=np.ones((1,task_num))

    #再遵循任务流依赖关系，生成10个排序编码，工作量编码和输出量编码
    for j in range(10):
        Ga_initial_sequence[j],WorkLoad_initial[j],OutputSize_initial[j]=ti.Order_re_initial(np.array(Task_order),Pre_task_dict,WorkLoad,OutputSize)
    
    for i in range(20,101,20):
        print("--------------------------工作量为",i,"时:--------------------------")
        #给Workload重新赋值，分别取[20,40,60,80,100]
        for j in range(10):
            WorkLoad_initial[j]=np.ones((1,task_num))*i#工作量

        #深度拷贝，记住数组不能直接用“=”来进行复制
        Ga_workload=copy.deepcopy(WorkLoad_initial)
        Ga_location=copy.deepcopy(Ga_initial_location)
        Ga_sequence=copy.deepcopy(Ga_initial_sequence)
        Ga_outputsize=copy.deepcopy(OutputSize_initial)

        #调用遗传算法，输出LOCAL,RANDOM,GA算法的适应度值
        local_fitness,random_fitness,genetic_fitness=ga.Genetic_Fitness(Ga_location,Ga_sequence,Pre_task,Sub_task,Ga_workload,Ga_outputsize,task_num,10)
        
        local_fitnesses_list.append(local_fitness)
        random_fitnesses_list.append(random_fitness)
        genetic_fitnesses_list.append(genetic_fitness)

    plt.plot(list(range(20,101,20)),local_fitnesses_list,'r-o',list(range(20,101,20)),random_fitnesses_list,'b-^',list(range(20,101,20)),genetic_fitnesses_list,'g-s')
    plt.legend(('LOCAL', 'RANDOM',"GA"), loc='best')
    plt.xlabel('WorkLoad')
    plt.ylabel('Fitness')
    plt.ylim(bottom=0)
    plt.show()
工作负荷

需要遗传算法完整代码，请留言。

你可能感兴趣的:(基于遗传算法的移动边缘计算环境下服务工作流的计算卸载)

  • 斤斤计较的婚姻到底有多难？ 白心之岂必有为
    很多人私聊我会问到在哪个人群当中斤斤计较的人最多？我都会回答他，一般婚姻出现问题的斤斤计较的人士会非常多，以我多年经验，在婚姻落的一塌糊涂的人当中，斤斤计较的人数占比在20～30%以上，也就是说10个婚姻出现问题的斤斤计较的人有2-3个有多不减。在婚姻出问题当中，有大量的心理不平衡的、尖酸刻薄的怨妇。在婚姻中仅斤斤计较有两种类型：第一种是物质上的，另一种是精神上的。在物质与精神上抠门已经严重的影响
  • 情绪觉察日记第37天 露露_e800
    今天是家庭关系规划师的第二阶最后一天，慧萍老师帮我做了个案，帮我处理了埋在心底好多年的一份恐惧，并给了我深深的力量！这几天出来学习，爸妈过来婆家帮我带小孩，妈妈出于爱帮我收拾东西，并跟我先生和婆婆产生矛盾，妈妈觉得他们没有照顾好我…。今晚回家见到妈妈，我很欣赏她并赞扬她，妈妈说今晚要跟我睡我说好，当我们俩躺在床上准备睡觉的时候，我握着妈妈的手对她说:妈妈这几天辛苦你了，你看你多利害把我们的家收拾得
  • 芦花鞋一四 许叶晗
    又是在一个寒冷的夏日里，青铜和葵花决定今天一起去卖芦花鞋，奶奶亲手给他们做了一碗热乎乎的粥对他们说:“就靠你们两挣生活费了这碗粥赶紧趁热喝了吧！”于是青铜和葵花喝完了奶奶给她们做的粥，就准备去镇上卖卢花鞋，这回青铜和葵花穿着新的芦花鞋来到了镇上。青铜这回看到了很多人都在卖，用手势表达对葵花说:“这回有好多人在抢我们生意呢！我们必须得吆喝起来。”葵花点了点头。可是谁知他们也大声的叫，卖芦花喽！卖芦花
  • QQ群采集助手，精准引流必备神器 2401_87347160 其他经验分享
    功能概述微信群查找与筛选工具是一款专为微信用户设计的辅助工具，它通过关键词搜索功能，帮助用户快速找到相关的微信群，并提供筛选是否需要验证的群组的功能。主要功能关键词搜索：用户可以输入关键词，工具将自动查找包含该关键词的微信群。筛选功能：工具提供筛选机制，用户可以选择是否只显示需要验证或不需要验证的群组。精准引流：通过上述功能，用户可以更精准地找到目标群组，进行有效的引流操作。3.设备需求该工具可以
  • 关于沟通这件事，项目经理不需要每次都面对面进行 流程大师兄
    很多项目经理都会遇到这样的问题，项目中由于事情太多，根本没有足够的时间去召开会议，那在这种情况下如何去有效地管理项目中的利益相关者？当然，不建议电子邮件也不需要开会的话，建议可以采取下面几种方式来形成有效的沟通，这几种方式可以帮助你努力的通过各种办法来保持和各方面的联系。项目经理首先要问自己几个问题，项目中哪些利益相关者是必须要进行沟通的？可以列出项目中所有的利益相关者清单，同时也整理出项目中哪些
  • 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
  • 铭刻于星（四十二） 随风至
    69夜晚，绍敏同学做完功课后，看了眼房外，没听到动静才敢从书包的夹层里拿出那个心形纸团。折痕压得很深，都有些旧了，想来是已经写好很久了。绍敏同学慢慢地、轻轻地捏开折叠处，待到全部拆开后，又反复抚平纸张，然后仔细地一字字默看。只是开头的三个字是第一次看到，让她心漏跳了几拍。“亲爱的绍敏：从四年级的时候，我就喜欢你了，但是我一直不敢说，怕影响你学习。六年级的时候听说有人跟你表白，你接受了，我很难过，但
  • 底层逆袭到底有多难，不甘平凡的你准备好了吗？让吴起给你说说 造命者说
    底层逆袭到底有多难，不甘平凡的你准备好了吗？让吴起给你说说我叫吴起，生于公元前440年的战国初期，正是群雄并起、天下纷争不断的时候。后人说我是军事家、政治家、改革家，是兵家代表人物。评价我一生历仕鲁、魏、楚三国，通晓兵家、法家、儒家三家思想，在内政军事上都有极高的成就。周安王二十一年（公元前381年），因变法得罪守旧贵族，被人乱箭射死。我出生在卫国一个“家累万金”的富有家庭，从年轻时候起就不甘平凡
  • 2020-01-25 晴岚85
    郑海燕坚持分享590天2020.1.24在生活中只存在两个问题。一个问题是：你知道想要达成的目标是什么，但却不知道如何才能达成；另一个问题是：你不知道你的目标是什么。前一个是行动的问题，后一个是结果的问题。通过制定具体的下一步行动，可以解决不知道如何开始行动的问题。而通过去想象结果，对结果做预估，可以解决找不着目标的问题。对于所有吸引我们注意力，想要完成的任务，你可以先想象一下，预期的结果究竟是什
  • 随笔 | 仙一般的灵气 海思沧海
    仙岛今天，我看了你全部，似乎已经进入你的世界我不知道，这是否是梦幻，还是你仙一般的灵气吸引了我也许每一个人都要有一份属于自己的追求，这样才能够符合人生的梦想，生活才能够充满着阳光与快乐我不知道，我为什么会这样的感叹，是在感叹自己的人生，还是感叹自己一直没有孜孜不倦的追求只感觉虚度了光阴，每天活在自己的梦中，活在一个不真实的世界是在逃避自己，还是在逃避周围的一切有时候我嘲笑自己，嘲笑自己如此的虚无，
  • 想家 爆米花机
    也许不同于大家对家乡的思念，我对家乡甚至是疯狂的不舍。还未踏出车站就感觉到幸福，我享受这里的夕阳、这里的浓烈柴火味、这里每一口家常菜。我是宅女，我贪恋家的安逸。刚刚踏出大学校门，初出茅庐，无法适应每年只能国庆和春节回家。我焦虑、失眠、无端发脾气，是无法适应工作的节奏，是无法接受我将一步步离开家乡的事实。我不想承认自己胸无大志，选择再次踏上征程。图片发自App
  • 【iOS】MVC设计模式 Magnetic_h iosmvc设计模式objective-c学习ui
    MVC前言如何设计一个程序的结构，这是一门专门的学问，叫做"架构模式"（architecturalpattern），属于编程的方法论。MVC模式就是架构模式的一种。它是Apple官方推荐的App开发架构，也是一般开发者最先遇到、最经典的架构。MVC各层controller层Controller/ViewController/VC（控制器）负责协调Model和View，处理大部分逻辑它将数据从Mod
  • OC语言多界面传值五大方式 Magnetic_h iosui学习objective-c开发语言
    前言在完成暑假仿写项目时，遇到了许多需要用到多界面传值的地方，这篇博客来总结一下比较常用的五种多界面传值的方式。属性传值属性传值一般用前一个界面向后一个界面传值，简单地说就是通过访问后一个视图控制器的属性来为它赋值，通过这个属性来做到从前一个界面向后一个界面传值。首先在后一个界面中定义属性@interfaceBViewController:UIViewController@propertyNSSt
  • 一百九十四章. 自相矛盾 巨木擎天
    唉！就这么一夜，林子感觉就像过了很多天似的，先是回了阳间家里，遇到了那么多不可思议的事情儿。特别是小伙伴们，第二次与自己见面时，僵硬的表情和恐怖的气氛，让自己如坐针毡，打从心眼里难受！还有东子，他现在还好吗？有没有被人欺负？护城河里的小鱼小虾们，还都在吗？水不会真的干枯了吧？那对相亲相爱漂亮的太平鸟儿，还好吧！春天了，到了做窝、下蛋、喂养小鸟宝宝的时候了，希望它们都能够平安啊！虽然没有看见家人，也
  • UI学习——cell的复用和自定义cell Magnetic_h ui学习
    目录cell的复用手动（非注册）自动（注册）自定义cellcell的复用在iOS开发中，单元格复用是一种提高表格（UITableView）和集合视图（UICollectionView）滚动性能的技术。当一个UITableViewCell或UICollectionViewCell首次需要显示时，如果没有可复用的单元格，则视图会创建一个新的单元格。一旦这个单元格滚动出屏幕，它就不会被销毁。相反，它被添
  • element实现动态路由+面包屑 软件技术NINI vue案例vue.js前端
    el-breadcrumb是ElementUI组件库中的一个面包屑导航组件，它用于显示当前页面的路径，帮助用户快速理解和导航到应用的各个部分。在Vue.js项目中，如果你已经安装了ElementUI，就可以很方便地使用el-breadcrumb组件。以下是一个基本的使用示例：安装ElementUI（如果你还没有安装的话）:你可以通过npm或yarn来安装ElementUI。bash复制代码npmi
  • 10月|愿你的青春不负梦想-读书笔记-01 Tracy的小书斋
    本书的作者是俞敏洪，大家都很熟悉他了吧。俞敏洪老师是我行业的领头羊吧，也是我事业上的偶像。本日摘录他书中第一章中的金句：『一个人如果什么目标都没有，就会浑浑噩噩，感觉生命中缺少能量。能给我们能量的，是对未来的期待。第一件事，我始终为了进步而努力。与其追寻全世界的骏马，不如种植丰美的草原，到时骏马自然会来。第二件事，我始终有阶段性的目标。什么东西能给我能量？答案是对未来的期待。』读到这里的时候，我便
  • C语言宏函数 南林yan C语言c语言
    一、什么是宏函数？通过宏定义的函数是宏函数。如下，编译器在预处理阶段会将Add(x,y)替换为((x)*(y))#defineAdd(x,y)((x)*(y))#defineAdd(x,y)((x)*(y))intmain(){inta=10;intb=20;intd=10;intc=Add(a+d,b)*2;cout<
  • 地推话术，如何应对地推过程中家长的拒绝 校师学
    相信校长们在做地推的时候经常遇到这种情况：市场专员反馈家长不接单，咨询师反馈难以邀约这些家长上门，校区地推疲软，招生难。为什么？仅从地推层面分析，一方面因为家长受到的信息轰炸越来越多，对信息越来越“免疫”；而另一方面地推人员的专业能力和营销话术没有提高，无法应对家长的拒绝，对有意向的家长也不知如何跟进，眼睁睁看着家长走远；对于家长的疑问，更不知道如何有技巧地回答，机会白白流失。由于回答没技巧和专业
  • 谢谢你们，爱你们！ 鹿游儿
    昨天家人去泡温泉，二个孩子也带着去，出发前一晚，匆匆下班，赶回家和孩子一起收拾。饭后，我拿出笔和本子（上次去澳门时做手帐的本子）写下了1\2\3\4\5\6\7\8\9,让后让小壹去思考，带什么出发去旅游呢？她在对应的数字旁边画上了，泳衣、泳圈、肖恩、内衣内裤、tapuy、拖鞋……画完后，就让她自己对着这个本子，将要带的，一一带上，没想到这次带的书还是这本《便便工厂》(晚上姑婆发照片过来，妹妹累得
  • C语言如何定义宏函数？ 小九格物 c语言
    在C语言中，宏函数是通过预处理器定义的，它在编译之前替换代码中的宏调用。宏函数可以模拟函数的行为，但它们不是真正的函数，因为它们在编译时不会进行类型检查，也不会分配存储空间。宏函数的定义通常使用#define指令，后面跟着宏的名称和参数列表，以及宏展开后的代码。宏函数的定义方式：1.基本宏函数：这是最简单的宏函数形式，它直接定义一个表达式。#defineSQUARE(x)((x)*(x))2.带参
  • 微服务下功能权限与数据权限的设计与实现 nbsaas-boot 微服务java架构
    在微服务架构下，系统的功能权限和数据权限控制显得尤为重要。随着系统规模的扩大和微服务数量的增加，如何保证不同用户和服务之间的访问权限准确、细粒度地控制，成为设计安全策略的关键。本文将讨论如何在微服务体系中设计和实现功能权限与数据权限控制。1.功能权限与数据权限的定义功能权限：指用户或系统角色对特定功能的访问权限。通常是某个用户角色能否执行某个操作，比如查看订单、创建订单、修改用户资料等。数据权限：
  • 理解Gunicorn：Python WSGI服务器的基石 范范0825 ipythonlinux运维
    理解Gunicorn：PythonWSGI服务器的基石介绍Gunicorn，全称GreenUnicorn，是一个为PythonWSGI（WebServerGatewayInterface）应用设计的高效、轻量级HTTP服务器。作为PythonWeb应用部署的常用工具，Gunicorn以其高性能和易用性著称。本文将介绍Gunicorn的基本概念、安装和配置，帮助初学者快速上手。1.什么是Gunico
  • 小丽成长记（四十三） 玲玲54321
    小丽发现，即使她好不容易调整好自己的心态下一秒总会有不确定的伤脑筋的事出现，一个接一个的问题，人生就没有停下的时候，小问题不断出现。不过她今天看的书，她接受了人生就是不确定的，厉害的人就是不断创造确定性，在Ta的领域比别人多的确定性就能让自己脱颖而出，显示价值从而获得的比别人多的利益。正是这样的原因，因为从前修炼自己太少，使得她现在在人生道路上打怪起来困难重重，她似乎永远摆脱不了那种无力感，有种习
  • 学点心理知识，呵护孩子健康 静候花开_7090
    昨天听了华中师范大学教育管理学系副教授张玲老师的《哪里才是学生心理健康的最后庇护所，超越教育与技术的思考》的讲座。今天又重新学习了一遍，收获匪浅。张玲博士也注意到了当今社会上的孩子由于心理问题导致的自残、自杀及伤害他人等恶性事件。她向我们普及了一个重要的命题，她说心理健康的一些基本命题，我们与我们通常的一些教育命题是不同的，她还举了几个例子，让我们明白我们原来以为的健康并非心理学上的健康。比如如果
  • 2021年12月19日，春蕾教育集团团建活动感受——黄晓丹 黄错错加油
    感受:1.从陌生到熟悉的过程。游戏环节让我们在轻松的氛围中得到了锻炼，也增长了不少知识。2.游戏过程中，我们贡献的是个人力量，展现的是团队的力量。它磨合的往往不止是工作的熟悉，更是观念上契合度的贴近。3.这和工作是一样的道理。在各自的岗位上，每个人摆正自己的位置、各司其职充分发挥才能，并团结一致劲往一处使，才能实现最大的成功。新知:1.团队精神需要不断地创新。过去，人们把创新看作是冒风险，现在人们
  • Cell Insight | 单细胞测序技术又一新发现，可用于HIV-1和Mtb共感染个体诊断 尐尐呅
    结核病是艾滋病合并其他疾病中导致患者死亡的主要原因。其中结核病由结核分枝杆菌（Mycobacteriumtuberculosis,Mtb）感染引起，获得性免疫缺陷综合症（艾滋病）由人免疫缺陷病毒（Humanimmunodeficiencyvirustype1,HIV-1）感染引起。国家感染性疾病临床医学研究中心/深圳市第三人民医院张国良团队携手深圳华大生命科学研究院吴靓团队，共同研究得出单细胞测序
  • c++ 的iostream 和 c++的stdio的区别和联系 黄卷青灯77 c++算法开发语言iostreamstdio
    在C++中，iostream和C语言的stdio.h都是用于处理输入输出的库，但它们在设计、用法和功能上有许多不同。以下是两者的区别和联系：区别1.编程风格iostream（C++风格）：C++标准库中的输入输出流类库，支持面向对象的输入输出操作。典型用法是cin（输入）和cout（输出），使用>操作符来处理数据。更加类型安全，支持用户自定义类型的输入输出。#includeintmain(){in
  • 瑶池防线 谜影梦蝶
    冥华虽然逃过了影梦的军队，但他是一个忠臣，他选择上报战况。败给影梦后成逃兵，高层亡尔还活着，七重天失守......随便一条，即可处死冥华。冥华自然是知道以仙界高层的习性此信一发自己必死无疑，但他还选择上报实情，因为责任。同样此信送到仙宫后，知道此事的人，大多数人都认定冥华要完了，所以上到仙界高层，下到扫大街的，包括冥华自己，全都准备好迎接冥华之死。如果仙界现在还属于两方之争的话，冥华必死无疑。然而
  • 爬山后遗症 璃绛
    爬山，攀登，一步一步走向制高点，是一种挑战。成功抵达是一种无法言语的快乐，在山顶吹吹风，看看风景，这是从未有过的体验。然而，爬山一时爽，下山腿打颤，颠簸的路，一路向下走，腿部力量不够，走起来抖到不行，停不下来了！第二天必定腿疼，浑身酸痛，坐立难安！
  • TOMCAT在POST方法提交参数丢失问题 357029540 javatomcatjsp
    摘自http://my.oschina.net/luckyi/blog/213209 昨天在解决一个BUG时发现一个奇怪的问题，一个AJAX提交数据在之前都是木有问题的，突然提交出错影响其他处理流程。 检查时发现页面处理数据较多，起初以为是提交顺序不正确修改后发现不是由此问题引起。于是删除掉一部分数据进行提交，较少数据能够提交成功。 恢复较多数据后跟踪提交FORM DATA ，发现数
  • 在MyEclipse中增加JSP模板 删除-2008-08-18 ljy325 jspxmlMyEclipse
    在D:\Program Files\MyEclipse 6.0\myeclipse\eclipse\plugins\com.genuitec.eclipse.wizards_6.0.1.zmyeclipse601200710\templates\jsp  目录下找到Jsp.vtl，复制一份，重命名为jsp2.vtl,然后把里面的内容修改为自己想要的格式，保存。 然后在 D:\Progr
  • JavaScript常用验证脚本总结 eksliang JavaScriptjavaScript表单验证
         转载请出自出处：http://eksliang.iteye.com/blog/2098985        下面这些验证脚本，是我在这几年开发中的总结，今天把他放出来，也算是一种分享吧，现在在我的项目中也在用！包括日期验证、比较，非空验证、身份证验证、数值验证、Email验证、电话验证等等...! &nb
  • 微软BI（4） 18289753290 微软BI SSIS
    1） Q:查看ssis里面某个控件输出的结果：  A MessageBox.Show(Dts.Variables["v_lastTimestamp"].Value.ToString()); 这是我们在包里面定义的变量 2):在关联目的端表的时候如果是一对多的关系，一定要选择唯一的那个键作为关联字段。 3) Q：ssis里面如果将多个数据源的数据插入目的端一
  • 定时对大数据量的表进行分表对数据备份 酷的飞上天空 大数据量
    工作中遇到数据库中一个表的数据量比较大，属于日志表。正常情况下是不会有查询操作的，但如果不进行分表数据太多，执行一条简单sql语句要等好几分钟。。   分表工具：linux的shell + mysql自身提供的管理命令 原理：使用一个和原表数据结构一样的表，替换原表。   linux shell内容如下： =======================开始 
  • 本质的描述与因材施教 永夜-极光 感想随笔
             不管碰到什么事,我都下意识的想去探索本质,找寻一个最形象的描述方式。        我坚信,世界上对一件事物的描述和解释,肯定有一种最形象,最贴近本质,最容易让人理解        &
  • 很迷茫。。。 随便小屋 随笔
    小弟我今年研一，也是从事的咱们现在最流行的专业（计算机）。本科三流学校，为了能有个更好的跳板，进入了考研大军，非常有幸能进入研究生的行业（具体学校就不说了，怕把学校的名誉给损了）。   先说一下自身的条件，本科专业软件工程。主要学习就是软件开发，几乎和计算机没有什么区别。因为学校本身三流，也就是让老师带着学生学点东西，然后让学生毕业就行了。对专业性的东西了解的非常浅。就那学的语言来说
  • 23种设计模式的意图和适用范围 aijuans 设计模式
    Factory Method 意图 定义一个用于创建对象的接口，让子类决定实例化哪一个类。Factory Method 使一个类的实例化延迟到其子类。 　　适用性 当一个类不知道它所必须创建的对象的类的时候。 　　当一个类希望由它的子类来指定它所创建的对象的时候。 　　当类将创建对象的职责委托给多个帮助子类中的某一个，并且你希望将哪一个帮助子类是代理者这一信息局部化的时候。 Abstr
  • Java中的synchronized和volatile aoyouzi javavolatilesynchronized
    说到Java的线程同步问题肯定要说到两个关键字synchronized和volatile。说到这两个关键字，又要说道JVM的内存模型。JVM里内存分为main memory和working memory。 Main memory是所有线程共享的，working memory则是线程的工作内存，它保存有部分main memory变量的拷贝，对这些变量的更新直接发生在working memo
  • js数组的操作和this关键字 百合不是茶 js数组操作this关键字
    js数组的操作;   一:数组的创建: 1、数组的创建 var array = new Array();　//创建一个数组 var array = new Array([size]);　//创建一个数组并指定长度，注意不是上限，是长度 var arrayObj = new Array([element0[, element1[, ...[, elementN]]]
  • 别人的阿里面试感悟 bijian1013 面试分享工作感悟阿里面试
    原文如下：http://greemranqq.iteye.com/blog/2007170         一直做企业系统，虽然也自己一直学习技术，但是感觉还是有所欠缺，准备花几个月的时间，把互联网的东西，以及一些基础更加的深入透析，结果这次比较意外，有点突然，下面分享一下感受吧！    &nb
  • 淘宝的测试框架Itest Bill_chen springmaven框架单元测试JUnit
    Itest测试框架是TaoBao测试部门开发的一套单元测试框架，以Junit4为核心， 集合DbUnit、Unitils等主流测试框架，应该算是比较好用的了。 近期项目中用了下，有关itest的具体使用如下： 1.在Maven中引入itest框架： <dependency>   <groupId>com.taobao.test</groupId&g
  • 【Java多线程二】多路条件解决生产者消费者问题 bit1129 java多线程
    package com.tom; import java.util.LinkedList; import java.util.Queue; import java.util.concurrent.ThreadLocalRandom; import java.util.concurrent.locks.Condition; import java.util.concurrent.loc
  • 汉字转拼音pinyin4j 白糖_ pinyin4j
    以前在项目中遇到汉字转拼音的情况，于是在网上找到了pinyin4j这个工具包，非常有用，别的不说了，直接下代码：   import java.util.HashSet; import java.util.Set; import net.sourceforge.pinyin4j.PinyinHelper; import net.sourceforge.pinyin
  • org.hibernate.TransactionException: JDBC begin failed解决方案 bozch ssh数据库异常DBCP
    org.hibernate.TransactionException: JDBC begin failed:     at org.hibernate.transaction.JDBCTransaction.begin(JDBCTransaction.java:68)    at org.hibernate.impl.SessionImp
  • java-并查集（Disjoint-set）-将多个集合合并成没有交集的集合 bylijinnan java
    import java.util.ArrayList; import java.util.Arrays; import java.util.HashMap; import java.util.HashSet; import java.util.Iterator; import java.util.List; import java.util.Map; import java.ut
  • Java PrintWriter打印乱码 chenbowen00 java
    一个小程序读写文件，发现PrintWriter输出后文件存在乱码，解决办法主要统一输入输出流编码格式。 读文件： BufferedReader 从字符输入流中读取文本，缓冲各个字符，从而提供字符、数组和行的高效读取。 可以指定缓冲区的大小，或者可使用默认的大小。大多数情况下，默认值就足够大了。 通常，Reader 所作的每个读取请求都会导致对基础字符或字节流进行相应的读取请求。因
  • [天气与气候]极端气候环境 comsci 环境
          如果空间环境出现异变...外星文明并未出现,而只是用某种气象武器对地球的气候系统进行攻击,并挑唆地球国家间的战争,经过一段时间的准备...最大限度的削弱地球文明的整体力量,然后再进行入侵......      那么地球上的国家应该做什么样的防备工作呢?  &n
  • oracle order by与union一起使用的用法 daizj UNIONoracleorder by
    当使用union操作时，排序语句必须放在最后面才正确，如下： 只能在union的最后一个子查询中使用order by，而这个order by是针对整个unioning后的结果集的。So： 如果unoin的几个子查询列名不同，如 Sql代码  select supplier_id, supplier_name  from suppliers  UNI
  • zeus持久层读写分离单元测试 deng520159 单元测试
    本文是zeus读写分离单元测试,距离分库分表,只有一步了.上代码: 1.ZeusMasterSlaveTest.java package com.dengliang.zeus.webdemo.test; import java.util.ArrayList; import java.util.List; import org.junit.Assert; import org.j
  • Yii 截取字符串(UTF-8) 使用组件 dcj3sjt126com yii
    1.将Helper.php放进protected\components文件夹下。 2.调用方法：   Helper::truncate_utf8_string($content,20,false);   //不显示省略号  Helper::truncate_utf8_string($content,20);  //显示省略号  &n
  • 安装memcache及php扩展 dcj3sjt126com PHP
    安装memcache    tar zxvf memcache-2.2.5.tgz     cd memcache-2.2.5/     /usr/local/php/bin/phpize (?)    ./configure --with-php-confi
  • JsonObject 处理日期 feifeilinlin521 javajsonJsonOjbectJsonArrayJSONException
        写这边文章的初衷就是遇到了json在转换日期格式出现了异常 net.sf.json.JSONException: java.lang.reflect.InvocationTargetException  原因是当你用Map接收数据库返回了java.sql.Date 日期的数据进行json转换出的问题话不多说  直接上代码  &n
  • Ehcache（06）——监听器 234390216 监听器listenerehcache
    监听器          Ehcache中监听器有两种，监听CacheManager的CacheManagerEventListener和监听Cache的CacheEventListener。在Ehcache中，Listener是通过对应的监听器工厂来生产和发生作用的。下面我们将来介绍一下这两种类型的监听器。  
  • activiti 自带设计器中chrome 34版本不能打开bug的解决 jackyrong Activiti
      在acitivti modeler中，如果是chrome 34，则不能打开该设计器，其他浏览器可以， 经证实为bug，参考 http://forums.activiti.org/content/activiti-modeler-doesnt-work-chrome-v34 修改为，找到 oryx.debug.js 在最头部增加 if (!Document.
  • 微信收货地址共享接口-终极解决 laotu5i0 微信开发
       最近要接入微信的收货地址共享接口，总是不成功，折腾了好几天，实在没办法网上搜到的帖子也是骂声一片。我把我碰到并解决问题的过程分享出来，希望能给微信的接口文档起到一个辅助作用，让后面进来的开发者能快速的接入，而不需要像我们一样苦逼的浪费好几天，甚至一周的青春。各种羞辱、谩骂的话就不说了，本人还算文明。    如果你能搜到本贴，说明你已经碰到了各种 ed
  • 关于人才 netkiller.github.com 工作面试招聘netkiller人才
    关于人才 每个月我都会接到许多猎头的电话，有些猎头比较专业，但绝大多数在我看来与猎头二字还是有很大差距的。 与猎头接触多了，自然也了解了他们的工作，包括操作手法，总体上国内的猎头行业还处在初级阶段。 总结就是“盲目推荐，以量取胜”。 目前现状 许多从事人力资源工作的人，根本不懂得怎么找人才。处在人才找不到企业，企业找不到人才的尴尬处境。 企业招聘，通常是需要用人的部门提出招聘条件，由人
  • 搭建 CentOS 6 服务器 - 目录 rensanning centos
    (1) 安装CentOS ISO（desktop/minimal）、Cloud（AWS/阿里云）、Virtualization（VMWare、VirtualBox） 详细内容 (2) Linux常用命令 cd、ls、rm、chmod...... 详细内容 (3) 初始环境设置 用户管理、网络设置、安全设置...... 详细内容 (4) 常驻服务Daemon
  • 【求助】mongoDB无法更新主键 toknowme mongodb
      Query query = new Query();          query.addCriteria(new Criteria("_id").is(o.getId()));                &n
  • jquery 页面滚动到底部自动加载插件集合 xp9802 jquery
    很多社交网站都使用无限滚动的翻页技术来提高用户体验，当你页面滑到列表底部时候无需点击就自动加载更多的内容。下面为你推荐 10 个 jQuery 的无限滚动的插件： 1. jQuery ScrollPagination jQuery ScrollPagination plugin 是一个 jQuery 实现的支持无限滚动加载数据的插件。 2. jQuery Screw S
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他