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:
-
插入/删除任意位置字符(代价2)
-
替换字符(代价1)
-
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(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…...
网络流量管理-流(Flow)
1. 传统网络的问题:快递员送信模式 想象你每天要寄100封信给同一个朋友,传统网络的处理方式就像一个固执的快递员: 每封信都单独处理: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,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,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(例如,StockTV API),以便开发者能够轻松访问和处理这些…...
MySQL 面经
1、什么是 MySQL? MySQL 是一个开源的关系型数据库,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,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? 可以使用 DROP TABLE 来删除表,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,如下图所示。 客户端将作业提交给YARN的RM;YARN的RM启动Flink JobManager,并将作业提交给JobMaster;JobMaster向Flink内置的RM请求slots;Flink内置的RM向YARN RM请求…...
【AutoTest】自动化测试工具大全(Java)
😊 如果您觉得这篇文章有用 ✔️ 的话,请给博主一个一键三连 🚀🚀🚀 吧 (点赞 🧡、关注 💛、收藏 💚)!!!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,数据存储的需求日益增长,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,但其易失性限制了应用范围;而固态硬盘SSD虽然提供非易失性存储,但在速度上远不及DRAM。 为了解…...
【算法】快速排序
算法系列六: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(在最底层时) 3.2查验能实现基础结果(在最底层往上点时) 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🥏1.1 安装Python1.2 验证安装1.3 选择开发工具 二、Python基础语法📖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🌈3.1 条件语句3.2 循环结构 四、Python数据结构🎋…...
机器学习中的数学(PartⅡ)——线性代数:2.1线性方程组
概述: 现实中很多问题都可被建模为线性方程组问题,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: 例子1: 一家公司有n个产品,分别是,生产上述产品需要m种原料,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,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:主类,用于构建文档树结构Tag: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,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,用户可轻松将心仪壁纸设为手机背景,并享受软件内置的编辑功能调整尺寸。每天更新,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: 🔌 1. 电子 / 硬件工程 🛠️ (1) 物理替代方案 🧲 跳线帽(Jumper)或短路块 👉 模拟开关“开/关”状态 ✅ 示例: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: set<int> num_set; st.contains(num); 在 C 中,!num_set.contains(num - 1) 这行代码通常用于检查一个集合(num_set)中是否不存在某个值(num - 1)。以下是对这行代码的详细解释:…...
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,核心价值体现在: 实现多继承能力:突破单继承限制,允许类实现多个接口规范系统解耦:制定通用标准,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: 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
📌 一、概念对比: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(仅 hash 变化)✅ 通过 HTML5 API 控制,不刷新原理window.…...
图像融合(Image Fusion)是什么
图像融合(Image Fusion)将来自相同类型传感器或成像方式的多幅图像(通常内容是一样的)进行融合,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: 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,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,请你求 N 的立方根是多少。 输入描述 第 1 行为一个整数 T,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≤105,0≤N≤105。 输出描述 输出共 T 行,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:PingdiGuo_guo 收录专栏:C干货专栏 前言 本篇是介绍数组指针与指针数组的概念,用处,操作以及练习的。点赞破五十,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:PingdiGuo_guo 收录转栏: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:同一个时钟域内的时钟信号到达数字电路的各个部分(寄存器)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,】 图源: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: 1. 确认当前的包状态 首先,运行以下命令来查看当前安装的catkin和python3-catkin-pkg版本,以及它们之间的依赖关系: 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,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: 1. ANSI C 是什么? ANSI(American National Standards Institute,美国国家标准协会)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,之后即使在gitignore中添加,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,线程分工非常明确,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: 主线程: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,从纪元时间(19701970 年 11 月 11 日 00:00:0000:00:00)开始,每经过 xx 分钟,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(Rotary Position Embedding,RoPE): 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,RoPE 具有更好的外推性,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:https://switchhosts.vercel.app/zh github: https://github.com/oldj/SwitchHosts 原作者博客: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),是强化学习(RL)算法的驱动力。在四足机器人等复杂系统的背景下,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(HDD/SSD):坏道、损坏或接口松动。 内存故障:内存条接触不良或损坏。 外设冲突: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,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,还是去了。 中午回来的路上突然变天,雷阵雨转冰雹。下了大概半小时,所幸挨淋的不是很严重。 中午打了首胜,AI的基本弄完了…...
蓝桥杯 — — 接龙数列
蓝桥杯 — — 接龙数列 接龙数列 题源:0接龙数列 - 蓝桥云课 题目: 输入样例: 5 11 121 22 12 2023输出样例: 1分析: 首先观察评测用例规模, N N N 最大为 1 0 5 10^5 105,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!26届java选手,一起加油💘💦👨🎓😄😂 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,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: 选择要扩容的虚拟机,点击编辑虚拟机设置 打开后点击磁盘——>点击扩展(注意:如果想要扩容的话需要删除快照) 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…...