当前位置：首页 > news >正文

2025认证杯一阶段各题需要使用的模型或算法（冲刺阶段）

news 来源：原创 2025/9/11 3:58:14

A题（小行星轨迹预测）

问题一：三角测量法、最小二乘法、空间几何算法、最优化方法

问题二：Gauss/Laplace轨道确定方法、差分校正法、数值积分算法（如Runge-Kutta法）、卡尔曼滤波器

B题（谣言在社交网络上的传播）

问题一：网络影响力最大化算法、独立级联模型/线性阈值模型、贪心算法、社区检测算法、中心性度量

问题二：随机影响力最大化算法、竞争性传播模型、蒙特卡洛模拟、多阶段决策过程、机器学习预测模型

C题（化工厂生产流程的预测和控制）

问题一：多元回归分析、支持向量回归、随机森林、梯度提升树、神经网络（MLP）

问题二：时间序列模型（ARIMA/VAR）、LSTM/GRU网络、时间卷积网络、分类算法

问题三：多步时间序列预测、生存分析模型、概率预测模型、集成学习方法

难度分析排序

A题（小行星轨迹预测）难度最高：涉及天文学专业知识、空间几何、轨道力学、天体运动方程等，对数学和物理基础要求高，需要处理复杂的三维空间运动和多体引力问题。

B题（谣言在社交网络上的传播）难度中等：需要理解网络科学理论、信息传播动力学，算法设计相对复杂，但概念较为直观，且已有较多相关研究可参考。

C题（化工厂生产流程的预测和控制）难度相对较低：主要应用数据分析、机器学习和时间序列预测技术，模型构建较为标准化，且有明确的数据集提供，问题定义清晰。

选题建议

如果团队成员具有较强的物理和天文学背景，可以考虑A题，如果擅长网络分析和算法设计，可以选择B题，如果擅长数据分析和机器学习，C题是较好的选择

对于大多数参赛团队，C题可能是最佳入手点，问题定义明确，数据已提供，可以直接应用数据科学方法，且有三个递进问题可以逐步深入

选题:C>A>B，更新A、B、C论文和代码！！！

A题分析

这道题目围绕小行星轨迹预测展开，具有明显的天文学应用背景。题目要求建立数学模型解决两个关键问题：确定小行星与地球的相对距离，以及预测小行星的短期轨道。这是一个综合性问题，涉及天文观测、空间几何、轨道力学和数据处理等多个方面。问题的难点在于如何利用有限的观测数据（方位角和高度角）重建三维空间中的轨道，并考虑各种影响因素做出准确预测。解决这类问题需要结合物理模型与数值计算方法，可能还需考虑观测误差和不确定性的处理。示例小行星2024 YR4提供了一个实际案例，可从MPC官网或太阳系小天体轨道与观测仿真平台获取相关数据。

问题一分析：确定小行星与地球的相对距离

问题一要求根据多个地面天文台站同时观测到的小行星方位角和高度角，确定该小行星与地球的相对距离。这本质上是一个空间定位问题，可以通过三角测量原理来解决。首先需要理解观测数据的本质：方位角表示目标相对于北方的水平角度，高度角表示目标相对于地平线的垂直角度。当多个观测站同时观测同一目标时，每个观测站与目标之间形成了一条视线。理论上，这些视线应当在空间中交于一点，即小行星的实际位置。然而，由于观测误差，这些视线可能不会精确相交，需要采用最小二乘法等最优化方法找到最佳估计点。

解决这个问题的思路是首先建立地球坐标系，将各观测站的地理位置转换为三维直角坐标。然后利用每个观测站记录的方位角和高度角，推导出指向小行星的单位向量。这样，从每个观测站到小行星的路径可以表示为参数方程，问题转化为求解这些参数方程的最佳交点。可以构建一个目标函数，比如各视线之间的距离平方和，通过最小化这个函数来确定小行星的空间位置。最后，计算这个位置与地球中心的距离，即可得到小行星与地球的相对距离。考虑到观测数据存在误差，还可以通过置信区间分析给出距离估计的不确定性范围。

问题二分析：短期轨道预测

问题二要求基于多次观测数据，预测小行星未来15或30天内的轨道，具体表现为预测各观测站在特定时刻能观测到的方位角和高度角。这是一个轨道确定和预测问题，需要结合天体力学与数值方法。解决这个问题的关键在于通过有限的观测数据，拟合出小行星的轨道参数，然后应用轨道力学定律进行预测。轨道确定通常采用初步轨道确定(IOD)和轨道改进两个步骤，前者获得轨道的初步估计，后者通过迭代优化提高精度。

针对这个问题，可以先使用经典的轨道确定方法，如Gauss方法或Laplace方法，从至少三次观测数据中确定初步轨道参数（如轨道六要素）。然后，利用更多观测数据，采用差分校正法进行轨道改进，最小化预测位置与观测位置之间的差异。确定轨道后，通过数值积分方法（如Runge-Kutta法）求解开普勒运动方程，预测未来特定时刻小行星的空间位置。最后，将预测位置转换为各观测站的方位角和高度角。

在实际操作中，需要考虑许多因素：太阳、地球、月球和其他大行星的引力扰动，太阳辐射压力，相对论效应等。为了简化模型，短期预测可能只考虑主要影响因素。还需注意处理观测数据中的系统误差和随机误差，可能采用卡尔曼滤波等技术来提高预测精度。同时，提供预测结果的不确定性分析也很重要，可以帮助评估预测的可靠性。

B题分析

本题聚焦于社交网络中谣言传播的控制问题，属于网络科学与信息传播领域的典型应用。题目关注如何通过有限资源（澄清信息的投放）来最大程度地减少谣言的负面影响。研究背景具有很强的现实意义，因为在当今社交媒体时代，虚假信息的快速传播已成为一个严峻挑战。题目假设平台已知用户间的关注关系网络和谣言当前传播状况，需要在此基础上设计最优干预策略。第一阶段围绕两种不同的澄清信息投放机制展开：一种是选定用户在转发谣言时自动附带澄清信息，另一种是直接请用户主动发布澄清信息。两个子问题的核心都是如何在有限资源约束下（最多选择m个用户）选择最优的用户集合，以最大化遏制谣言传播的效果。解决这类问题需要结合图论、传播动力学、优化理论等多学科知识。

问题一分析：自动附带澄清信息的用户选择策略

问题一要求在用户转发谣言时自动附带澄清信息的机制下，选择最优的m个用户以最大化遏制谣言传播的效果。这本质上是一个网络影响力最大化问题的变体，但与传统影响力最大化不同的是，我们不是要促进而是抑制信息传播。首先需要构建社交网络模型，可以将用户视为节点，关注关系视为有向边，形成一个有向图结构。然后需要设计谣言传播的动力学模型，经典的选择包括独立级联模型（Independent Cascade Model）、线性阈值模型（Linear Threshold Model）或SIR/SIS等流行病传播模型的变体，这些模型可以模拟谣言如何在网络中从一个用户传播到另一个用户。

在确定了网络结构和传播模型后，问题转化为如何选择m个节点使得附带澄清信息后能最大程度地减少谣言的整体影响。这里可以定义一个影响函数来量化谣言的传播范围或强度，例如最终接收到谣言的用户数量、谣言的存活时间或累积影响强度等。由于这类问题通常是NP-hard的，可以采用贪心算法和启发式算法来寻找近似最优解。贪心算法的思路是每次选择能带来最大边际收益的节点，即选择能使谣言影响减少最多的用户。这种方法在影响函数满足子模性（即边际收益递减）的条件下有良好的性能保证。

此外，还需要考虑用户的特性和网络的拓扑结构。中心性指标如度中心性、中介中心性、特征向量中心性等可以帮助识别网络中的关键节点。高中心性的节点通常对信息传播有更大的影响力。同时，社区结构也是一个重要因素，在不同社区中选择代表性节点可能比仅关注全局中心节点更有效。在实际操作中，可能需要结合多种因素，如用户的影响力、活跃度、社区归属、历史转发行为等，构建一个综合评分机制，以优化澄清信息的投放效果。模拟实验可以帮助验证不同策略的效果，并根据实验结果调整模型参数和选择策略。

问题二分析：主动发布澄清信息的用户选择策略

问题二考虑了一种不同的澄清信息投放机制：平台选择用户主动发布澄清信息，而用户可以选择接受或拒绝。这种机制增加了一层不确定性，因为平台需要考虑用户是否愿意配合的问题。首先需要建立用户接受请求概率的模型，这可能与用户的多种特性相关，如用户的社会责任感、对平台的忠诚度、对谣言主题的态度、历史合作行为等。可以使用机器学习方法如逻辑回归或决策树等基于历史数据预测用户的接受概率，或者基于问卷调查和专家经验构建概率估计模型。

在考虑用户接受概率的基础上，问题转化为一个随机影响力最大化问题。不同于问题一中确定性的选择，这里需要考虑随机因素带来的期望影响。可以采用多阶段决策过程：首先根据预估的接受概率和潜在影响力对用户进行排序，选择一批潜在合作者；然后根据这些用户的实际响应情况，动态调整后续的选择策略。这种自适应策略可以更好地应对不确定性。另一种方法是使用蒙特卡洛模拟来评估不同选择策略的期望效果，通过大量模拟找出平均表现最好的选择方案。

除了用户的接受概率外，还需要考虑澄清信息的传播效果。主动发布的澄清信息与谣言是两条并行的信息流，它们在网络中的竞争传播形成了一个更复杂的动力学系统。可以使用多信息传播模型，如竞争性传播模型（Competitive Diffusion Model）或多状态传播模型来描述这一过程。用户接收到澄清信息后可能改变对谣言的态度或传播行为，这种转变可以通过状态转移概率来建模。此外，还需要考虑时间因素，谣言和澄清信息的发布时序会影响最终效果。早期干预通常比后期干预更有效，因此可能需要将用户选择与时间策略结合考虑。最终，可以通过计算机模拟对比不同策略的效果，并进行敏感性分析以检验模型的稳健性和参数的影响。

C题分析

本题聚焦于化工厂脱硫工艺流程的预测与控制问题，属于工业过程建模与控制领域。题目背景是化工厂生产流程中的参数监控与调控问题，涉及多变量、系统复杂、参数关联性强等特点。题目提供了脱硫工艺流程的测量数据，包括五种原料气体的输入数据，以及输出端二氧化硫和硫化氢两种污染物的浓度值。问题核心是建立数学模型，实现对输出参数的预测和对不合格产品的预警。这类问题在实际工业生产中具有重要意义，能够通过较少的测量点实现对整个反应系统的理解和控制，降低生产成本，提高产品质量。题目分为三个递进的子问题：即时预测输出数据、预测未来一段时间内是否出现不合格产品，以及精确预测不合格事件发生的时间。解决这些问题需要结合数据挖掘、时间序列分析、机器学习等方法，构建输入与输出之间的关系模型。

问题一分析：根据输入数据预测当前输出数据

问题一要求建立数学模型，根据从开始到时刻t的输入数据，预测同一时刻t的输出数据（二氧化硫和硫化氢的浓度），且不考虑反应过程造成的延时。这实质上是一个多输入多输出（MIMO）系统的建模问题，我们需要找出输入气体流量与输出污染物浓度之间的映射关系。由于化工过程通常具有非线性特性，并且涉及复杂的化学反应机理，因此纯粹基于机理的白盒模型难以构建。相比之下，数据驱动的黑盒或灰盒模型更为适合，可以直接从历史数据中学习输入与输出之间的关系，而无需详细了解底层的化学反应过程。

针对这个问题，可以考虑多种机器学习模型。线性回归模型是最简单的选择，它假设输出与输入之间存在线性关系，但在处理复杂的化工过程时可能过于简化。支持向量回归（SVR）具有良好的泛化能力，能够处理高维特征空间。随机森林和梯度提升树等集成学习方法能够自动捕捉特征之间的非线性关系和交互作用，对于化工过程建模特别有效。神经网络模型如多层感知机（MLP）、循环神经网络（RNN）等则可以学习更复杂的非线性关系。考虑到本题中输入和输出之间可能存在复杂的化学反应关系，非线性模型可能比线性模型更为适合。

问题二分析：预测未来是否出现不合格产品

问题二要求基于从开始到时刻t的输入和输出数据，预测在t+10到t+70时间单位内是否会出现不合格产品（即二氧化硫浓度超过阈值k1或硫化氢浓度超过阈值k2）。这本质上是一个时间序列预测与分类问题的结合。与问题一不同，这里需要进行时间跨度较长的预测，且关注的是一个二分类结果（合格或不合格），而不是具体的数值预测。解决这个问题需要考虑时间序列的动态特性，包括趋势、季节性、周期性和自相关性等。

时间序列预测模型是解决这类问题的基础。传统的时间序列模型如自回归移动平均模型（ARIMA）、向量自回归模型（VAR）可以捕捉时间序列的线性依赖关系。对于复杂的非线性时间序列，长短期记忆网络（LSTM）、门控循环单元（GRU）等递归神经网络模型具有更强的表达能力，能够学习长期依赖关系。此外，时间卷积网络（TCN）和Transformer模型在时间序列预测中也表现出色。考虑到需要预测较长时间内的情况，滚动预测（递归预测）或直接预测策略都是可行的选择。滚动预测逐步向前推进，但可能导致误差累积；直接预测则一次性预测未来所有时间点，但可能缺乏连续性。

在确定阈值k1和k2时，需要平衡预测正确率和阈值的低值性两个目标。可以采用接收者操作特性曲线（ROC）或精确率-召回率曲线分析不同阈值下的模型性能。模型评估不仅要考虑整体准确率，还需关注特定类别（尤其是不合格类）的识别能力，因为在工业生产中，漏检比误检造成的损失更大。F1分数、精确率、召回率等指标比单纯的准确率更能全面反映模型性能。此外，可以尝试集成多个基础模型的预测结果，如软投票或堆叠集成，以提高预测的稳健性。考虑到工业生产的安全性要求，模型可能需要倾向于更保守的预测，即宁可误报也不漏报，这可以通过调整分类阈值或损失函数的权重来实现。

问题三分析：精确预测不合格事件发生的时间

问题三在问题二的基础上，进一步要求精确预测不合格事件发生的具体时间。这是一个更具挑战性的问题，因为它不仅要求判断未来一段时间内是否会出现不合格情况，还需要精确定位不合格的发生时间。这类问题在实际生产中具有重要价值，准确的时间预测可以帮助工厂提前采取针对性措施，避免不合格产品的产生，优化生产计划和资源分配。解决这个问题需要更精细的时间序列建模和预测技术，以及对预测结果的不确定性进行量化。

一种解决思路是先预测未来每个时间点的污染物浓度值，然后确定第一个超过阈值的时间点。这种方法的优点是直观明确，缺点是可能受到单点预测误差的影响。可以采用前面提到的时间序列预测模型，如LSTM、GRU等进行连续的多步预测。为了提高预测的准确性，可以考虑多模型融合或集成学习方法，如模型平均、堆叠集成等。另一种思路是将问题转化为生存分析（Survival Analysis）问题，预测特定事件（不合格）首次发生的时间。Cox比例风险模型、生存树、随机生存森林等生存分析模型可以用于解决这类问题。

完整版本：

# 问题一：随机森林回归from sklearn.ensemble import RandomForestRegressormodel_rf = RandomForestRegressor()model_rf.fit(X_train, y_train)# 问题二：LSTM时间序列预测from tensorflow.keras.models import Sequentialmodel_lstm = Sequential()model_lstm.add(LSTM(50, input_shape=(window_size, n_features)))model_lstm.add(Dense(60 * 2))  # 预测60步，每步两个浓度# 问题三：时间点预测def predict_event_time(predictions, k1, k2):    for i, (so2, h2s) in enumerate(predictions):        if so2 > k1 or h2s > k2:            return i + 10  # t+10为起始点    return None

↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓

2025认证杯一阶段各题需要使用的模型或算法（冲刺阶段）

A题（小行星轨迹预测） 问题一：三角测量法、最小二乘法、空间几何算法、最优化方法问题二：Gauss/Laplace轨道确定方法、差分校正法、数值积分算法（如Runge-Kutta法）、卡尔曼滤波器 B题（谣言在…...

编程日记 2025/9/11 3:58:14

每天学一个 Linux 命令（13）：touch

Linux 文件管理命令：touch touch 是 Linux 中一个简单但高频使用的命令，主要用于创建空文件或修改文件的时间戳（访问时间、修改时间）。它是文件管理和脚本操作的实用工具。 1. 命令作用创建空文件：快速生成一个或多个空白文件。更新时间戳：修改文件的访问时间（Access …...

编程日记 2025/9/8 0:21:06

Flutter常用组件实践

Flutter常用组件实践 1、MaterialApp 和 Center（组件居中)2、Scaffold3、Container（容器）4、BoxDecoration（装饰器）5、Column（纵向布局）及Icon（图标）6、Column/Row（横向/横向布局）+CloseButton/BackButton/IconButton（简单按钮）7、Expanded和Flexible8、Stack和Po…...

编程日记 2025/9/7 19:24:57

Python 实现最小插件框架

文章目录 Python 实现最小插件框架1. 基础实现项目结构plugin_base.py - 插件基类plugins/hello.py - 示例插件1plugins/goodbye.py - 示例插件2main.py - 主程序 2. 更高级的特性扩展2.1 插件配置支持2.2 插件依赖管理2.3 插件热加载 3. 使用 setuptools 的入口点发现插件3.1 …...

编程日记 2025/9/4 9:11:26

AUTOSAR_SWS_MemoryDriver图解

AUTOSAR 存储驱动程序（Memory Driver）详解 AUTOSAR存储驱动规范 - 技术解析与架构详解目录 1. 概述2. Memory Driver架构设计 2.1 整体架构 3. Memory Driver核心组件4. 作业管理5. Memory Driver错误处理6. 时序流程7. 配置与设置8. 总结 1. 概述 A…...

编程日记 2025/9/11 3:51:16

AI结合VBA提升EXCEL办公效率尝试

文章目录前言一、开始VBA编程二、主要代码三、添加到所有EXCEL四、运行效果五、AI扩展前言 EXCEL右击菜单添加一个选项，点击执行自己逻辑的功能。然后让DeepSeek帮我把我的想法生成VBA代码一、开始VBA编程我的excel主菜单没有’开发工具‘ 选项，…...

编程日记 2025/9/8 8:33:19

Python中NumPy的索引和切片

在数据科学和科学计算领域，NumPy是一个功能强大且广泛使用的Python库。它提供了高效的多维数组对象以及丰富的数组操作函数，其中索引和切片是NumPy的核心功能之一。通过灵活运用索引和切片操作，我们可以轻松访问和操作数组中的元素&#xff0…...

编程日记 2025/9/11 3:55:57

普通通话CSFB方式（2g/3g）

一、CSFB的触发条件当模块（或手机）驻留在 4G LTE网络时，若发生以下事件，会触发CSFB流程： 主叫场景：用户主动拨打电话。被叫场景：接收到来电（MT Call）。紧急呼叫&…...

编程日记 2025/9/11 1:13:42

daily routines 日常生活

总结 🛏 起床相关（Waking Up）动作常用表达示例句子醒来wake upI usually wake up around 6:30.起床（离床）get up / get out of bedI got out of bed at 6:45.赖床stay in bed / lay thereI stayed in bed for another 10 minutes.关闭闹钟turn off the alarm / hit snoo…...

编程日记 2025/9/11 3:55:56

系分论文《论面向服务开发方法在设备租赁行业的应用》

系统分析师论文系列【摘要】 2022年5月，我司承接某工程机械租赁企业"智能租赁运营管理平台"建设项目，我作为系统分析师主导系统架构设计。该项目需整合8大类2000余台设备资产，覆盖全国15个区域运营中心与300家代理商，实…...

编程日记 2025/9/11 3:58:14

深度解析python生成器和关键字yield

一、生成器概述生成器（Generator）是Python中用于创建迭代器的工具，通过yield关键字实现。与普通函数不同，生成器函数返回的是迭代器对象，具有以下核心特性： 内存效率：只在需要时生成值&#x…...

编程日记 2025/9/9 22:59:52

蓝桥杯大模板

init.c void System_Init() {P0 0x00; //关闭蜂鸣器和继电器P2 P2 & 0x1f | 0xa0;P2 & 0x1f;P0 0x00; //关闭LEDP2 P2 & 0x1f | 0x80;P2 & 0x1f; } led.c #include <LED.H>idata unsigned char temp_1 0x00; idata unsigned char temp_old…...

编程日记 2025/9/11 3:58:12

Python装饰器的基本使用详解

各类资料学习下载合集 https://pan.quark.cn/s/8c91ccb5a474 装饰器是Python中的一个强大且灵活的特性，它允许我们在不修改函数代码的情况下为其添加额外功能。装饰器广泛应用于日志记录、性能测试、权限验证等场景。本文将详细介绍装饰器的基本使用&…...

编程日记 2025/9/11 3:58:13

5Why分析法

1. 基本概念 5Why分析法是一种通过连续追问"为什么"来探究问题根本原因的思考工具，由丰田生产方式创始人丰田喜一郎提出。其核心思想是：通过至少5次连续的"为什么"追问，穿透表面现象，直达问题本质。 2. 实施…...

编程日记 2025/9/8 13:41:36

AI Agent入门指南

图片来源网络 ‌一、开箱暴击：你以为的"智障音箱"，其实是赛博世界的007‌ ‌1.1 从人工智障到智能叛逃：Agent进化史堪比《甄嬛传》‌ ‌青铜时代（2006-2015）‌ “小娜同学，关灯” “抱歉&…...

编程日记 2025/9/10 4:21:06

华为机试—最大最小路

题目对于给定的无向无根树，第 i 个节点上有一个权值 wi 。我们定义一条简单路径是好的，当且仅当：路径上的点的点权最小值小于等于 a ，路径上的点的点权最大值大于等于 b 。保证给定的 a<b，你需要计算有多少条简…...

编程日记 2025/9/11 0:38:32

java之多线程

目录创建多线程的三种创建方式常用的成员方法守护线程多线程的声明周期编辑同步代码块编辑同步方法死锁等待唤醒机制（线程协调） 线程池创建多线程的三种创建方式继承 Thread 类通过继承 Thread 类并重写 run() 方法创建线程。 …...

编程日记 2025/9/5 11:46:00

php伪协议

PHP 伪协议（PHP Stream Wrapper） PHP 的伪协议（Protocol Wrapper）是一种机制，允许开发者通过统一的文件访问函数（如 file_get_contents、fopen、include 等）访问不同类型的数据源，包…...

编程日记 2025/9/4 10:41:22

六、测试分类

设计测试用例万能公式：功能测试性能测试界面测试兼容性测试安全性测试易用性测试弱网测试：fiddler上行速率和下行速率安装卸载测试在工作中： 1.基于需求文档来设计测试用例（粗粒度） 输入字段长度为6~15位功…...

编程日记 2025/9/4 10:43:23

【AM2634】启动和调试

目录【AM2634】启动和调试1. 上电流程1.1 BootFlow and Bootloader1.2 Rom Code1.2.1 功能介绍1.2.2 模式选择1.2.2.1 QSPI Boot1.2.2.2 UART Boot1.2.2.3 Dev Boot 1.3 SBL1.3.1 文件构成1.3.2 文件构建1.3.3 appimage解析和core启动流程 1.4 Appimage1.4.1 RPRC文件构成1.4.…...

编程日记 2025/9/10 22:43:32

鲁大师绿色版,纯净无广告

鲁大师是我们常用的硬件跑分软件,可以非常准确的识别电脑硬件,对电脑性能进行评估但他的流氓行为:广告弹窗,捆绑下载其他软件,疯狂的吃硬件性能,无法卸载等因素，又使我们大家既享用又不敢用我为大家整理了一款纯净的绿色版鲁大师主要实现了以下功能: 01屏蔽了…...

编程日记 2025/9/8 6:19:28

Python数组（array）学习之旅：数据结构的奇妙冒险

Python数组学习之旅：数据结构的奇妙冒险第一天：初识数组的惊喜阳光透过窗帘缝隙洒进李明的房间，照亮了他桌上摊开的笔记本和笔记本电脑。作为一名刚刚转行的金融分析师，李明已经坚持学习Python编程一个月了。他的眼睛因为昨晚熬夜编程而微微发红，但脸上却挂着期待的微…...

编程日记 2025/9/4 10:51:35

spring cloud微服务API网关详解及各种解决方案详解

微服务API网关详解 1. 核心概念定义：API网关作为微服务的统一入口，负责请求路由、认证、限流、监控等功能，简化客户端与后端服务的交互。核心功能： 路由与转发：将请求分发到对应服务。协议转换：HTTP/HTTP…...

编程日记 2025/9/9 14:00:05

工程师 - 场效应管分类

What Are the Different Types of FETs? Pulse Octopart Staff Jul 31, 2021 Field effect transistors (FETs) are today’s workhorses for digital logic, but they enjoy plenty of applications outside of digital integrated circuits, everything from motor driver…...

编程日记 2025/9/9 4:08:59

asm汇编源代码之按键处理相关函数

提供5个子程序: 1. 发送按键 sendkey 2. 检测是否有按键 testkey 3. 读取按键 getkey 4. 判断键盘缓冲区是否为空 bufempty 5. 判断键盘缓冲区是否已满 buffull 具体功能及参数描述如下 sendkey proc　　far ;　axcharcode testkey proc　　far ; out: ;　　　zf1　buff empt…...

编程日记 2025/9/7 19:53:41

程序化广告行业（78/89）：多因素交织下的行业剖析与展望

程序化广告行业（78/89）：多因素交织下的行业剖析与展望在程序化广告这片充满活力又不断变化的领域，持续学习和知识共享是我们紧跟潮流、实现突破的关键。一直以来，我都渴望能与大家一同探索这个行业的奥秘&#xff0c…...

编程日记 2025/9/10 0:38:19

如何使用MaxScript+dotNet在UI中显示图像？

在MaxScript中，你可以使用dotNetControl来显示图像。以下是一个简单的示例脚本，它创建一个UI窗口并在其中显示logo.jpg图像： rollout logoRollout "Logo Display" width:300 height:300 (dotNetControl logoPicture "System.Windows.Forms.PictureBox"…...

编程日记 2025/9/4 11:19:23

BitMap和RoaringBitmap：极致高效的大数据结构

目录 1、引言 2、BitMap：基础 2.1、核心原理 2.2、BitMap的优势 2.3、BitMap的局限性 3、RoaringBitmap：进化 3.1、分段策略 3.2、三种容器类型 3.2.1. ArrayContainer（数组容器） 3.2.2. BitMapContainer（位图容器） 3.2.3. RunContainer（行程容器） 3.3、行…...

编程日记 2025/9/4 11:35:58

Java高性能并发利器-VarHandle

1. 什么是 VarHandle？ VarHandle 是 Java 9 引入的类，用于对变量（对象字段、数组元素、静态变量等）进行低级别、高性能的原子操作（如 CAS、原子读写）。它是 java.util.concurrent.atomic 和 sun.misc.…...

编程日记 2025/9/10 6:03:57

关于读完《毛泽东选集》的一些思考迭代

看完毛选前四卷，从革命初期一直讲到抗战胜利，共75.8W字，花费67个小时读完。从1925年发表的“中国社会各阶级的分析”，跨越100年，通过67个小时向主席学习到： 实事求是从实践中来再到实践中去用辩证与发展…...

编程日记 2025/9/4 11:24:14

机器学习第一章

🧠 机器学习第一章一、什么是机器学习 (Machine Learning) 让计算机自己从数据中学习出规律，无需人手写规则输入: 特征 x输出: 标签 y学习目标: 学习出 f(x) 等价于 y 二、三大类型任务类型英文特点示例回归Regression输出是连续值房价预测分类Cla…...

编程日记 2025/9/4 11:26:31

LVS+Keepalived+DNS 高可用项目

项目架构主机规划主机IP角色软件lb-master172.25.250.105主备负载均衡器ipvsadm，keepalivedlb-backup172.25.250.106同时做web和dns调度ipvsadm，keepaliveddns-master172.25.250.107VIP：172.25.250.100binddns-slave172.25.250.108LVS DNS…...

编程日记 2025/9/8 10:56:37

app逆向专题三：adb工具的使用

app逆向专题三：adb工具的使用一、adb工具的配置二、adb工具的下载与安装一、adb工具的配置 adb它是一个通用命令行工具，它可以作为Android与PC端连接的一个桥梁，所以adb又成为Android调试桥，用户可以通过adb在电脑上对Android设…...

编程日记 2025/9/10 10:21:55

CAD导入arcgis中保持面积不变的方法

1、加载CAD数据，选择面数据，如下： 2、加载进来后，右键导出数据，导出成面shp数据，如下： 3、选择存储路径，导出面后计算面积，如下： 4、与CAD中的闭合线面积核对…...

编程日记 2025/9/4 11:28:54

提示词 (Prompt)

引言在生成式 AI 应用中，Prompt（提示）是与大型语言模型（LLM）交互的核心输入格式。Prompt 的设计不仅决定了模型理解任务的准确度，还直接影响生成结果的风格、长度、结构与可控性。随着模型能力和应用场景…...

编程日记 2025/9/8 1:28:06

并查集(Java模板及优化点解析)

并查集一、核心思想并查集（Union-Find）是一种处理不相交集合合并与查询的高效数据结构，核心功能包括： 合并（Union）：将两个不相交集合合并为一个集合。查询（Find）&am…...

编程日记 2025/9/10 19:59:54

本地部署大模型（ollama模式）

分享记录一下本地部署大模型步骤。大模型应用部署可以选择 ollama 或者 LM Studio。本文介绍ollama本地部署 ollama官网为：https://ollama.com/ 进入官网，下载ollama。 ollama是一个模型管理工具和平台，它提供了很多国内外常见的模型&…...

编程日记 2025/9/8 9:23:46

【JavaEE】TCP流套接字编程

目录 API 1.Socket类(客户端) 2.ServerSocket类(服务端) 创建回显服务器-客户端服务器引入多线程服务器引入线程池解疑惑长短连接在Java中，TCP流套接字是基于TCP协议实现的网络通信方式，提供面向连接、可靠、有序的双向字节流传输。 API T…...

编程日记 2025/9/7 6:12:54

SQL问题分析与诊断（8）——分析方法1

8.4. 方法 8.4.1. 分析Cost方法 8.4.1.1. 方法说明 SQL Server中，通过阅读和分析SQL语句的评估查询计划，才是现实SQL优化工作中经常被采用的方法。然而，与Oracle等关系库类似，我们对SQL语句的查询计划进行阅读和分析时，首先要做的就是对SQL语句的整个查询计划进行快速的…...

编程日记 2025/9/9 14:34:19

【深度学习基础】神经网络入门：从感知机到反向传播

摘要神经网络是深度学习的核心！本文将带你从零开始理解神经网络的基本原理，包括感知机模型、激活函数选择、反向传播算法等核心概念，并通过Python实现一个简单的全连接神经网络。文末提供《神经网络公式推导手册》和实战项目资源包&#xf…...

编程日记 2025/9/5 18:20:40

linux RCU技术

RCU（Read-Copy-Update）是Linux内核中的一种同步机制，用于在多核处理器环境中实现无锁读取和延迟更新。Linux RCU（Read-Copy-Update）技术通过一种高效的同步机制来处理并发冲突，确保在多核环境中读者和写者对…...

编程日记 2025/9/7 15:21:56

Hadoop文件操作指南：深入解析文件操作

1 Hadoop文件系统概述 Hadoop分布式文件系统(HDFS)是Hadoop生态的核心存储组件，专为大规模数据集设计，具有高容错性和高吞吐量特性。 HDFS核心特性: 分布式存储：文件被分割成块(默认128MB)分布存储多副本机制：每个块默认3副本&…...

编程日记 2025/9/10 20:09:29

【AI论文】VCR-Bench：视频链式思考推理的综合评估框架

摘要：思想链（CoT）推理的进步显著增强了大型语言模型（LLMs）和大型视觉语言模型（LVLMs）的能力。然而，目前仍然缺乏一个严格的视频CoT推理评估框架。目前的视频基准测试无法充分评估推…...

编程日记 2025/9/4 7:20:44

激光雷达点云动态目标剔除算法

剔除点云地图中动态目标的方法可分为基于体素、基于视点可见性和基于深度学习的方法。基于体素的方法通过点云地图体素占用率或点云地图体素与单帧点云数据差异剔除动态目标。 OctoMap算法在使用单帧点云数据构建点云地图的过程中，不断更新体素占用率，直…...

编程日记 2025/9/10 10:22:23

第五篇：Python面向对象编程(OOP)深度教程

1. 类与对象 1.1 基本概念类是创建对象的蓝图，定义了对象的属性（数据）和方法（行为）。对象是类的实例化实体，每个对象拥有独立的属性值和共享的类方法示例：定义Dog类 class Dog:species = "Canis familiaris" …...

编程日记 2025/9/7 5:00:01

Java IO精讲：从传统IO到NIO的深度探索

一、Java IO概述 Java IO（Input/Output） 是Java处理输入输出的核心API，涵盖文件操作、网络通信等场景。其发展分为三个阶段： 传统IO (java.io)：基于流模型，阻塞式处理NIO (java.nio)：New IO&a…...

编程日记 2025/9/8 7:21:38

效率工具- git rebase 全解

一、前言对于git rebase 一直不太了解,这几天想着提高下git提交质量,就发现了这个好用的指令,顺便记录一下,好加深记忆贴出官方文档以便大家进一步学习 Git 二、rebase是作用 rebase 官方解释为变基,可以理解为移动你的分支根节点,维护一个更好的提交记录。rebase把你当前…...

编程日记 2025/9/8 8:36:34