当前位置: 首页 > news >正文

2025蓝桥杯算法竞赛深度突破:创新题型与高阶策略全解析

一、新型算法范式实战

1.1 元启发式算法应用(预测难度:★★★★)

题目场景:星际货物装载
需在飞船载重限制下选择最优货物组合,引入遗传算法解决NP-Hard问题:

  • 染色体编码:二进制串表示货物选择状态

  • 适应度函数:价值/重量比值 + 惩罚项

  • 交叉变异:多点交叉+动态变异率

代码实现

import numpy as npclass GeneticSolver:def __init__(self, weights, values, max_weight, pop_size=50):self.weights = weightsself.values = valuesself.max_weight = max_weightself.pop_size = pop_sizeself.population = np.random.randint(2, size=(pop_size, len(weights)))def fitness(self, individual):total_weight = np.dot(individual, self.weights)if total_weight > self.max_weight:return 0  # 惩罚非法解return np.dot(individual, self.values) / total_weightdef evolve(self, generations):for _ in range(generations):fitness = np.array([self.fitness(ind) for ind in self.population])parents = self.population[np.argsort(fitness)[-self.pop_size//2:]]# 交叉操作children = []for i in range(0, len(parents), 2):crossover_point = np.random.randint(1, len(weights)-1)child1 = np.concatenate([parents[i][:crossover_point], parents[i+1][crossover_point:]])child2 = np.concatenate([parents[i+1][:crossover_point], parents[i][crossover_point:]])children.extend([child1, child2])# 变异操作mutation_rate = 0.1 * (1 - _/generations)  # 动态调整for child in children:mask = np.random.rand(len(child)) < mutation_ratechild[mask] = 1 - child[mask]self.population = np.vstack([parents, children])

1.2 流式数据处理(预测难度:★★★☆)

题目场景:实时用户行为分析
持续输入用户点击流数据,要求每5秒输出当前热点事件:

  • 数据特征:(timestamp, user_id, event_id)

  • 输出条件:事件发生次数前10且去重用户数≥100

滑动窗口算法

from collections import defaultdict, dequeclass StreamingProcessor:def __init__(self, window_size=5):self.window = deque()self.event_count = defaultdict(int)self.user_events = defaultdict(set)def add_record(self, timestamp, user_id, event_id):# 移除过期数据while self.window and timestamp - self.window[0][0] > 5:old_time, old_user, old_event = self.window.popleft()self.event_count[old_event] -= 1self.user_events[old_event].discard(old_user)# 添加新数据self.window.append((timestamp, user_id, event_id))self.event_count[event_id] += 1self.user_events[event_id].add(user_id)def get_hot_events(self):candidates = []for event, cnt in self.event_count.items():if len(self.user_events[event]) >= 100:candidates.append((-cnt, event))  # 用负值实现最小堆heapq.heapify(candidates)return [heapq.heappop(candidates)[1] for _ in range(10)]

二、跨学科题型突破

2.1 生物基因编辑(预测难度:★★★★★)

题目描述
给定DNA序列(由A/T/C/G组成),通过以下操作使其变为目标序列:

  1. 插入/删除任意位置字符(代价2)

  2. 替换字符(代价1)

  3. 翻转连续子序列(代价3)

求最小编辑代价。

三维动态规划解法

def dna_edit_cost(source, target):m, n = len(source), len(target)dp = [[[0]*(n+1) for _ in range(m+1)] for __ in range(2)]  # 状态维度记录翻转状态# 初始化for i in range(m+1):dp[0][i][0] = i * 2  # 纯删除for j in range(n+1):dp[0][0][j] = j * 2  # 纯插入# 状态转移for i in range(1, m+1):for j in range(1, n+1):# 正常模式cost_replace = dp[0][i-1][j-1] + (0 if source[i-1]==target[j-1] else 1)cost_del = dp[0][i-1][j] + 2cost_ins = dp[0][i][j-1] + 2dp[0][i][j] = min(cost_replace, cost_del, cost_ins)# 翻转模式(需连续翻转)if i>=2 and j>=2 and source[i-1]==target[j-2] and source[i-2]==target[j-1]:dp[1][i][j] = dp[0][i-2][j-2] + 3dp[0][i][j] = min(dp[0][i][j], dp[1][i][j])return dp[0][m][n]

2.2 物理粒子模拟(预测难度:★★★★)

题目场景:电磁场粒子轨迹预测
在三维空间中模拟带电粒子运动:

  • 电场力:F_e = q * E

  • 磁场力:F_m = q * (v × B)

  • 需计算Δt时间后的位置和速度

数值积分算法

import numpy as npdef simulate_particle(q, m, E_field, B_field, pos0, vel0, dt, steps):trajectory = []pos = np.array(pos0, dtype=np.float64)vel = np.array(vel0, dtype=np.float64)for _ in range(steps):# 计算场强(此处场强函数需根据位置计算)E = E_field(pos)B = B_field(pos)# Boris算法稳定积分t = (q * dt) / (2 * m) * Bs = 2 * t / (1 + np.linalg.norm(t)**2)vel_minus = vel + (q * E * dt) / (2 * m)v_prime = vel_minus + np.cross(vel_minus, t)vel_plus = vel_minus + np.cross(v_prime, s)vel = vel_plus + (q * E * dt) / (2 * m)pos += vel * dttrajectory.append(pos.copy())return trajectory

三、竞赛策略升级

3.1 分布式思维训练

应对1e12级别数据量的统计问题

  • 分治策略:将数据按哈希分片到多台机器

from hashlib import sha256def distributed_count(data_stream, num_nodes=100):node_counts = [defaultdict(int) for _ in range(num_nodes)]for item in data_stream:# 计算数据分片归属shard = int(sha256(item.encode()).hexdigest()[:8], 16) % num_nodesnode_counts[shard][item] += 1# 聚合结果global_count = defaultdict(int)for nc in node_counts:for k, v in nc.items():global_count[k] += vreturn global_count

3.2 量子算法思维训练

Grover搜索算法简化版实现

from qiskit import QuantumCircuit, Aer, executedef grover_search(oracle, num_qubits):# 创建量子电路qc = QuantumCircuit(num_qubits+1, num_qubits)# 初始化qc.h(range(num_qubits))qc.x(num_qubits)qc.h(num_qubits)# Grover迭代for _ in range(int(np.pi/4 * np.sqrt(2**num_qubits))):qc.append(oracle, range(num_qubits+1))# 扩散算子qc.h(range(num_qubits))qc.x(range(num_qubits))qc.h(num_qubits-1)qc.mct(list(range(num_qubits-1)), num_qubits-1)qc.h(num_qubits-1)qc.x(range(num_qubits))qc.h(range(num_qubits))# 测量qc.measure(range(num_qubits), range(num_qubits))return qc# 示例:在4量子位系统中搜索目标状态
simulator = Aer.get_backend('qasm_simulator')
result = execute(grover_search(), simulator).result()
print(result.get_counts())

四、前沿技术衔接

4.1 神经网络加速动态规划

使用PyTorch加速状态转移计算

import torchdef dp_acceleration(weights, values, capacity):device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')n = len(weights)# 将数据转换为张量w = torch.tensor(weights, device=device)v = torch.tensor(values, device=device)dp = torch.zeros(capacity+1, device=device)for i in range(n):# 使用张量运算加速内层循环mask = w[i] <= torch.arange(capacity+1, device=device)dp[mask] = torch.maximum(dp[mask], (dp - w[i] + v[i])[mask])return dp[-1].item()

4.2 区块链智能合约验证

Solidity合约漏洞检测算法

def detect_vulnerabilities(contract_code):# 重入攻击检测if 'call.value' in contract_code and '.send' not in contract_code:return "Reentrancy risk"# 整数溢出检测if any(op in contract_code for op in ['+', '-', '*']) and 'SafeMath' not in contract_code:return "Integer overflow risk"# 时间戳依赖检测if 'block.timestamp' in contract_code and 'block.number' not in contract_code:return "Timestamp dependency risk"return "No critical vulnerabilities found"

五、实战演练平台推荐

平台名称特色功能适合场景
CodeGalaxy支持百万级并发评测压力测试与极限优化
QuantumLab提供量子计算仿真环境量子算法实验
BioSim生物信息学专用测试用例库跨学科题型训练
DistributedAI模拟分布式集群环境大数据量处理实战

相关文章:

2025蓝桥杯算法竞赛深度突破:创新题型与高阶策略全解析

一、新型算法范式实战 1.1 元启发式算法应用&#xff08;预测难度&#xff1a;★★★★&#xff09; 题目场景&#xff1a;星际货物装载 需在飞船载重限制下选择最优货物组合&#xff0c;引入遗传算法解决NP-Hard问题&#xff1a; 染色体编码&#xff1a;二进制串表示货物选择…...

网络流量管理-流(Flow)

1. 传统网络的问题&#xff1a;快递员送信模式 想象你每天要寄100封信给同一个朋友&#xff0c;传统网络的处理方式就像一个固执的快递员&#xff1a; 每封信都单独处理&#xff1a;检查地址、规划路线、盖章、装车…即使所有信的目的地、收件人都相同&#xff0c;也要重复100…...

Spring Boot对接马来西亚股票数据源API

随着对东南亚市场的兴趣日益增长&#xff0c;获取马来西亚股票市场的实时和历史数据变得尤为重要。本文将指导您如何使用Spring Boot框架对接一个假定的马来西亚股票数据源API&#xff08;例如&#xff0c;StockTV API&#xff09;&#xff0c;以便开发者能够轻松访问和处理这些…...

MySQL 面经

1、什么是 MySQL&#xff1f; MySQL 是一个开源的关系型数据库&#xff0c;现在隶属于 Oracle 公司。是我们国内使用频率最高的一种数据库&#xff0c;我本地安装的是比较新的 8.0 版本。 1.1 怎么删除/创建一张表&#xff1f; 可以使用 DROP TABLE 来删除表&#xff0c;使用…...

【Flink运行时架构】作业提交流程

本文介绍在单作业模式下Flink提交作业的具体流程&#xff0c;如下图所示。 客户端将作业提交给YARN的RM&#xff1b;YARN的RM启动Flink JobManager&#xff0c;并将作业提交给JobMaster&#xff1b;JobMaster向Flink内置的RM请求slots&#xff1b;Flink内置的RM向YARN RM请求…...

【AutoTest】自动化测试工具大全(Java)

&#x1f60a; 如果您觉得这篇文章有用 ✔️ 的话&#xff0c;请给博主一个一键三连 &#x1f680;&#x1f680;&#x1f680; 吧 &#xff08;点赞 &#x1f9e1;、关注 &#x1f49b;、收藏 &#x1f49a;&#xff09;&#xff01;&#xff01;&#xff01;您的支持 &#x…...

当DRAM邂逅SSD:新型“DRAM+”存储技术来了!

在当今快速发展的科技领域&#xff0c;数据存储的需求日益增长&#xff0c;对存储设备的性能和可靠性提出了更高的要求。传统DRAM以其高速度著称&#xff0c;但其易失性限制了应用范围&#xff1b;而固态硬盘SSD虽然提供非易失性存储&#xff0c;但在速度上远不及DRAM。 为了解…...

【算法】快速排序

算法系列六&#xff1a;快速排序 一、快速排序的递归探寻 1.思路 2.书写 3.搭建 3.1设计过掉不符情况&#xff08;在最底层时&#xff09; 3.2查验能实现基础结果&#xff08;在最底层往上点时&#xff09; 3.3跳转结果继续往上回搭 4.实质 二、快速排序里的基准排序 …...

Python快速入门指南:从零开始掌握Python编程

文章目录 前言一、Python环境搭建&#x1f94f;1.1 安装Python1.2 验证安装1.3 选择开发工具 二、Python基础语法&#x1f4d6;2.1 第一个Python程序2.2 变量与数据类型2.3 基本运算 三、Python流程控制&#x1f308;3.1 条件语句3.2 循环结构 四、Python数据结构&#x1f38b;…...

机器学习中的数学(PartⅡ)——线性代数:2.1线性方程组

概述&#xff1a; 现实中很多问题都可被建模为线性方程组问题&#xff0c;而线性代数为我们提供了解决这类问题的工具。先看两个例子&#xff1a; 例子1&#xff1a; 一家公司有n个产品&#xff0c;分别是&#xff0c;生产上述产品需要m种原料&#xff0c;每个产品需要其中一…...

大模型上下文协议MCP详解(2)—核心功能

版权声明 本文原创作者:谷哥的小弟作者博客地址:http://blog.csdn.net/lfdfhl1. 标准化上下文交互技术 1.1 实时数据接入能力 MCP(Model Context Protocol)通过标准化的接口,为 AI 模型提供了强大的实时数据接入能力,使其能够快速获取和处理来自不同数据源的实时信息。…...

检测到目标URL存在http host头攻击漏洞

漏洞描述 修复措施 方法一: nginx 的 default_server 指令可以定义默认的 server 去处理一些没有匹配到 server_name 的请求,如果没有显式定义,则会选取第一个定义的 server 作为 default_server。 server {listen 80 default_server; …...

【 Beautiful Soup (bs4) 详解】

引言 Beautiful Soup 是 Python 最流行的 HTML/XML 解析库&#xff0c;能够从复杂的网页文档中高效提取数据。以下是其核心知识点及示例代码。 一、库简介 1. 核心模块 BeautifulSoup&#xff1a;主类&#xff0c;用于构建文档树结构Tag&#xff1a;表示 HTML/XML 标签的对象…...

Cuto壁纸 2.6.9 | 解锁所有高清精选壁纸,无广告干扰

Cuto壁纸 App 提供丰富多样的壁纸选择&#xff0c;涵盖动物、风景、创意及游戏动漫等类型。支持分类查找与下载&#xff0c;用户可轻松将心仪壁纸设为手机背景&#xff0c;并享受软件内置的编辑功能调整尺寸。每天更新&#xff0c;确保用户总能找到新鲜、满意的壁纸。 大小&am…...

人工智能之数学基础:复矩阵

本文重点 复矩阵是线性代数中以复数为元素的矩阵,是实矩阵在复数域上的自然推广。与实矩阵相比,复矩阵在数学性质、运算规则和应用场景上具有独特性,尤其在量子力学、信号处理、控制理论等领域发挥关键作用。 复矩阵的定义与表示 定义:复矩阵指的是元素含有复数的矩阵。…...

numpy初步掌握

文章目录 一、前言二、概述2.1 安装2.2 基础 三、数组3.1 数组创建3.1.1 从已有数据创建3.1.2 创建特殊值数组3.1.3 创建数值范围数组3.1.4 随机数组生成3.1.5 其他 3.2 数组属性 四、数组操作4.1 索引/切片4.2 数组遍历4.3 修改形状4.4 更多 五、数组运算5.1 常规运算5.2 广播…...

unity曲线射击

b站教程 using UnityEngine; using System.Collections;public class BallLauncher : MonoBehaviour {public float m_R;public NewBullet m_BulletPre;public Transform m_Target;private void Start(){StartCoroutine(Attack());}private void OnDestroy(){StopAllCoroutine…...

[特殊字符] 各领域 Dummy 开关实现方式大集合

涵盖硬件、软件、工业控制、游戏开发及网络虚拟化场景&#xff1a; &#x1f50c; 1. 电子 / 硬件工程 &#x1f6e0;️ (1) 物理替代方案 &#x1f9f2; 跳线帽&#xff08;Jumper&#xff09;或短路块 &#x1f449; 模拟开关“开/关”状态 ✅ 示例&#xff1a;开发板上的 B…...

深度解析基于 Web Search MCP的Deep Research 实现逻辑

写在前面 大型语言模型(LLM)已成为我们获取信息、生成内容的重要工具。但它们的知识大多截止于训练数据的时间点,对于需要实时信息、跨领域知识整合、多角度观点比较的深度研究 (Deep Research) 任务,它们往往力有不逮。如何让 LLM 突破自身知识的局限,像人类研究员一样,…...

set 的 contains

语法&#xff1a; set<int> num_set; st.contains(num); 在 C 中&#xff0c;!num_set.contains(num - 1) 这行代码通常用于检查一个集合&#xff08;num_set&#xff09;中是否不存在某个值&#xff08;num - 1&#xff09;。以下是对这行代码的详细解释&#xff1a;…...

深度学习总结(7)

用计算图进行自动微分 思考反向传播的一种有用方法是利用计算图(compu- tation graph)​。计算图是TensorFlow和深度学习革命的核心数据结构。它是一种由运算(比如我们用到的张量运算)构成的有向无环图。下图给出了一个模型的计算图表示。 计算图是计算机科学中一个非常…...

linux网络环境配置

今天我们来了解一下ip获取的两种方式,知道两者的特点,并且学会配置静态ip,那么话不多说,来看. linux网络环境配置. .第一种方式(自动获取): 说明:登录后,通过界面的来设置自动获取ip,特点;Linux启动后会自动获取ip,缺点是每次自动获取的ip地址可能不一样. 第二种方式(指定I…...

SSRF漏洞公开报告分析

文章目录 1. SSRF | 获取元数据 | 账户接管2. AppStore | 版本上传表单 | Blind SSRF3. HOST SSRF一、为什么HOST修改不会影响正常访问二、案例 4. Turbonomic 的 终端节点 | SSRF 获取元密钥一、介绍二、漏洞分析 5. POST | Blind SSRF6. CVE-2024-40898利用 | SSRF 泄露 NTL…...

Java接口深度解析

一、为什么需要接口 接口是Java实现多态的重要机制&#xff0c;核心价值体现在&#xff1a; ​​实现多继承能力​​&#xff1a;突破单继承限制&#xff0c;允许类实现多个接口​​规范系统解耦​​&#xff1a;制定通用标准&#xff0c;隔离实现与调用方​​增强扩展性​​…...

VitePress 项目部署 cloudflare page 提示 npm run build 错误

构建的错误信息如下&#xff1a; 09:52:57.975 ➤ YN0000: Done with warnings in 3s 120ms 09:52:58.072 Executing user command: npm run build 09:52:58.817 npm ERR! Missing script: "build" 09:52:58.818 npm ERR! 09:52:58.818 npm ERR! To see a list of …...

#Hash 模式 vs History 模式

&#x1f4cc; 一、概念对比&#xff1a;Hash 模式 vs History 模式 特性Hash 模式History 模式URL 样式http://example.com/#/homehttp://example.com/home是否刷新页面❌ 不会刷新&#xff08;仅 hash 变化&#xff09;✅ 通过 HTML5 API 控制&#xff0c;不刷新原理window.…...

图像融合(Image Fusion)是什么

图像融合&#xff08;Image Fusion&#xff09;将来自相同类型传感器或成像方式的多幅图像&#xff08;通常内容是一样的&#xff09;进行融合&#xff0c;提高图像清晰度、对比度、空间或时间分辨率。得到比原始图像更清晰或信息更丰富的图像 常见类型&#xff1a; 多时相图…...

基于YOLOV8的中草药识别检测系统(包含数据集+PyQt5界面+系统代码)

一、简介 本项目构建了基于 YOLOV8 深度学习网络模型的中草药识别检测系统。凭借 YOLOV8 卓越的性能&#xff0c;该系统能够高效、精准地识别检测大枣、 百合、黄连 、乌梅、厚朴 、牡蛎 、海马 、罗汉果 、甘草、三七、 通草、 薏苡仁、 枸杞子 、八角茴香等 50种常见植物中草…...

【愚公系列】《高效使用DeepSeek》066-纠纷解决话术

🌟【技术大咖愚公搬代码:全栈专家的成长之路,你关注的宝藏博主在这里!】🌟 📣开发者圈持续输出高质量干货的"愚公精神"践行者——全网百万开发者都在追更的顶级技术博主! 👉 江湖人称"愚公搬代码",用七年如一日的精神深耕技术领域,以"…...

7. 解立方根

题目描述 给定一个正整数 N&#xff0c;请你求 N 的立方根是多少。 输入描述 第 1 行为一个整数 T&#xff0c;表示测试数据数量。 接下来的 T 行每行包含一个正整数 N。 1≤T≤105&#xff0c;0≤N≤105。 输出描述 输出共 T 行&#xff0c;分别表示每个测试数据的答案…...

【愚公系列】《Python网络爬虫从入门到精通》047-验证码识别(第三方验证码识别)

🌟【技术大咖愚公搬代码:全栈专家的成长之路,你关注的宝藏博主在这里!】🌟 📣开发者圈持续输出高质量干货的"愚公精神"践行者——全网百万开发者都在追更的顶级技术博主! 👉 江湖人称"愚公搬代码",用七年如一日的精神深耕技术领域,以"…...

C++指针(二)

个人主页&#xff1a;PingdiGuo_guo 收录专栏&#xff1a;C干货专栏 前言 本篇是介绍数组指针与指针数组的概念&#xff0c;用处&#xff0c;操作以及练习的。点赞破五十&#xff0c;更新下一期。 文章目录 1.数组指针 1.1数组指针的概念 1.2数组指针的用处 1.3数组指针的操…...

C++有关内存的那些事

个人主页&#xff1a;PingdiGuo_guo 收录转栏&#xff1a;C干货专栏 前言 本篇博客是讲解关于C内存的一些知识点的。 文章目录 前言 1.内存函数 1.1memcpy函数 1.2memmove函数 1.3 memset函数 2.各数据类型占用 2.1bool类型 2.2char类型 2.3short、int、long类型及整数…...

4.11时钟延迟

时钟偏差&#xff1a;同一个时钟域内的时钟信号到达数字电路的各个部分&#xff08;寄存器&#xff09;所用的时间差异 信号达到目标寄存器与接收寄存器的时间差【一般默认信号经过电路时间不计&#xff0c;】 图源&#xff1a;优化时钟网络之时钟偏移-CSDN博客 时钟周期是计…...

下列软件包有未满足的依赖关系: python3-catkin-pkg : 冲突: catkin 但是 0.8.10-

下列软件包有未满足的依赖关系: python3-catkin-pkg : 冲突: catkin 但是 0.8.10- 解决&#xff1a; 1. 确认当前的包状态 首先&#xff0c;运行以下命令来查看当前安装的catkin和python3-catkin-pkg版本&#xff0c;以及它们之间的依赖关系&#xff1a; dpkg -l | grep ca…...

ANSI C 和 C89/C90

在嵌入式开发中提到的 ANSI 通常是指 ANSI C 标准&#xff0c;而 C89 是该标准的另一个名称。以下是详细的解释和两者的关系&#xff1a; 1. ANSI C 是什么&#xff1f; ANSI&#xff08;American National Standards Institute&#xff0c;美国国家标准协会&#xff09;在 19…...

git仓库中.git文件夹过大的问题

由于git仓库中存放了较大的文件&#xff0c;之后即使在gitignore中添加&#xff0c;也不会导致.git文件夹变小。 参考1 2 通过 du -d 1 -h查看文件大小 使用 git rev-list --objects --all | grep "$(git verify-pack -v .git/objects/pack/*.idx | sort -k 3 -n | tail…...

【android bluetooth 框架分析 01】【关键线程 6】【主线程与核心子线程协作机制】

主线程与核心子线程的协作机制 一、蓝牙进程中的线程架构全景图 在Android蓝牙协议栈中&#xff0c;线程分工非常明确&#xff0c;形成了一个高效的协作体系。我们可以将其想象成一个医院的组织架构&#xff1a; 主线程&#xff1a;相当于医院的"前台接待处"&#…...

蓝桥杯比赛 python程序设计——神奇闹钟

问题描述 小蓝发现了一个神奇的闹钟&#xff0c;从纪元时间&#xff08;19701970 年 11 月 11 日 00&#xff1a;00&#xff1a;0000&#xff1a;00&#xff1a;00&#xff09;开始&#xff0c;每经过 xx 分钟&#xff0c;这个闹钟便会触发一次闹铃 (纪元时间也会响铃)。这引起…...

旋转位置编码

旋转位置编码&#xff08;Rotary Position Embedding&#xff0c;RoPE&#xff09;: 一种能够将相对位置信息依赖集成到 self-attention 中并提升 transformer 架构性能的位置编码方式。 和相对位置编码相比&#xff0c;RoPE 具有更好的外推性&#xff0c;目前是大模型相对位…...

2025年第十八届“认证杯”数学中国数学建模网络挑战赛【B题】完整版+代码+结果

2025年第十八届“认证杯”数学中国数学建模网络挑战赛B题完整word论文代码结果https://download.csdn.net/download/qq_52590045/90592749↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓…...

管理、切换多个 hosts工具之SwitchHosts

管理、切换多个 hosts工具之SwitchHosts 官网&#xff1a;https://switchhosts.vercel.app/zh github: https://github.com/oldj/SwitchHosts 原作者博客&#xff1a;https://oldj.net/article/2015/12/20/switchhosts-v3/ SwitchHosts是一个用于管理hosts文件的应用程序&…...

【Reinforcement Learning For Quadruped Control】2

奖励函数。奖励函数是状态和动作的函数 r t ( s t , a t , s t 1 ) r_t(s_t, a_t, s_{t1}) rt​(st​,at​,st1​)&#xff0c;是强化学习&#xff08;RL&#xff09;算法的驱动力。在四足机器人等复杂系统的背景下&#xff0c;奖励可能是速度偏差与期望速度的差异、关节扭矩值…...

Windows启动总是卡在LOGO画面有哪些原因

1. 硬件问题 硬盘故障&#xff08;HDD/SSD&#xff09;&#xff1a;坏道、损坏或接口松动。 内存故障&#xff1a;内存条接触不良或损坏。 外设冲突&#xff1a;U盘、移动硬盘、打印机等外接设备导致系统无法正常启动。 2. 系统文件损坏 Windows 关键文件丢失或损坏&#x…...

4月11日随笔

本来以为大风会很厉害&#xff0c;本来今天早八的微积分不想去了。但是起床发现并没有很大的风&#xff0c;还是去了。 中午回来的路上突然变天&#xff0c;雷阵雨转冰雹。下了大概半小时&#xff0c;所幸挨淋的不是很严重。 中午打了首胜&#xff0c;AI的基本弄完了&#xf…...

蓝桥杯 — — 接龙数列

蓝桥杯 — — 接龙数列 接龙数列 题源&#xff1a;0接龙数列 - 蓝桥云课 题目&#xff1a; 输入样例&#xff1a; 5 11 121 22 12 2023输出样例&#xff1a; 1分析&#xff1a; 首先观察评测用例规模&#xff0c; N N N 最大为 1 0 5 10^5 105&#xff0c;因此时间复杂度应…...

链式多分支规则树模型的应用

目录 引入 开始调用 初始化 执行流程 欢迎关注我的博客&#xff01;26届java选手&#xff0c;一起加油&#x1f498;&#x1f4a6;&#x1f468;‍&#x1f393;&#x1f604;&#x1f602; 引入 最近在学习一个项目中的链式多分枝规则树模型的使用&#xff0c;模型如下&#…...

【后端开发】初识Spring IoC与SpringDI、图书管理系统

文章目录 图书管理系统用户登录需求分析接口定义前端页面代码服务器代码 图书列表展示需求分析接口定义前端页面部分代码服务器代码Controller层service层Dao层modle层 Spring IoC定义传统程序开发解决方案IoC优势 Spring DIIoC &DI使用主要注解 Spring IoC详解bean的存储五…...

VMware虚拟机Ubuntu磁盘扩容

VMware中操作&#xff1a; 选择要扩容的虚拟机&#xff0c;点击编辑虚拟机设置 打开后点击磁盘——>点击扩展&#xff08;注意&#xff1a;如果想要扩容的话需要删除快照&#xff09; 调整到你想要的容量 点击上图的扩展——>确定 然后我们进到虚拟机里面 首先&#…...

嵌入式MCU常用模块

日后填坑。 无线通信模块 NRF24L01 基本介绍 使用方法 示例代码 蓝牙模块 基本介绍 使用方法 示例代码 WIFI模块 基本介绍 使用方法 示例代码 红外遥控模块 基本介绍 使用方法 示例代码 有线通信模块 can模块 基本介绍 使用方法 示例代码 传感器模块 DHT11模块 基本介绍 使用方…...