当前位置: 首页 > news >正文

人工智能与智能合约:如何用AI优化区块链技术中的合约执行?

引言:科技融合的新风口

区块链和人工智能,是当前最受瞩目的两大前沿技术。一个以去中心化、可溯源的机制重构信任体系,另一个以智能学习与决策能力重塑数据的价值。当这两项技术相遇,会碰撞出什么样的火花?

智能合约作为区块链最具代表性的应用之一,本质上是一段在特定条件下自动执行的程序。它承诺“代码即法律”,能够在无需第三方干预的前提下完成交易和协作。然而,在实际应用中,智能合约仍面临着不少挑战:逻辑固化、执行僵化、安全漏洞频发、难以适应复杂和动态的业务环境等问题,使得它离“真正智能”还有一段距离。

而人工智能,正好可以成为改变这一现状的关键工具。AI擅长处理海量数据、发现模式、进行预测和自动决策,这些能力恰好可以补上智能合约在逻辑判断、环境感知和执行效率上的短板。

于是,一个新趋势正在浮现——用人工智能赋能智能合约执行。从合约自动生成、漏洞检测,到运行时动态调整,AI正在一步步让智能合约变得更灵活、更安全、更智能。这不仅是一次技术的融合,更是推动区块链真正走向“大规模可用”的重要一步。

一、智能合约的基本逻辑与当前局限

智能合约(Smart Contract)是部署在区块链上的自动化程序,一旦预设条件被触发,就会自动执行相关操作,无需人工干预。这种“代码即规则”的设计,极大地提升了交易的效率与信任水平,被广泛应用于DeFi、NFT、供应链、保险等领域。

智能合约的运行机制依赖于区块链网络,例如以太坊的EVM(以太坊虚拟机)环境。合约代码一经部署就不可更改,每次触发都会在链上留下可验证的执行记录。这种特性保障了透明与安全,但也带来了一些难以忽视的现实问题:

1逻辑固化,缺乏灵活性

智能合约一旦部署,逻辑就固定下来,后期很难根据新的业务需求或环境变化做出调整。例如,一个理财合约如果需要根据市场波动调整利率,传统智能合约几乎做不到实时响应。

2条件判断单一,无法处理复杂场景

当前大多数智能合约只能处理链上结构化数据,对于链下的复杂数据(如气象、物流、市场预测)缺乏感知能力。这导致许多“现实触发条件”无法有效接入,影响了应用的广度。

3、安全漏洞频发,风险不可控

由于智能合约的不可更改性,一旦存在逻辑漏洞或代码缺陷,就容易被攻击。重入攻击、整数溢出、权限控制失误等问题屡见不鲜,甚至造成过亿资金的损失。

4升级维护困难,缺乏自适应能力

合约部署后无法直接修改,如果需要升级,往往只能重新部署新版本,并通过代理机制进行迁移,过程复杂且风险高,尤其在涉及资产或用户数据时,操作空间受限。

5缺乏智能监控与反馈机制

智能合约通常是“执行完就结束”,没有后续的自我审查、效果评估或优化反馈机制。这让它更像是一个“自动化开关”,而非一个真正能“学习和调整”的智能系统。

这些问题限制了智能合约的大规模落地和行业深度融合。但随着人工智能的加入,许多曾经无法解决的难题,正在迎来新的突破口。

二、AI如何参与合约执行流程

人工智能的核心优势在于“感知、判断、学习、决策”,而这正好可以弥补智能合约在逻辑灵活性、环境适应能力和风险识别能力上的不足。AI的介入,不是要替代智能合约,而是与之协同,从合约设计到执行、监控全过程中提供更强的“智能支撑”。

以下是AI参与智能合约执行的几种关键方式:

1合约内容优化与智能生成

AI可以辅助合约的创建过程,从自然语言描述中提取逻辑,生成结构化的智能合约代码。

利用自然语言处理(NLP),自动将法律条款或业务规则转化为合约代码,提高效率与准确性;

帮助业务人员在不懂编程的前提下,生成标准化、可验证的合约逻辑;

通过大模型对历史合约数据进行学习,推荐更优的逻辑结构,减少冗余。

2风险检测与安全性分析

AI在智能合约安全分析方面已经有了初步应用,能够通过模型训练自动识别常见漏洞:

使用机器学习模型检测合约中可能存在的重入攻击、溢出问题、权限滥用等安全隐患;

结合历史攻击案例建立风险数据库,对新合约进行“对抗性测试”;

实现自动审计,比传统人工审计更高效,且可持续演进。

3运行环境感知与动态执行优化

传统智能合约执行条件固定,但现实中的业务环境是动态变化的。AI可提供“环境感知能力”,让合约更具适应性:

接入链下数据源(Oracles)后,AI可对复杂输入(如天气、交通、市场行情)进行预处理与判断;

基于AI分析结果动态触发或延迟合约执行,提高响应的合理性;

结合预测模型,提前感知执行结果风险,自动调整执行策略。

4智能合约的预测与辅助决策能力

AI可在合约执行前后提供辅助建议,提升智能合约的整体智能水平:

在合约执行前,根据链上历史行为和市场趋势,预测执行结果,提出是否执行的智能建议;

对多合约间的交互做优化排序,减少Gas费用、提升效率;

在执行后分析执行效果并形成反馈,作为“经验数据”供未来合约调整或优化使用。

AI不是替代智能合约,而是为其“赋能”。它让合约不再只是静态的规则集合,而是能够自我优化、动态调整、预测风险的智能体。这也为智能合约的下一阶段演进——“自适应合约(Adaptive Contracts)”奠定了基础。

三、典型应用场景分析

AI与智能合约的结合,不只是技术上的创新,更在于推动智能合约真正落地到更多复杂、动态的商业场景中。以下是几个具有代表性的行业案例,展示AI如何在实际应用中优化智能合约的执行效果。

1去中心化金融(DeFi):动态利率与风险控制

在DeFi协议中,借贷利率、质押比例等参数原本是静态设定的,缺乏对市场变化的快速响应。

引入AI后,可根据市场波动、用户行为和链上流动性情况,动态调整利率和清算机制,提前预警潜在风险,防止系统性崩盘。例如,通过AI分析借款人风险等级,决定是否允许发起借款、需要多高的抵押比。

2区块链保险:理赔智能判断与欺诈识别

传统区块链保险通过智能合约实现自动赔付,但很难判断事件真假。AI模型可以通过分析用户行为、图像数据(如车祸照片)或物联网数据(如设备传感器),帮助判断是否符合赔付条件,有效识别恶意理赔行为,提升保险合约的执行准确性和安全性。

3、供应链管理:物流数据驱动的动态合约执行

在跨国物流、冷链运输等复杂场景中,合约条件往往依赖链下数据(如GPS定位、温度监控)。AI可实时分析这些数据,判断货物是否按时送达、是否中途损坏,从而精准触发或阻止合约执行,实现自动结算、退款或罚款等操作,提升供应链协同效率。

4数字版权与NFT:智能追踪与收益分配

在NFT和数字版权保护中,AI可以用于识别内容被盗用或非法传播的行为。当系统检测到内容被未经授权转载时,智能合约可自动冻结收益、发送侵权警告或启动版权分账,实现自动维权与利益分配。例如,音乐NFT平台可以通过AI监听歌曲传播路径,并实时执行版税合约。

5碳排放与绿色金融:数据驱动的激励合约

在碳排放交易或绿色激励中,企业或个人的碳数据通常来源广泛且不统一。AI可整合分析多个来源的数据(如电力消耗、出行记录),判断是否达成绿色目标,触发智能合约发放奖励或碳积分,推动环保行为量化与执行自动化。

这些应用场景共同说明,AI的加入让智能合约从“规则执行者”变成了“环境感知者”和“策略制定者”,真正实现了“智能”的跃迁。

四、挑战与未来展望

虽然人工智能与智能合约的融合展现出巨大的潜力,但在实际落地过程中,也面临一系列技术、法律与生态层面的挑战。这些问题如果不加以重视,可能会成为制约技术大规模应用的关键瓶颈。

1数据隐私与模型可信度

AI需要大量数据进行训练和决策,但区块链用户通常注重隐私,数据的获取、使用与共享存在天然冲突。

此外,AI模型在决策过程中具有“黑箱特性”,缺乏可解释性,这与智能合约“结果可验证”的特性存在冲突。

如何在不泄露隐私的前提下获取有效数据,并让AI的判断过程更透明、可信? 这是技术融合必须突破的关键。

2法律合规与责任归属问题

当AI介入智能合约执行决策后,如果出现偏差或错误,责任应该归属于谁?是合约的开发者、模型提供方,还是平台运营者?

现有的法律体系尚未完全适应这种“自适应合约”的出现。特别是在金融、保险等强监管行业,合规审查要求极高,任何自动执行都必须有明确的监管边界。

3标准缺失与跨链协同难题

目前AI与区块链的融合还缺乏统一的技术标准和接口规范,不同平台之间的数据格式、合约语言和AI模块难以互通,限制了生态的扩展性。

尤其是在多链共存的背景下,如何实现AI判断结果在不同链间的可信传输,仍是一项待解决的挑战。

4技术成熟度与落地成本

虽然AI技术在不断进步,但要实现高质量的合约辅助决策仍需大量行业数据和调优训练,技术门槛和落地成本较高。

中小企业在资源有限的情况下,很难独立构建这样的智能系统,需要更多低门槛、开源可组合的解决方案来推动普及。

未来展望:走向真正“自适应”的智能合约时代

尽管挑战重重,AI与智能合约的融合趋势已经不可逆转。可以预见,未来的智能合约将不仅是预设规则的执行器,更像是一个具备感知、判断、学习和自我优化能力的数字智能体。

我们有理由期待这样一种“自适应合约(Adaptive Contract)”形态的出现:

它能根据链上链下的实时数据自动调整执行逻辑;

它能学习历史运行结果,不断迭代优化策略;

它具备安全自检和风险预警能力,能主动规避潜在威胁;

它还能与其他合约协同进化,构建出一个高效、智能、自运行的去中心化网络。

当AI真正嵌入智能合约的每一个环节,一个更智能、更灵活、更可信的区块链生态也将随之诞生。

结语:AI驱动下的智能合约新纪元

人工智能与区块链的融合,不再只是概念碰撞,而正在成为推动智能合约进化的实际动力。从代码的静态执行器,到具备预测、感知与决策能力的“智能体”,合约正在被重新定义。

在AI的加持下,智能合约不再局限于“预设条件+自动触发”的传统模型,而是具备了更强的环境适应能力、风险控制能力和策略调整能力。无论是DeFi中的动态利率、保险中的智能理赔,还是供应链中的精准执行,AI都在让智能合约变得更加贴近真实世界的复杂性与不确定性。

这场变革才刚刚开始。未来,随着AI模型能力的持续提升、区块链基础设施的不断成熟,以及隐私计算、多方安全计算等技术的发展,一个以“智能合约”为核心、以“智能决策”为驱动的去中心化应用新生态,将逐步成型。

在这个新纪元里,合约不仅是规则的执行工具,更是组织运行逻辑的智能大脑。AI与区块链的深度融合,正在打开一扇通往真正智能时代的大门。

相关文章:

人工智能与智能合约:如何用AI优化区块链技术中的合约执行?

引言:科技融合的新风口 区块链和人工智能,是当前最受瞩目的两大前沿技术。一个以去中心化、可溯源的机制重构信任体系,另一个以智能学习与决策能力重塑数据的价值。当这两项技术相遇,会碰撞出什么样的火花? 智能合约作…...

如何提升丢包网络环境下的传输性能:从 TCP 到 QUIC,再到 wovenet 的实践

在现代互联网环境中,稳定、可靠的网络连接对各种在线应用至关重要。然而,理想情况往往难以实现,特别是在以下一些典型场景中,网络丢包(packet loss) 常常发生: 一、常见的网络丢包场景 跨境通…...

Python 中的数据结构介绍

Python 是一种功能强大的编程语言,它内置了多种数据结构,以便用户能够方便、高效地存储、处理和访问数据。数据结构是组织和存储数据的方式,不同的数据结构适用于不同的应用场景。掌握 Python 中的基本数据结构,可以使代码更加简洁…...

数据中台架构设计

数据中台分层架构 数据采集层 数据源类型:业务系统(ERP、CRM)、日志、IoT 设备、第三方 API 等。采集方式: 实时采集:Kafka、Flink CDC(变更数据捕获)。离线采集:Sqoop、DataX&…...

基于SpringBoot网上书店的设计与实现

pom.xml配置文件 1. 项目基本信息(没什么作用) <groupId>com.spring</groupId> <!--项目组织标识&#xff0c;通常对应包结构--> <artifactId>boot</artifactId> <!--项目唯一标识--> <version>0.0.1-SNAPSHOT</ve…...

Vue3路由模式为history,使用nginx部署上线后刷新404的问题

一、问题 在使用nginx部署vue3的项目后&#xff0c;发现正常时可以访问的&#xff0c;但是一旦刷新&#xff0c;就是出现404的情况 二、解决方法 1.vite.config.js配置 在vite.config.js中加入以下配置 export default defineConfig(({ mode }) > {const isProduction …...

从单机到生产:Kubernetes 部署方案全解析

&#x1f680; 从单机到生产&#xff1a;Kubernetes 部署方案全解析 &#x1f310; Kubernetes&#xff08;k8s&#xff09;是当今最流行的容器编排系统&#xff0c;广泛应用于开发、测试和生产环境。但不同的使用场景对集群规模、高可用性和资源需求有不同的要求。本文将带你…...

redis大全

1 redis安装和简介 基于ubuntu系统的安装 sudo apt update sudo apt install redis##包安装的redis 没有默认配置文件 启动 redis-server /path/to/your/redis.confredis-cliRedis 默认是没有设置用户和密码的&#xff0c;即可以无密码访问 设置密码的方法&#xff1a;可以通…...

C#经典算法面试题

C#经典算法面试题 递归算法 C#递归算法计算阶乘的方法 一个正整数的阶乘(factorial)是所有小于及等于该数的正整数的积,并且0的阶乘为1。自然数n的阶乘写作n!。1808年,基斯顿卡曼引进这个表示法。 原理:亦即n!=123…(n-1)n。阶乘亦可以递归方式定义:0!=1,n!=(n-1)!n。…...

cephadm部署ceph集群

一、什么是Ceph? ceph是一个统一的、分布式的存储系统&#xff0c;设计初衷式提供较好的性能(io)、可靠性(没有单点故障)和可扩展性(未来可以理论上无限扩展集群规模)&#xff0c;这三点也是集群架构所追求的。 “统一的”:意味着Ceph可以一套存储系统同时提供对象存储、块存…...

c#OdbcDataReader的数据读取

先有如下c#示例代码&#xff1a; string strconnect "DSNcustom;UIDsa;PWD123456;" OdbcConnection odbc new OdbcConnection(strconnect); odbc.Open(); if (odbc.State ! System.Data.ConnectionState.Open) { return; } string strSql "select ID from my…...

代码随想录训练营第十八天| 150.逆波兰表达式求值 239.滑动窗口最大值 347.前k个高频元素

150.逆波兰表达式求值&#xff1a; 文档讲解&#xff1a;代码随想录|150.逆波兰表达式求值 视频讲解&#xff1a;栈的最后表演&#xff01; | LeetCode&#xff1a;150. 逆波兰表达式求值_哔哩哔哩_bilibili 状态&#xff1a;已做出 思路&#xff1a; 这道题目是让我们按照逆波…...

数据中台产品功能介绍

在数字化转型浪潮中&#xff0c;数据中台作为企业数据管理与价值挖掘的核心枢纽&#xff0c;整合分散数据资源&#xff0c;构建统一的数据管理与服务体系。本数据中台产品涵盖数据可视化、数据建设、数据治理、数据采集开发和系统管理五大平台&#xff0c;以丰富且强大的功能模…...

第四章-初始化Direct3D

首先我们需要一个错误检测和抛出机制 inline std::string ToString(const HRESULT& result) {char buffer[256];sprintf_s(buffer, "error code : 0x%08X\n", result);return std::string(buffer); }class MyException : public std::runtime_error { public:My…...

实操3:6位数码管

文章目录 文章介绍仿真图原来的仿真代码教学用开发板段选和位选对应引脚思考题实物图 文章介绍 对应“案例5_3: 6位数码管显示0或者1【静态显示】” 跳转链接 要求&#xff1a;实现开发板的6位数码管同时显示0或者1 仿真图 原来的仿真代码 #include<reg52.h> // 头文件…...

常识补充(NVIDIA NVLink技术:打破GPU通信瓶颈的革命性互联技术)

文章目录 **引言&#xff1a;为什么需要NVLink&#xff1f;**1. NVLink技术概述1.1 什么是NVLink&#xff1f;1.2 NVLink的发展历程 2. NVLink vs. PCIe&#xff1a;关键对比2.1 带宽对比2.2 延迟对比 3. NVLink的架构与工作方式3.1 点对点直连&#xff08;P2P&#xff09;3.2 …...

openwrt 使用quilt 打补丁(patch)

1,引入 本文简单解释如何在OpenWRT下通过quilt命令打补丁--patch&#xff0c;也可查看openwrt官网提供的文档 2&#xff0c;以下代码通过编译net-snmp介绍 ① 执行编译命令之后&#xff0c;进入build_dir的net-snmp-5.9.1目录下&#xff0c;改目录即为snmp最终编译的目录了 /…...

NVIDIA Halos:智能汽车革命中的全栈式安全系统

高级辅助驾驶行业正面临一个尴尬的"安全悖论"——传感器数量翻倍的同时&#xff0c;事故率曲线却迟迟不见明显下降。究其原因&#xff0c;当前行业普遍存在三大技术困局&#xff1a; 碎片化安全方案 传统方案就像"打补丁"&#xff0c;激光雷达厂商只管点云…...

k8s术语之service

Kubernetes在设计之初就充分考虑了针对容器的服务发现与负载均衡机制&#xff0c;提供了Service资源&#xff0c;并通过kube-proxy配合cloud provider 来适应不同的用于场景。随着kubernetes用户的激增&#xff0c;用户场景的不断丰富&#xff0c;又产生了一些新的负载均衡机制…...

C/C++工程中的Plugin机制设计与Python实现

C/C工程中的Plugin机制设计与Python实现 1. Plugin机制设计概述 在C/C工程中实现Plugin机制通常需要以下几个关键组件&#xff1a; Plugin接口定义&#xff1a;定义统一的接口规范动态加载机制&#xff1a;运行时加载动态库注册机制&#xff1a;Plugin向主程序注册自己通信机…...

RNN 与 CNN:深度学习中的两大经典模型技术解析

在人工智能和深度学习领域,RNN(Recurrent Neural Network,循环神经网络) 和 CNN(Convolutional Neural Network,卷积神经网络) 是两种非常重要的神经网络结构。 它们分别擅长处理不同类型的数据,在自然语言处理、计算机视觉等多个领域中发挥着关键作用。 本文将从原理…...

多模态训练与微调

1.为什么多模态模型需要大规模预训练&#xff1f; 多模态模型需要大规模预训练的原因包括&#xff1a; (1)数据丰富性&#xff1a;大规模预训练可以暴露模型于丰富的数据&#xff0c;提升其泛化能力。 (2)特征提取&#xff1a;通过预训练&#xff0c;模型能够学习到有效的特…...

【HDLBits刷题】Verilog Language——1.Basics

目录 一、题目与题解 1.Simple wire&#xff08;简单导线&#xff09; 2.Four wires&#xff08;4线&#xff09; 3.Inverter&#xff08;逆变器&#xff08;非门&#xff09;&#xff09; 4.AND gate &#xff08;与门&#xff09; 5. NOR gate &#xff08;或非门&am…...

基于深度学习的图像识别技术:从原理到应用

前言 在当今数字化时代&#xff0c;图像识别技术已经渗透到我们生活的方方面面&#xff0c;从智能手机的人脸解锁功能到自动驾驶汽车对交通标志的识别&#xff0c;再到医疗影像诊断中的病变检测&#xff0c;图像识别技术正以其强大的功能和广泛的应用前景&#xff0c;改变着我们…...

【coze】手册小助手(提示词、知识库、交互、发布)

【coze】手册小助手&#xff08;提示词、知识库、交互、发布&#xff09; 1、创建智能体2、添加提示词3、创建知识库4、测试智能体5、添加交互功能6、发布智能体 1、创建智能体 2、添加提示词 # 角色 你是帮助用户搜索手册资料的AI助手 ## 工作流程 ### 步骤一:查询知识库 1.每…...

【教学类-34-11】20250506异形拼图块(圆形、三角、正方,椭圆/半圆)的中2班幼儿偏好性测试(HTML)

背景介绍 最近在写一份工具运用报告,关于剪纸难度的。所以设计了蝴蝶描边系列和异形凹凸角拼图。 【教学类-102-20】蝴蝶三色图作品2——卡纸蝴蝶“满格变形图”(滴颜料按压对称花纹、原图切边后变形放大到A4横版最大化)-CSDN博客文章浏览阅读609次,点赞8次,收藏3次。【…...

Debian系统上PostgreSQL15版本安装调试插件及DBeaver相应配置

PostgreSQL所在Debian Linux服务器安装插件程序 在PostgreSQL数据库服务器Debian系统上执行以下命令&#xff0c;安装插件pldebugger: sudo apt install postgresql-15-pldebugger #上面这一条命令运行完好像pgsql服务自动重启了&#xff0c;看日志的样子是这样的&#xff0c…...

GD32F470+CH395Q

tcp_client配置 第一步&#xff1a;资料下载 以太网协议栈芯片 CH395 - 南京沁恒微电子股份有限公司 第二步&#xff1a;准备工程 &#xff08;1&#xff09; 首先准备一个编译无报错、可以正常打印和延时的工程文件&#xff0c;官方例程采用STM32F1芯片&#xff0c;但本文…...

解决Hyper-V无法启动Debian 12虚拟机

问题 有时&#xff0c;我们会想要在Hyper-V中运行Debian12。我们想利用该系统的ISO镜像文件安装一个全新的虚拟机。 然而&#xff0c;当我们在Hyper-V中创建了一个2代虚拟机、添加了Debian 12的网络安装&#xff08;Netinst&#xff09;ISO作为最先启动的介质时&#xff0c;Hy…...

linux redis 设置密码以及redis拓展

redis拓展:http://pecl.php.net/package/redis 在服务器上&#xff0c;这里以linux服务器为例&#xff0c;为redis配置密码。 需要永久配置密码的话就去redis.conf的配置文件中找到requirepass这个参数&#xff0c;如下配置&#xff1a; 修改redis.conf配置文件 # requirepass …...

uniapp app 端获取陀螺仪数据的实现攻略

在 uniapp 开发中&#xff0c;uni.startGyroscope在 app 端并不被支持&#xff0c;这给需要获取陀螺仪数据的开发者带来了挑战。不过&#xff0c;借助 Native.js&#xff0c;我们能调用安卓原生代码实现这一需求。接下来&#xff0c;就为大家详细介绍实现步骤&#xff0c;并附上…...

第三节:Vben Admin 最新 v5.0 对接后端登录接口(下)

文章目录 前言一、处理请求头Authorization二、/auth/user/info 接口前端接口后端接口三、/auth/codes 接口1.前端2.后端四、测试接口前言 上一节内容,实现了登录的/auth/login 接口,但是登陆没有完成,还需要完成下面两个接口。才能完成登录。 一、处理请求头Authorizatio…...

标题:基于自适应阈值与K-means聚类的图像行列排序与拼接处理

摘要&#xff1a; 本文提出了一种基于自适应阈值和K-means聚类的图像行列排序与拼接方法。通过对灰度图像的自适应二值化处理&#xff0c;计算并分析图像的左右边距&#xff0c;从而确定图像的行数与列数。通过对图像进行特征提取&#xff0c;并使用K-means聚类进行排序&#…...

修改磁盘权限为管理员

1.右击需要修改的磁盘&#xff0c;点击属性 然后一路点击确定 已经修改好了...

P1782 旅行商的背包 Solution

Description 有一个体积为 C C C 的背包和若干种物品. 前 n n n 种物品&#xff0c;第 i i i 种体积为 v i v_i vi​&#xff0c;价值 w i w_i wi​&#xff0c;有 d i d_i di​ 件. 后 m m m 种物品&#xff0c;每种对应一个函数 f ( x ) a i x 2 b i x c i f(x)a…...

Acrel-EIoT 能源物联网云平台在能耗监测系统中的创新设计

摘要 随着能源管理的重要性日益凸显&#xff0c;能耗监测系统成为实现能源高效利用的关键手段。本文详细介绍了基于安科瑞Acrel-EIoT能源物联网云平台的能耗监测系统的设计架构与应用实践。该平台采用分层分布式结构&#xff0c;涵盖感知层、网络层、平台层和应用层&#xff0…...

乘法逆元【费马小定理+扩展欧几里得】

目录 模运算性质费马小定理乘法逆元扩展欧几里得算法随机栈 模运算性质 费马小定理 a,b互质&#xff1a;gcd(a,b)1 乘法逆元 a,b互质,满足a*x同余1(mod b),x是a模b的乘法逆元&#xff0c;记作a的-1次方。 扩展欧几里得算法 求axbygcd(a,b)的一组(x,y). 随机栈 题目来源&…...

Linux进程间通信(上)(21)

文章目录 前言一、什么是进程间通信&#xff1f;概念目的本质分类 二、管道什么是管道匿名管道匿名管道的原理pipe函数匿名管道使用步骤管道读写规则管道的特点管道的四种特殊情况管道的大小 总结 前言 本篇出得有点慢&#xff0c;因为我在这里更换了我的开发环境   不再使用…...

力扣面试150题--对称二叉树

Day 41 题目描述 做法 原理&#xff1a;拆分为根节点的左右两棵子树&#xff0c;比较左子树的右和右子树的左&#xff0c;左子树的左和右子树的右 /*** Definition for a binary tree node.* public class TreeNode {* int val;* TreeNode left;* TreeNode righ…...

深度学习系统学习系列【6】之深度学习技巧

文章目录 数据集准备数据集扩展数据预处理1. 0均值&#xff08;Zero Centralization&#xff09;代码实现 2. 归一化&#xff08;Normalization&#xff09;代码实现 3. 主成分分析&#xff08;Principal Component Analysis, PCA&#xff09;实现步骤代码实现 4. 白化&#xf…...

vue项目中渲染markdown并处理报错

前言&#xff1a;想在vue项目中渲染markdown并处理报错问题 有以下几种方式&#xff1a; 1、使用第三方Markdown插件 2、通过Markdown转HTML工具 3、使用Vue组件处理Markdown 一、首先第一种&#xff1a;使用第三方Markdown插件 安装vue-markdown插件 或者 markdown-it&#xf…...

Vue3.5 企业级管理系统实战(十七):角色管理

本篇主要探讨角色管理功能&#xff0c;其中菜单权限这里先不实现&#xff0c;后续在菜单管理中再进行实现。接口部分依然是使用 Apifox mock 的。 1 角色 api 在 src/api/role.ts 中添加角色相关 api&#xff0c;代码如下&#xff1a; //src/api/role.ts import service fro…...

【AI论文】FormalMATH:大型语言模型形式化数学推理能力基准测试

摘要&#xff1a;正式的数学推理仍然是人工智能面临的一个关键挑战&#xff0c;受到现有基准在范围和规模上的限制。 为了解决这个问题&#xff0c;我们提出了FormalMATH&#xff0c;这是一个大规模的Lean4基准&#xff0c;包含5560个经过形式验证的问题&#xff0c;这些问题涵…...

9-4 USART串口数据包

HEX数据包的接收 研究几个小问题 1.包头包尾和数据载荷重复的问题 这里定义FF为包头&#xff0c;FE为包尾&#xff0c;如果我传输的数据本身就是FF和FE怎么呢&#xff1f;那这个问题确实存在&#xff0c;如果数据和包头包尾重复&#xff0c;可能会引起误判。我们有以下几种解…...

Babylon.js学习之路《 前言:为什么要学习Babylon.js 》

文章目录 引言&#xff1a;3D 开发在 Web 中的崛起为什么需要 Web 3D 开发&#xff1f;当选火热的应用场景数据表达方式的改变 Web 3D 的独特优势跨平台与零安装开发成本低即时更新与传播便捷 WebGL 的定位与挑战WebGL 是什么&#xff1f;WebGL 的直接使用痛点 为什么需要 Baby…...

今年我国已发生三级以上地震318次

快科技5月6日消息&#xff0c;根据中国地震台网的统计&#xff0c;今年以来&#xff08;截至4月30日&#xff09;&#xff0c;我国共发生三级以上地震318次&#xff0c;其中3.0-3.9级248次&#xff0c;4.0-4.9级61次&#xff0c;5.0-5.9级7次&#xff0c;6.0-6.9级2次&#xff…...

在与大语言模型交互中的礼貌现象:技术影响、社会行为与文化意义的多维度探讨

概述 关于是否值得对 AI 保持礼貌的公众意见&#xff0c;几乎和咖啡或红酒的最新研究结果一样频繁变化——这个月被推崇备至&#xff0c;下个月又受到质疑。即便如此&#xff0c;越来越多的用户现在在提示语中加入“请”或“谢谢”&#xff0c;这不仅仅是因为习惯&#xff0c;…...

Java后端开发day42--IO流(二)--字符集字符流

&#xff08;以下内容全部来自上述课程&#xff09; 拓展. try…catch异常处理&#xff08;能看懂&#xff09; 接口&#xff1a;AutoCloseable 特点&#xff1a;特定的情况下&#xff0c;可以自动释放资源 注意&#xff1a;只有实现了AutoCloseable接口的类&#xff0c;才能…...

【HarmonyOS 5】鸿蒙发展历程

【HarmonyOS 5】鸿蒙发展历程 一、鸿蒙 HarmonyOS 版本年代记 鸿蒙 1.0&#xff1a; 2019 年 8 月 9 日&#xff0c;华为在开发者大会上正式发布鸿蒙 1.0 系统&#xff0c;这一版本首次应用于华为荣耀智慧屏产品中&#xff0c;标志着华为正式进军操作系统领域。该版本初步展现…...

使用蚁群算法求解VRPTW问题

这里写目录标题 蚁群优化算法Python实现ACO求解VRPTW问题Java实现ACO求解VRPTW问题蚁群优化算法 蚁群算法(ACO)适合求解带时间窗的车辆路径优化问题(VRPTW),主要基于其仿生智能机制与问题特性的深度契合,具体体现在以下六个方面: 时间窗约束的自然映射 信息素导向与时间…...