【数学建模】(智能优化算法)萤火虫算法(Firefly Algorithm)详解与实现
萤火虫算法(Firefly Algorithm)详解与实现
文章目录
- 萤火虫算法(Firefly Algorithm)详解与实现
- 前言
- 1. 算法原理
- 2. 算法流程
- 3. Python实现
- 4. 算法特点
- 4.1 优点
- 4.2 缺点
- 5. 应用领域
- 6. 算法变种
- 7. 总结与展望
- 参考文献
前言
大家好,今天给大家介绍一种有趣且高效的群体智能优化算法——萤火虫算法(Firefly Algorithm, FA)。作为一种生物启发式算法,它模拟了自然界中萤火虫的社会行为,特别是它们通过荧光相互吸引的特性。这个算法由剑桥大学的杨翔宇(Xin-She Yang)教授于2008年提出,在解决复杂优化问题方面表现出色。
1. 算法原理
萤火虫算法的灵感来源于热带地区萤火虫的闪烁行为。在自然界中,萤火虫通过发光来吸引异性或捕食。这种行为被抽象为以下几个规则:
- 所有萤火虫都是无性别的,一个萤火虫会被其他所有萤火虫吸引
- 吸引力与亮度成正比,与距离成反比。对于任意两只萤火虫,较不明亮的会向较明亮的移动
- 萤火虫的亮度由目标函数值决定
萤火虫算法的核心在于定义吸引力和移动方式:
吸引力公式:
β = β 0 ∗ e x p ( − γ r 2 ) β = β₀ * exp(-γr²) β=β0∗exp(−γr2)
其中:
- β 0 β₀ β0 是距离为0时的吸引力(通常设为1)
- γ γ γ 是光吸收系数,控制吸引力随距离衰减的速度
- r r r 是两只萤火虫之间的距离
位置更新公式:
x i = x i + β ∗ ( x j − x i ) + α ∗ ( r a n d − 0.5 ) xᵢ = xᵢ + β * (xⱼ - xᵢ) + α * (rand - 0.5) xi=xi+β∗(xj−xi)+α∗(rand−0.5)
其中:
- x i xᵢ xi 是当前萤火虫的位置
- x j xⱼ xj 是更亮萤火虫的位置
- β β β 是计算得到的吸引力
- α α α 是随机扰动参数
- r a n d rand rand 是0到1之间的随机数,所以 ( r a n d − 0.5 ) (rand - 0.5) (rand−0.5) 是 − 0.5 -0.5 −0.5 到 0.5 0.5 0.5 之间的随机数
2. 算法流程
萤火虫算法的基本流程如下:
- 初始化参数:设定种群大小、最大迭代次数、光吸收系数 γ γ γ、吸引力参数 β 0 β₀ β0、随机因子 α α α等
- 初始化萤火虫种群:随机生成初始位置
- 计算适应度:根据目标函数计算每只萤火虫的亮度
- 更新位置:
- 对每只萤火虫 i i i
- 对每只比i亮的萤火虫 j j j
- 计算i和j之间的距离 r r r
- 计算吸引力 β β β
- 更新 i i i的位置
- 评估新解:重新计算每只萤火虫的亮度
- 排序和找出当前最优解
- 迭代直到满足终止条件
3. Python实现
下面是萤火虫算法的Python实现示例:
import numpy as np
import matplotlib.pyplot as pltclass FireflyAlgorithm:def __init__(self, func, dim, lb, ub, pop_size=40, max_iter=100, alpha=0.5, beta0=1.0, gamma=1.0):self.func = func # 目标函数self.dim = dim # 问题维度self.lb = lb # 下界self.ub = ub # 上界self.pop_size = pop_size # 种群大小self.max_iter = max_iter # 最大迭代次数self.alpha = alpha # 随机扰动参数self.beta0 = beta0 # 初始吸引力self.gamma = gamma # 光吸收系数# 初始化萤火虫位置self.fireflies = np.random.uniform(lb, ub, (pop_size, dim))self.intensity = np.zeros(pop_size)self.best_solution = Noneself.best_fitness = float('inf')def evaluate(self):for i in range(self.pop_size):self.intensity[i] = self.func(self.fireflies[i])if self.intensity[i] < self.best_fitness:self.best_fitness = self.intensity[i]self.best_solution = self.fireflies[i].copy()def distance(self, i, j):return np.sqrt(np.sum((self.fireflies[i] - self.fireflies[j])**2))def move_fireflies(self):for i in range(self.pop_size):for j in range(self.pop_size):if self.intensity[j] < self.intensity[i]: # j更亮r = self.distance(i, j)beta = self.beta0 * np.exp(-self.gamma * r**2)# 更新位置self.fireflies[i] = self.fireflies[i] + \beta * (self.fireflies[j] - self.fireflies[i]) + \self.alpha * (np.random.rand(self.dim) - 0.5)# 边界处理self.fireflies[i] = np.clip(self.fireflies[i], self.lb, self.ub)def run(self):convergence_curve = np.zeros(self.max_iter)for t in range(self.max_iter):self.evaluate()self.move_fireflies()convergence_curve[t] = self.best_fitness# 动态调整alpha参数(可选)self.alpha *= 0.98print(f"迭代 {t+1}/{self.max_iter}, 最优值: {self.best_fitness}")return self.best_solution, self.best_fitness, convergence_curve# 测试函数:Sphere函数
def sphere(x):return np.sum(x**2)# 运行算法
if __name__ == "__main__":dim = 10fa = FireflyAlgorithm(func=sphere,dim=dim,lb=-5.12 * np.ones(dim),ub=5.12 * np.ones(dim),pop_size=30,max_iter=100)best_solution, best_fitness, convergence = fa.run()print("\n最优解:", best_solution)print("最优值:", best_fitness)# 绘制收敛曲线plt.figure(figsize=(10, 6))plt.semilogy(range(1, fa.max_iter+1), convergence)plt.xlabel('迭代次数')plt.ylabel('目标函数值 (对数刻度)')plt.title('萤火虫算法收敛曲线')plt.grid(True)plt.show()
4. 算法特点
4.1 优点
- 全局搜索能力强:萤火虫算法能够有效地探索解空间,避免陷入局部最优
- 自动分组:算法能够自动将萤火虫分成多个子群,增强了多峰函数的寻优能力
- 参数少:相比其他元启发式算法,参数较少且易于调整
- 收敛速度快:在许多测试函数上表现出较快的收敛速度
4.2 缺点
- 计算复杂度高:时间复杂度为O(n²),n为种群大小
- 参数敏感:算法性能对参数γ和α较为敏感
- 维数灾难:在高维问题上性能可能下降
5. 应用领域
萤火虫算法已成功应用于多个领域:
- 工程优化问题:结构设计、参数优化等
- 机器学习:特征选择、神经网络训练
- 图像处理:图像分割、边缘检测
- 调度问题:作业调度、资源分配
- 路径规划:旅行商问题、物流配送路径优化
- 电力系统:负载分配、电网优化
6. 算法变种
随着研究的深入,萤火虫算法也衍生出多种变体:
- 离散萤火虫算法:用于解决组合优化问题
- 混合萤火虫算法:与其他算法(如PSO、GA)结合
- 多目标萤火虫算法:处理多目标优化问题
- 混沌萤火虫算法:引入混沌映射提高搜索效率
- 自适应萤火虫算法:动态调整参数值
7. 总结与展望
萤火虫算法作为一种生物启发式优化算法,通过模拟萤火虫的社会行为,在解决复杂优化问题方面展现出良好的性能。它简单易实现,全局搜索能力强,在多个领域都有成功应用。
未来的研究方向可能包括:
- 进一步改进算法以提高计算效率
- 开发更有效的参数自适应机制
- 将算法扩展到更多实际应用场景
- 与深度学习等前沿技术结合
希望这篇文章能帮助大家理解萤火虫算法的原理和应用。如有问题,欢迎在评论区留言讨论!
参考文献
- Yang, X. S. (2008). Nature-inspired metaheuristic algorithms. Luniver press.
- Yang, X. S. (2009). Firefly algorithms for multimodal optimization. In International symposium on stochastic algorithms (pp. 169-178). Springer.
- Fister, I., Fister Jr, I., Yang, X. S., & Brest, J. (2013). A comprehensive review of firefly algorithms. Swarm and Evolutionary Computation, 13, 34-46.
以上就是萤火虫算法的详细介绍,希望对你有所帮助!如果你对算法有任何疑问或需要更深入的讨论,欢迎在评论区交流。
相关文章:
【数学建模】(智能优化算法)萤火虫算法(Firefly Algorithm)详解与实现
萤火虫算法(Firefly Algorithm)详解与实现 文章目录 萤火虫算法(Firefly Algorithm)详解与实现前言1. 算法原理2. 算法流程3. Python实现4. 算法特点4.1 优点4.2 缺点 5. 应用领域6. 算法变种7. 总结与展望参考文献 前言 大家好,今天给大家介绍一种有趣且高效的群体…...
链路追踪组件学习
目录 1. 为啥需要链路追踪2. 常见的链路追踪组件3. 使用过的链路追踪组件3.1. Spring Cloud Sleuth3.2. Zipkin3.3. Apache SkyWalking 4. 集成Spring Cloud Sleuth框架4.1. 流程步骤4.2 sleuth工作流程 5. 集成zipKin5.1 添加 Zipkin 相关依赖5.2 安装zipkin服务5.3 配置 Zipk…...
# 基于OpenCV与Dlib的人脸融合技术实现
从仿射变换到人脸融合:基于OpenCV和Dlib的图像处理实践 在图像处理领域,仿射变换和人脸融合是两个非常有趣且实用的技术。仿射变换可以用于图像的几何变换,而人脸融合则可以创造出令人惊叹的视觉效果。本文将通过两个具体的代码示例…...
多光谱相机:水环境监测(水体富营养化、黑臭水体、藻类水华)
随着全球水体污染问题日益严峻,水体富营养化、黑臭水体和藻类水华等生态危机对人类健康和水生系统构成重大威胁。传统监测手段(如人工采样、单点传感器)因效率低、覆盖不足、实时性差等局限,难以满足复杂水环境的动态监管需求。多…...
记录一次nginx访问前端首页,一直显示nginx首页问题(实际是nginx访问页面权限问题)
同一台服务器,nginx配置是server { listen 8081; server_name localhost; #charset koi8-r; #access_log logs/host.access.log main; location /New_mh_other { alias /home/hqu/data/new_mh_other; try…...
windows下命名管道双端通信
实现功能 1、命名管道双端通信(异步) 2、客户端断线重连 PS:多线程版本 PipeWrapper.h #include <windows.h> #include <string> #include <vector> #include "Utils/ThreadObject.h" #include "Utils/T…...
Linux自行实现的一个Shell(15)
文章目录 前言一、头文件和全局变量头文件全局变量 二、辅助函数获取用户名获取主机名获取当前工作目录获取最后一级目录名生成命令行提示符打印命令行提示符 三、命令处理获取用户输入解析命令行执行外部命令 四、内建命令添加环境变量检查和执行内建命令 五、初始化初始化环境…...
powerDesign 逆向 mysql 生成 物理模型,并用VBS脚本整理comment
学习自:https://www.cnblogs.com/xmyjcs/p/8536233.html 文章目录 Reverse Engineer格式化模型执行 VBS 脚本 Reverse Engineer 下面 DBMS 可以通过 ODBC(Open Database Connectivity,开放数据库连接)连接, 需要自己先…...
跨境全域中台:前端独立站群+后端共享云仓的协同作战体系
在全球化浪潮与互联网技术飞速发展的当下,跨境电商已然成为国际贸易领域中最为活跃的力量。据相关数据显示,过去几年跨境电商的年增长率持续保持高位,越来越多的企业投身于这片充满机遇与挑战的蓝海市场。在竞争日益激烈的跨境电商赛道上&…...
国产芯片解析:乐得瑞LDR6500C 超小封装全能芯片,赋能智能设备未来
LDR6500C是乐得瑞科技针对USB-C标准中的Bridge设备而开发的双USB-C DRP接口PD通信芯片,具备切换Data Role功能,支持最高USB PD 100W 充电,并且针对各大品牌设备的 USB-C 兼容性进行了特别优化,非常适合于 USB Type-C 设备快充转接…...
代码随想录-06-二叉树-05.10 二叉树的最小深度
二叉树的最小深度 #模板题 题目描述 给定一个二叉树,找出其最小深度。 最小深度是从根节点到最近叶子节点的最短路径上的节点数量。 说明叶子节点是指没有子节点的节点 具体思路(暴力) 层序遍历;找到cur.left null && cur.ri…...
系统与网络安全------网络通信原理(6)
资料整理于网络资料、书本资料、AI,仅供个人学习参考。 应用层解析 DNS Domain Name System,域名系统 用来完成域名与IP地址之间的映射,便于用户对网站的记忆和访问 端口号为TCP或UDP的53 DNS工作原理 FTP File Transfer Protocol 文件…...
【Vue #2】脚手架 指令
一、脚手架 脚手架:一个保证各项工作顺利开展的平台,方便我们 拿来就用,零配置 1. Vue 代码开发方式 相比直接 script 引入 vue 源码,有没有更好的方式编写vue代码呢? ① 传统开发模式: 基于html文件开发Vue&…...
UE5 后坐力枪口上抬和恢复
文章目录 计算后坐力并让视角上抬后坐力回落 计算后坐力并让视角上抬 在玩家蓝图里,声明一个方法OnShootOnce,在武器每次射击时调用 1检测新的后坐力是否超过了最大后坐力,并选择一个小的 2 如何将角色模型设置为相机的子物体 3 最后记录一下当前的…...
Mysql B+树高度如何计算?
MySQL 的 InnoDB 存储引擎使用 B+树 作为索引结构,其高度增加会直接影响查询性能(每次高度增加意味着多一次磁盘 I/O)。以下是 B+树高度增加的 关键场景 和 优化建议: 1. B+树高度增加的触发条件 (1) 数据量持续增长 根本原因:B+树的层级由数据量(记录数)和每个节点的容…...
UE5 使用贴花创建弹孔
文章目录 使用射线检测击中点在击中点处创建贴花 使用射线检测击中点 和untiy一样,发射一条射线,在命中点处创建弹孔 在武器里定义射击检测方法 以下是对上边使用的方法的展开 GetShootStartPosition:获取射击起点 computeShootEndPosition:…...
程序持续内存泄漏问题定位参考
0 概括 本文用于记录 x86-Linux 应用程序发生持续性内存泄漏问题时的定位方法。主要介绍valgrind工具的应用。 1 原理 对于内存泄漏问题的定位,一种朴素的想法就是对内存申请点进行监控。对于一个内存申请调用点(例如c/c中的malloc函数)&a…...
Lumion 与 Enscape 怎么选?附川翔云电脑适配指南
建筑可视化领域,Lumion 和 Enscape 是两款主流实时渲染器,核心差异体现在操作逻辑、渲染特性及适用场景。结合川翔云电脑平台的硬件支持,可进一步优化使用体验。 一、核心差异:效率、操作与场景适配 1. 操作门槛与实时性 Lumio…...
WebShell详解:原理、分类、攻击与防御
目录 一、WebShell的定义与核心概念 二、WebShell的分类 三、WebShell的攻击原理与常见手法 1. 攻击原理 2. 常见攻击路径 四、WebShell的危害 五、防御与检测策略 六、总结 一、WebShell的定义与核心概念 WebShell是一种以ASP、PHP、JSP等网页脚本形式存在的恶…...
Ubuntu 24.04 中文输入法安装
搜狗输入法,在Ubuntu 24.04上使用失败,安装教程如下 https://shurufa.sogou.com/linux/guide 出现问题的情况,是这个帖子里描述的: https://forum.ubuntu.org.cn/viewtopic.php?t493893 后面通过google拼音输入法解决了&#x…...
数码视讯TR100系列/TR100-G1/TR100-G4/数码视讯F7-国科GK6323V100C芯片-刷机固件包
数码视讯TR100系列/数码视讯TR100-G1/数码视讯TR100-G4/数码视讯F7-国科GK6323V100C芯片-刷机固件包 刷机教程: 里面共有两种方法,一是TTL线刷烧录方法;二是卡刷固件包; 下面以数码视讯TR100-…...
Cloudflare教程:免费优化CDN加速配置,提升网站访问速度 | 域名访问缓存压缩视频图片媒体文件优化配置
1、启用 Tiered Cache 缓存开关:通过选择缓存拓扑,可以控制源服务器与 Cloudflare 数据中心的连接方式,以确保缓存命中率更高、源服务器连接数更少,并且 Internet 延迟更短。 2、增加浏览器缓存时间TTL:在此期间&#…...
24体育NBA足球直播M24模板自适应板源码
源码名称:体育直播赛事扁平自适应M24直播模板源码 开发环境:帝国cms7.5 空间支持:phpmysql 带软件采集,可以挂着自动采集发布,无需人工操作! 演示地址:https://www.52muban.com/shop/184022.h…...
dify+wan2.1搭建文生视频生成工具流
本文介绍在dify中使用阿里开源的Wan2.1 1.3B模型搭建文生视频工作流的方法。 使用的工具如下: 1、dify(官方:https://docs.dify.ai/zh-hans) 2、comfyui 一、comfyui安装 为了简单起见,本文介绍使用autodl完成comfyui的部署。在autodl创建实例,使用的镜像如下图: 大…...
C# js 判断table中tr否存在相同的值
html 中如: 实现:table数据表格中,点击删除按钮时,验证相同子订单号条数是否大于1,大于允许删除。保证数据表格中只有唯一的一条子订单号数据。 <table style"width: 100%; background-color: #fff;" ce…...
HTML5+CSS3小实例:纯CSS绘制七巧板
实例:纯CSS绘制七巧板 技术栈:HTML+CSS 效果: 源码: 【HTML】 <!DOCTYPE html> <html lang="zh-CN"> <head><meta charset="UTF-8"><meta name="viewport" content="width=device-width, initial-scale…...
什么是虚拟线程?与普通线程的区别
引言:线程的演进与挑战 在传统的并发编程中,线程是一种非常重要的概念。我们使用线程来实现任务的并发执行,从而提高程序的执行效率。普通线程(如 Thread 类)是一种重量级的线程,每个线程都对应着操作系统…...
Docker MySQL的主从同步 数据备份 数据同步 配置文件
创建主库 docker run \--namemysql_1 \-e MYSQL_ROOT_PASSWORD123456 \-p 3306:3306 \-v mysql_main_data:/var/lib/mysql \--restart unless-stopped \-d \mysql:8.0进入容器内部 docker exec -it mysql_1 bash查找配置文件 find / -name my.cnf复制出主机 docker cp mysql…...
PowerBI中的DATEDIFF函数
一、语法 DATEDIFF(开始日期,结束日期,日期时间类型),返回两个日期之间的时间差 二、示例 开始日期结束日期度量值计算结果2025/4/1 15:33:202025/4/1 15:33:30计算 DATEDIFF([开始日期],[结束日期],SECOND)102025/4/1 15:332025/4/1 15:3…...
C/C++共有的类型转换与c++特有的四种强制类型转换
前言 C 语言和 C 共有的类型转换: 自动类型转换(隐式类型转换): 编译器在某些情况下会自动进行的类型转换。强制类型转换(显示类型转换): 使用 (type)expression 或 type(expression) 语法进行…...
体验OceanBase的 并行导入功能
在数据库的日常使用中,会经常遇到以下场景: 数据复制:将一个或多个表中的数据复制到目标表中,可能是复制全部数据,也可能仅复制部分数据。数据合并:将数据从一个表转移到另一个表,或者将多…...
CSS的字体
在 CSS 中,字体(font)是网页设计中的一个重要部分,它控制了文本的外观和排版效果。通过设置不同的字体属性,我们可以使网页上的文字更具吸引力和可读性。以下是与字体相关的 CSS 属性及其用法: 1️⃣ font…...
开源模型应用落地-LangChain与MCP协议-集成GPT-4o构建下一代AI智能体的全栈实践(三)
一、前言 在人工智能技术快速迭代的今天,大型语言模型(LLM)如何高效集成外部工具与多模态能力,成为开发者面临的核心挑战。Anthropic推出的模型上下文协议(MCP)通过标准化工具接口,为AI应用提供了“即插即用”的生态基础,而LangChain凭借其模块化设计,正成为连接LLM…...
Qt 5.14.2入门(一)写个Hello Qt!程序
目录 参考链接:一、新建项目二、直接运行三、修改代码增加窗口内容1、Qt 显示一个 QLabel 标签控件窗口2、添加按键 参考链接: Qt5教程(一):Hello World 程序 Qt 编程指南 一、新建项目 1、新建一个项目(…...
FPGA_DDR(二)
在下板的时候遇到问题 1:在写一包数据后再读,再写再读 这时候读无法读出 查看时axi_arready没有拉高 原因 : 由于读地址后没有拉高rready,导致数据没有读出卡死现象。 解决结果...
思科交换机配置
以下是交换机配置的详细步骤指南,适用于Cisco交换机,其他品牌需调整命令: 1. 初始连接与基本配置 连接方式:使用Console线连接交换机,通过终端软件(如PuTTY)登录。波特率:9600&…...
单链表——C语言实现
目录 一.相关指针知识点 二.链表 1.为什么学了顺序表还要学链表 2.优点 三.实现 1.链表的打印 —— 理解链表结构 (2) 物理结构图 2.链表的尾插 —— 入门 错误写法:tail ! NULL 总结: 正确代码物理图解: (2) 尾插整体代码 (思考…...
PostgreSQL插件生态全景解析:赋能数据库的无限可能
PostgreSQL以其开放的扩展生态闻名于世,其插件机制如同瑞士军刀般灵活,能够在不修改核心代码的前提下实现功能无限延伸。本文将基于多年内核开发经验,深度剖析PostgreSQL插件生态体系,为架构师与开发者提供全景式技术选型参考。 一…...
minio提供nfs服务
minio提供nfs服务 挂载minio为本地目录开机自动挂载使用supervisor实现开机自动挂载服务单元实现开机自动挂载minio为本地目录---失败 调试 挂载minio为本地目录 使用 Minio 作为后端存储,并通过 NFS 为客户端提供访问,那么你需要一个中间层来将 Minio …...
QML中的信号与槽机制
QML 中的信号与槽机制是 Qt 框架的核心特性之一,它提供了一种对象间通信的强大方式。与 C 中的信号槽类似,但语法更加简洁。 基本概念 1. 信号 (Signal) 当某个特定事件发生时由对象自动发出的通知 例如:按钮被点击时发出的 clicked 信号 …...
使用 Ktor 构建现代 Android 应用的后端服务
使用 Ktor 构建现代 Android 应用的后端服务 前言 在移动互联网时代,Android 应用对后端服务的实时性与性能要求越来越高,而传统的后端框架在一些场景中存在复杂度高、扩展性不足等问题。Ktor 作为 JetBrains 推出的异步 Web 框架,充分利用…...
leetcode_454. 四数相加 II_java
454. 四数相加 IIhttps://leetcode.cn/problems/4sum-ii/ 1、题目 给你四个整数数组 nums1、nums2、nums3 和 nums4 ,数组长度都是 n ,请你计算有多少个元组 (i, j, k, l) 能满足: 0 < i, j, k, l < nnums1[i] nums2[j] nums3[k] …...
类名与协议名相同,开发中应该避免吗?
在 Objective-C 开发中,协议与实现类之间的命名关系非常重要。虽然语言允许协议名和类名相同,但从可读性和维护性等角度出发,这种做法并不推荐。本文通过一个典型示例展开分析,并提供更合理的命名建议。 一、示例 在某项目中&…...
环信鸿蒙版 UIKit 快速上手指南
环信鸿蒙版 UIKit 是专为 HarmonyOS 开发者设计的 IM UI 组件库,基于环信 IM SDK 开发,可帮助开发者快速集成即时通讯功能。 环信UIKit 的特点 ArkUI 声明式开发范式:采用高效简洁的声明式开发方式状态管理 V2:支持深度观测和精…...
编译freecad
git clone --recurse-submodules https://github.com/FreeCAD/FreeCAD.git freecad-source 手动安装 vscode 扩展安装cmake tool cmake ../ 缺什么装什么 Third Party Libraries - FreeCAD Documentation sudo apt install qt6-base-dev sudo apt install libyaml-cpp-dev …...
安卓Kotlin接入高德定位和地图SDK
前言:高德的定位sdk可以获取设备当前的详细信息,如经纬度,具体地址(省->街道)等, 本文主要使用的是定位sdk和地图sdk中的poi搜索功能(以当前位置半径多少米内的关键词搜索) 目录…...
JavaScript浅拷贝与深拷贝
目录 浅拷贝(Shallow Copy) 一、浅拷贝的定义 二、直接赋值 vs 浅拷贝 1. 直接赋值 2. 浅拷贝 三、数组的浅拷贝方法 1. slice() 2. concat() 3. 扩展运算符(...) 四、对象的浅拷贝方法 1. Object.assign() 2. 扩展运…...
智能生态之城-广东茂名
故事摘要 在中国广东茂名的未来社区,晨光中,垂直果园里发光的荔枝与智能无人机的早餐派送唤醒了城市的生活。在海底透明隧道的图书馆里,孩子们通过声控设备与虚拟生物互动。面对暴雨来临时,市民们积极参与到荔枝蜜饯制作和雨季造林…...
【Android】Android Activity 横屏设置详解及常见异常问题解决方法汇总
在 Android 开发中,我们经常需要控制 Activity 的屏幕方向,例如视频播放、游戏、VR/AR 应用等场景通常希望默认横屏显示。本文将讲解如何通过 Manifest 配置 和 Java/Kotlin 代码 设置横屏显示,并分析常见设置无效的原因与解决方法。 一、通过…...
Android 存储路径
一、内部存储路径(Internal Storage) stats.codeSize(内部代码大小) 路径:/data/app/com.example.test-{随机后缀}/base.apk 说明:APK 安装路径,包含应用代码…...