- 蚂蚁在觅食过程中通过释放信息素来引导同伴的行为,这种自然现象确实为蚂蚁算法(Ant Colony Optimization, ACO)的设计提供了灵感
Bol5261
engineering)ACO(AntColonyOptimization)Data(StructuresAlgorithms)算法
蚂蚁在觅食过程中通过释放信息素来引导同伴的行为,这种自然现象确实为蚂蚁算法(AntColonyOptimization,ACO)的设计提供了灵感。以下是关于蚂蚁算法的一些详细解释:蚂蚁算法的基本原理模拟蚂蚁的行为:每只蚂蚁在路径上移动时,会根据路径上的信息素浓度来选择下一步的移动方向。信息素浓度越高,选择该路径的概率越大。蚂蚁在找到食物后返回蚁巢时,会在路径上释放信息素,增强该路径的信息素浓度。随
- Gradient-Adaptive Policy Optimization:Towards Multi-Objective Alignment of Large Language Models
樱花的浪漫
大模型与智能体对抗生成网络与动作识别强化学习语言模型人工智能自然语言处理深度学习机器学习
2025.acl-long.549.pdfhttps://aclanthology.org/2025.acl-long.549.pdf1.概述大型语言模型(LLMs)(Anthropic,2023;OpenAI,2024)已经在广泛的实际应用中展示了显著的能力(Bubecketal.,2023),包括内容创作(Yuanetal.,2022)、编程辅助(Chenetal.,2021;Gaoetal.
- 【对比】群体智能优化算法 vs 贝叶斯优化
TIM老师
transformer深度学习人工智能
在机器学习、工程优化和科学计算中,优化算法的选择直接影响问题求解的效率与效果。群体智能优化算法(SwarmIntelligence,SI)和贝叶斯优化(BayesianOptimization,BO)是两种截然不同的优化范式,分别以不同的哲学和数学基础解决高维、非凸、多峰等问题。本文将从原理、特点到应用场景,深入解析两者的异同。一、基础概念1.群体智能优化算法群体智能算法受自然界生物群体行为启发(
- 生成式引擎优化(GEO):重构品牌价值传递的智能新范式
GEO优化助手
GEO优化AI搜索优化生成式引擎优化重构人工智能chatgpt搜索引擎GEO优化AI搜索
在人工智能大模型从简单对话工具进化为智能决策助手的时代背景下,信息获取的"最后一公里"正在经历根本性变革。用户不再满足于传统搜索结果列表,而是期望通过AI生成式回答直接获得精准答案。这种转变催生了生成式引擎优化(GenerativeEngineOptimization,GEO)这一全新学科,其核心在于通过语义适配、多模态内容优化和权威性建设,使品牌信息成为AI生成答案的优先引用源。一、GEO的技术
- 生成式引擎优化(GEO):重构 AI 时代的品牌流量入口
jz20092020
人工智能
一、GEO的核心价值与技术演进生成式引擎优化(GenerativeEngineOptimization,GEO)是应对AI搜索革命的核心策略,其目标是让品牌内容被ChatGPT、文心一言等生成式AI优先引用并整合到回答中。与传统SEO不同,GEO通过动态知识图谱、多模态内容适配、权威信号强化三大技术路径,实现从“链接排名”到“语义主权”的跨越。动态知识图谱的智能基座作用动态知识图谱通过实时整合企业
- 生成式引擎优化(GEO):重构搜索引擎优化的新范式
GEO优化助手
GEO优化AI搜索优化生成式引擎优化重构搜索引擎GEO优化AI搜索营销人工智能知识图谱生成式引擎优化
2025年,生成式AI的普及正在重塑信息获取方式。根据极光大数据《2024生成式AI使用趋势研究报告》,AI×搜索已成为用户最高频的刚需场景,62%的网民转向DeepSeek、文心一言等平台进行对话式查询。这种转变催生了全新的优化范式——生成式引擎优化(GenerativeEngineOptimization,GEO)。不同于传统SEO聚焦关键词排名,GEO的核心在于构建"AI可读性内容"。猛犸世
- PPO:强化学习中的近端策略优化——原理、演进与大规模应用实践
大千AI助手
人工智能Python#OTHER人工智能深度学习大模型算法PPO近端策略优化优化
近端策略优化(ProximalPolicyOptimization,PPO)是由OpenAI团队于2017年提出的策略梯度强化学习算法,通过裁剪概率比目标函数约束策略更新幅度,解决了传统策略梯度方法训练不稳定、易发散的核心问题。该算法兼具信赖域策略优化(TRPO)的稳定性与一阶优化的简洁性,已成为深度强化学习(DRL)和大语言模型对齐(RLHF)的事实标准算法。本文由「大千AI助手」原创发布,专注
- 生成式引擎优化(GEO):AI搜索引领信息检索的创新与变革
GEO优化助手
生成式引擎优化AI搜索优化GEO优化人工智能生成式引擎优化GEOSEO
生成式引擎优化(GEO):AI搜索引领信息检索的创新与变革引言:搜索范式的根本性跃迁在人工智能技术突破性发展的背景下,传统搜索引擎正经历着从"链接导航"到"认知建构"的质变。生成式引擎优化(GenerativeEngineOptimization,GEO)作为数字营销领域的新范式,标志着企业信息传播从被动展示到主动构建认知的转型。这种转变不仅重构了用户获取信息的路径,更深刻影响着品牌在AI时代的生
- 生成式引擎优化(GEO):AI搜索改写在线可见性规则,传统搜索时代或将终结
生成式引擎优化(GEO):AI搜索改写在线可见性规则,传统搜索时代或将终结一、GEO的核心机制与范式跃迁生成式引擎优化(GenerativeEngineOptimization,GEO)是AI搜索时代的新型内容优化策略,其本质是通过结构化数据、语义关联和权威性信号,提升品牌内容在生成式AI(如ChatGPT、DeepSeek、秘塔AI)答案中的引用优先级。与传统搜索引擎优化(SEO)相比,GEO实
- 一文了解前端的SEO
二倍速播放
vue.js前端面试
第一章:SEO是什么?SEO的全称是SearchEngineOptimization,中文叫“搜索引擎优化”。一句话解释:就是通过一系列技术和策略,让你的网站在Google、百度、Bing等搜索引擎里,获得更高的自然排名,从而吸引更多免费的、精准的用户来访问。一个生动的比喻:你的网站=一本书搜索引擎(比如Google)=一个超级图书馆的管理员(爬虫)用户搜索关键词=读者向管理员询问:“我想找一本关
- LLM指纹底层技术——模型压缩与优化
下面介绍一下“LLM指纹”一个决定性的环节——模型压缩与优化(ModelCompressionandOptimization)。“模型压缩与优化”是RLHF、解码策略、CKA等“指纹来源的”“万法归宗”之地。它是一个覆盖模型从“设计图纸”到“流水线生产”再到“日常运行”全生命周期的系统性工程。几乎每一个压缩或优化的决策,都会像基因突变一样,在模型的行为、结构和效率上打下深刻且独特的烙印,最终共同塑
- [论文阅读] 人工智能 + 软件工程 | LLM优化RTL代码:在时序逻辑面前栽了跟头?—— 一项基于变形策略的实证研究
张较瘦_
前沿技术论文阅读人工智能
LLM优化RTL代码:在时序逻辑面前栽了跟头?——一项基于变形策略的实证研究论文标题:RethinkingLLM-BasedRTLCodeOptimizationViaTimingLogicMetamorphosisarXiv:2507.16808[pdf,html,other]RethinkingLLM-BasedRTLCodeOptimizationViaTimingLogicMetamorp
- 深度学习超参数优化(HPO)终极指南:从入门到前沿
摘要:在深度学习的实践中,模型性能的好坏不仅取决于算法和数据,更在一半程度上取决于超参数的精妙设置。本文是一篇关于超参数优化(HyperparameterOptimization,HPO)的综合性指南,旨在带领读者从最基础的概念出发,系统性地梳理从经典到前沿的各类优化方法,并最终落地于实用策略和现代工具。无论您是初学者还是资深从业者,都能从中获得宝贵的见解。第一部分:夯实基础——HPO的核心概念1
- MySQL 中如何优化 DISTINCT 查询:基于 Java 的实践与应用
喵手
数据库mysqljava数据库
全文目录:开篇语前言摘要简介概述1.使用索引优化2.限制选择字段3.使用`GROUPBY`替代`DISTINCT`核心源码解读Java代码示例:优化`DISTINCT`查询代码说明案例分析案例一:数据去重优化应用场景演示场景一:日志数据去重场景二:用户信息检索优缺点分析优点缺点类代码方法介绍及演示MySQLDistinctOptimization类测试用例main函数测试用例测试结果预期测试代码分
- TCYB_双层优化问题下进化算法的高效建模方法
爱看论文的小小马喽
算法
EfficientSurrogateModelingMethodforEvolutionaryAlgorithmtoSolveBilevelOptimizationProblems作者:HaoJiang,KangChou,YeTian,XingyiZhang,SeniorMember,IEEE,andYaochuJin,Fellow,IEEE动机/要解决的问题:上层问题的解决取决于相应下层问题的最
- KTO(Kahneman-Tversky Optimization)技术详解与工程实现
DK_Allen
大模型深度学习pytorch人工智能KTO
KTO(Kahneman-TverskyOptimization)技术详解与工程实现一、KTO核心思想KTO是基于行为经济学前景理论(ProspectTheory)的偏好优化方法,突破传统偏好学习需要成对数据的限制,仅需单样本绝对标注(好/坏)即可优化模型。其创新性在于:损失函数设计:将人类对"收益"和"损失"的非对称心理反应量化数据效率:无需构建偏好对(y_w>y_l),直接利用松散标注二、KT
- 语言模型 RLHF 实践指南(一):策略网络、价值网络与 PPO 损失函数
在使用ProximalPolicyOptimization(PPO)对语言模型进行强化学习微调(如RLHF)时,大家经常会问:策略网络的动作概率是怎么来的?价值网络的得分是如何计算的?奖励从哪里来?损失函数怎么构建?微调后的旧轨迹还能用吗?这篇文章将以语言模型强化学习微调为例,结合实际实现和数学公式,深入解析PPO的关键计算流程。1️⃣策略网络:如何计算动作概率?策略网络πθ(a∣s)\pi_\t
- ffmpeg下编译tsan
泰勒朗斯
FFmpegffmpeg
如何在ffmpeg下编译tsan,如下配置:./configure\--prefix=/workspace/ffmpeg_gcu\--disable-stripping\--disable-optimizations\--disable-x86asm\--toolchain=gcc-tsan\--enable-pic\--enable-swscale\--enable-static\--enabl
- 粒子群算法的原理与实现示例
禺垣
人工智能算法粒子群算法群体智能优化算法
粒子群算法(ParticleSwarmOptimization,PSO)是一种基于群体智能的优化算法,由Kennedy和Eberhart于1995年提出,其灵感来源于鸟群觅食、鱼群游动等自然界中群体行为的协作与信息共享机制。该算法通过模拟群体中个体(粒子)的运动和信息交互,在解空间中搜索最优解,具有实现简单、收敛速度快、参数少等特点,被广泛应用于函数优化、神经网络训练、工程设计等领域。一、算法
- SIGMOD论文解读|在自下而上优化中添加布隆过滤器
Gauss松鼠会
技术交流数据库gaussdbdatabase
6月22日至27日,2025ACMSIGMOD/PODS国际学术会议在德国柏林举行。25日,华为多伦多分布式调度和数据引擎实验室主任工程师TimothyZeyl受邀出席,就入选的《IncludingBloomFiltersinBottom-upOptimization》论文进行了解读该论文创新性地首次提出了在自下而上的优化器的基于成本的优化过程中添加布隆过滤器(BloomFilter)的技术。该技
- 动手学深度学习13.7. 单发多框检测(SSD)-笔记&练习(PyTorch)
scdifsn
深度学习笔记pytorchssd单发多框检测(SSD)目标检测mAP评价
以下内容为结合李沐老师的课程和教材补充的学习笔记,以及对课后练习的一些思考,自留回顾,也供同学之人交流参考。本节课程地址:45SSD实现【动手学深度学习v2】_哔哩哔哩_bilibili本节教材地址:13.7.单发多框检测(SSD)—动手学深度学习2.0.0documentation本节开源代码:…>d2l-zh>pytorch>chapter_optimization>ssd.ipynb单发多框
- ESP32-S3驱动RGB屏幕显示飘移问题
为什么驱动RGBLCD屏幕时出现偏移(显示画面整体漂移)?原因PCLK设置过高,PSRAM带宽跟不上。Listitem受写flash操作影响,期间PSRAM被禁用。配置方面提高PSRAM和flash带宽,设置flash为QIO120M,PSRAM为Octal120M。开启CONFIG_COMPILER_OPTIMIZATION_PERF。降低data_cache_line_size到32Byte。
- CppCon 2018 学习:Return Value Optimization
什么是“返回槽”?在C++或其他编译型语言中,返回槽(ReturnSlot)是编译器在调用函数时为其返回值提前分配的一块内存空间。函数执行完成后,它会把计算出来的返回值写入这块区域,然后控制权返回给调用者,调用者再从这块区域读取结果。举个简单例子:intapple(){return42;}intpear(){return1+apple();//apple返回42,pear返回43}这段代码你觉得看
- Python实现蚁群算法
闲人编程
pythonpython算法开发语言蚁群
目录蚁群算法的基本原理蚁群算法的步骤Python实现蚁群算法解决TSP问题解释举例说明蚁群算法(AntColonyOptimization,ACO)是一种基于自然界蚂蚁觅食行为的仿生算法,最早由MarcoDorigo在1992年提出。它是一种用于解决组合优化问题的概率算法,特别适用于解决旅行商问题(TSP)、路径规划等问题。蚁群算法的基本原理蚂蚁在寻找食物的过程中会在路径上留下信息素(pherom
- python源码编译安装和常见问题解决
运维天坑笔记
python开发语言linux
python编译安装1、下载源码包wgethttps://www.python.org/ftp/python/3.9.10/Python-3.9.10.tgztar-zxfPython-3.9.10.tgzcdpython39/2、编译安装./configure--prefix=/usr/local/python39--enable-shared--enable-optimizationsmake
- HOW - 图像加载自动优化方案
@PHARAOH
javaspring前端
文章目录前言next/image自动优化的实现原理1.图像请求通过ImageOptimizationAPI拦截2.根据设备屏幕密度自动调整图像尺寸3.自动格式转换(WebP/AVIF)4.CDN缓存与重用(在Vercel上)5.LazyLoading&优化加载顺序总结:自动优化是如何做到的生成的HTMLsrc设置:w=750&q=75的含义为什么要调整尺寸w?1.响应式设计需求2.节省带宽,避免加
- 第14章 内容革命:GEO驱动下的官网智能内容架构重塑
白雪讲堂
人工智能大数据
第14章内容革命:GEO驱动下的官网智能内容架构重塑14.2官网GEO优化的实践路径:从“展示橱窗”到“AI信源”在生成式AI成为主流信息获取工具的今天,企业官网的战略地位迎来前所未有的重塑时刻。不再是被动展示信息的静态页面集合,官网正迅速演变为企业知识资产的外化平台,是AI信息整合器主动抓取和引用的核心信息源。GEO(GenerativeEngineOptimization,生成式引擎优化)应运
- 黑客入门 | 用ROP和shellcode攻击SolarWinds Serv-U SSH漏洞
廖致君
安全网络攻击模型
(备注:黑客Hacker并不等同于信息安全罪犯。)最近花了些时间学习bufferoverflow安全漏洞,做了大名鼎鼎的CSAPP课程里的attacklab,学到了return-orientedprogramming(ROP)这种让我大开眼界的进攻方式。于是想要趁热打铁,来详细研究一下现实世界中的黑客进攻案例。本篇文章挑选的是2021年SolarWindsServ-UFTP软件中的漏洞,记录编号C
- AI优化算法实战:使用粒子群优化求解复杂工程问题
AI学长带你学AI
ai
AI优化算法实战:使用粒子群优化求解复杂工程问题关键词:粒子群优化(PSO)、全局优化、工程问题、智能算法、参数调优摘要:本文以“鸟群觅食”为灵感来源,深入浅出地讲解粒子群优化(ParticleSwarmOptimization,PSO)算法的核心原理,并通过机械结构轻量化设计的实战案例,展示其在复杂工程问题中的应用。文章从算法起源到数学模型,从代码实现到工程落地,层层拆解技术细节,帮助读者快速掌
- 【行云流水a】淘天联合爱橙开源强化学习训练框架ROLL OpenRL/openrl PPO-for-Beginners: 从零开始实现强化学习算法PPO 强化学习框架verl 港大等开源GoT-R1
行云流水AI笔记
开源算法
以下是DQN(DeepQ-Network)和PPO(ProximalPolicyOptimization)的全面对比流程图及文字解析。两者是强化学习的核心算法,但在设计理念、适用场景和实现机制上有显著差异:graphTDA[对比维度]-->B[算法类型]A-->C[策略表示]A-->D[动作空间]A-->E[学习机制]A-->F[探索方式]A-->G[稳定性]A-->H[样本效率]A-->I[关键
- 戴尔笔记本win8系统改装win7系统
sophia天雪
win7戴尔改装系统win8
戴尔win8 系统改装win7 系统详述
第一步:使用U盘制作虚拟光驱:
1)下载安装UltraISO:注册码可以在网上搜索。
2)启动UltraISO,点击“文件”—》“打开”按钮,打开已经准备好的ISO镜像文
- BeanUtils.copyProperties使用笔记
bylijinnan
java
BeanUtils.copyProperties VS PropertyUtils.copyProperties
两者最大的区别是:
BeanUtils.copyProperties会进行类型转换,而PropertyUtils.copyProperties不会。
既然进行了类型转换,那BeanUtils.copyProperties的速度比不上PropertyUtils.copyProp
- MyEclipse中文乱码问题
0624chenhong
MyEclipse
一、设置新建常见文件的默认编码格式,也就是文件保存的格式。
在不对MyEclipse进行设置的时候,默认保存文件的编码,一般跟简体中文操作系统(如windows2000,windowsXP)的编码一致,即GBK。
在简体中文系统下,ANSI 编码代表 GBK编码;在日文操作系统下,ANSI 编码代表 JIS 编码。
Window-->Preferences-->General -
- 发送邮件
不懂事的小屁孩
send email
import org.apache.commons.mail.EmailAttachment;
import org.apache.commons.mail.EmailException;
import org.apache.commons.mail.HtmlEmail;
import org.apache.commons.mail.MultiPartEmail;
- 动画合集
换个号韩国红果果
htmlcss
动画 指一种样式变为另一种样式 keyframes应当始终定义0 100 过程
1 transition 制作鼠标滑过图片时的放大效果
css
.wrap{
width: 340px;height: 340px;
position: absolute;
top: 30%;
left: 20%;
overflow: hidden;
bor
- 网络最常见的攻击方式竟然是SQL注入
蓝儿唯美
sql注入
NTT研究表明,尽管SQL注入(SQLi)型攻击记录详尽且为人熟知,但目前网络应用程序仍然是SQLi攻击的重灾区。
信息安全和风险管理公司NTTCom Security发布的《2015全球智能威胁风险报告》表明,目前黑客攻击网络应用程序方式中最流行的,要数SQLi攻击。报告对去年发生的60亿攻击 行为进行分析,指出SQLi攻击是最常见的网络应用程序攻击方式。全球网络应用程序攻击中,SQLi攻击占
- java笔记2
a-john
java
类的封装:
1,java中,对象就是一个封装体。封装是把对象的属性和服务结合成一个独立的的单位。并尽可能隐藏对象的内部细节(尤其是私有数据)
2,目的:使对象以外的部分不能随意存取对象的内部数据(如属性),从而使软件错误能够局部化,减少差错和排错的难度。
3,简单来说,“隐藏属性、方法或实现细节的过程”称为——封装。
4,封装的特性:
4.1设置
- [Andengine]Error:can't creat bitmap form path “gfx/xxx.xxx”
aijuans
学习Android遇到的错误
最开始遇到这个错误是很早以前了,以前也没注意,只当是一个不理解的bug,因为所有的texture,textureregion都没有问题,但是就是提示错误。
昨天和美工要图片,本来是要背景透明的png格式,可是她却给了我一个jpg的。说明了之后她说没法改,因为没有png这个保存选项。
我就看了一下,和她要了psd的文件,还好我有一点
- 自己写的一个繁体到简体的转换程序
asialee
java转换繁体filter简体
今天调研一个任务,基于java的filter实现繁体到简体的转换,于是写了一个demo,给各位博友奉上,欢迎批评指正。
实现的思路是重载request的调取参数的几个方法,然后做下转换。
- android意图和意图监听器技术
百合不是茶
android显示意图隐式意图意图监听器
Intent是在activity之间传递数据;Intent的传递分为显示传递和隐式传递
显式意图:调用Intent.setComponent() 或 Intent.setClassName() 或 Intent.setClass()方法明确指定了组件名的Intent为显式意图,显式意图明确指定了Intent应该传递给哪个组件。
隐式意图;不指明调用的名称,根据设
- spring3中新增的@value注解
bijian1013
javaspring@Value
在spring 3.0中,可以通过使用@value,对一些如xxx.properties文件中的文件,进行键值对的注入,例子如下:
1.首先在applicationContext.xml中加入:
<beans xmlns="http://www.springframework.
- Jboss启用CXF日志
sunjing
logjbossCXF
1. 在standalone.xml配置文件中添加system-properties:
<system-properties> <property name="org.apache.cxf.logging.enabled" value=&
- 【Hadoop三】Centos7_x86_64部署Hadoop集群之编译Hadoop源代码
bit1129
centos
编译必需的软件
Firebugs3.0.0
Maven3.2.3
Ant
JDK1.7.0_67
protobuf-2.5.0
Hadoop 2.5.2源码包
Firebugs3.0.0
http://sourceforge.jp/projects/sfnet_findbug
- struts2验证框架的使用和扩展
白糖_
框架xmlbeanstruts正则表达式
struts2能够对前台提交的表单数据进行输入有效性校验,通常有两种方式:
1、在Action类中通过validatexx方法验证,这种方式很简单,在此不再赘述;
2、通过编写xx-validation.xml文件执行表单验证,当用户提交表单请求后,struts会优先执行xml文件,如果校验不通过是不会让请求访问指定action的。
本文介绍一下struts2通过xml文件进行校验的方法并说
- 记录-感悟
braveCS
感悟
再翻翻以前写的感悟,有时会发现自己很幼稚,也会让自己找回初心。
2015-1-11 1. 能在工作之余学习感兴趣的东西已经很幸福了;
2. 要改变自己,不能这样一直在原来区域,要突破安全区舒适区,才能提高自己,往好的方面发展;
3. 多反省多思考;要会用工具,而不是变成工具的奴隶;
4. 一天内集中一个定长时间段看最新资讯和偏流式博
- 编程之美-数组中最长递增子序列
bylijinnan
编程之美
import java.util.Arrays;
import java.util.Random;
public class LongestAccendingSubSequence {
/**
* 编程之美 数组中最长递增子序列
* 书上的解法容易理解
* 另一方法书上没有提到的是,可以将数组排序(由小到大)得到新的数组,
* 然后求排序后的数组与原数
- 读书笔记5
chengxuyuancsdn
重复提交struts2的token验证
1、重复提交
2、struts2的token验证
3、用response返回xml时的注意
1、重复提交
(1)应用场景
(1-1)点击提交按钮两次。
(1-2)使用浏览器后退按钮重复之前的操作,导致重复提交表单。
(1-3)刷新页面
(1-4)使用浏览器历史记录重复提交表单。
(1-5)浏览器重复的 HTTP 请求。
(2)解决方法
(2-1)禁掉提交按钮
(2-2)
- [时空与探索]全球联合进行第二次费城实验的可能性
comsci
二次世界大战前后,由爱因斯坦参加的一次在海军舰艇上进行的物理学实验 -费城实验
至今给我们大家留下很多迷团.....
关于费城实验的详细过程,大家可以在网络上搜索一下,我这里就不详细描述了
在这里,我的意思是,现在
- easy connect 之 ORA-12154: TNS: 无法解析指定的连接标识符
daizj
oracleORA-12154
用easy connect连接出现“tns无法解析指定的连接标示符”的错误,如下:
C:\Users\Administrator>sqlplus username/
[email protected]:1521/orcl
SQL*Plus: Release 10.2.0.1.0 – Production on 星期一 5月 21 18:16:20 2012
Copyright (c) 198
- 简单排序:归并排序
dieslrae
归并排序
public void mergeSort(int[] array){
int temp = array.length/2;
if(temp == 0){
return;
}
int[] a = new int[temp];
int
- C语言中字符串的\0和空格
dcj3sjt126com
c
\0 为字符串结束符,比如说:
abcd (空格)cdefg;
存入数组时,空格作为一个字符占有一个字节的空间,我们
- 解决Composer国内速度慢的办法
dcj3sjt126com
Composer
用法:
有两种方式启用本镜像服务:
1 将以下配置信息添加到 Composer 的配置文件 config.json 中(系统全局配置)。见“例1”
2 将以下配置信息添加到你的项目的 composer.json 文件中(针对单个项目配置)。见“例2”
为了避免安装包的时候都要执行两次查询,切记要添加禁用 packagist 的设置,如下 1 2 3 4 5
- 高效可伸缩的结果缓存
shuizhaosi888
高效可伸缩的结果缓存
/**
* 要执行的算法,返回结果v
*/
public interface Computable<A, V> {
public V comput(final A arg);
}
/**
* 用于缓存数据
*/
public class Memoizer<A, V> implements Computable<A,
- 三点定位的算法
haoningabc
c算法
三点定位,
已知a,b,c三个顶点的x,y坐标
和三个点都z坐标的距离,la,lb,lc
求z点的坐标
原理就是围绕a,b,c 三个点画圆,三个圆焦点的部分就是所求
但是,由于三个点的距离可能不准,不一定会有结果,
所以是三个圆环的焦点,环的宽度开始为0,没有取到则加1
运行
gcc -lm test.c
test.c代码如下
#include "stdi
- epoll使用详解
jimmee
clinux服务端编程epoll
epoll - I/O event notification facility在linux的网络编程中,很长的时间都在使用select来做事件触发。在linux新的内核中,有了一种替换它的机制,就是epoll。相比于select,epoll最大的好处在于它不会随着监听fd数目的增长而降低效率。因为在内核中的select实现中,它是采用轮询来处理的,轮询的fd数目越多,自然耗时越多。并且,在linu
- Hibernate对Enum的映射的基本使用方法
linzx0212
enumHibernate
枚举
/**
* 性别枚举
*/
public enum Gender {
MALE(0), FEMALE(1), OTHER(2);
private Gender(int i) {
this.i = i;
}
private int i;
public int getI
- 第10章 高级事件(下)
onestopweb
事件
index.html
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/
- 孙子兵法
roadrunners
孙子兵法
始计第一
孙子曰:
兵者,国之大事,死生之地,存亡之道,不可不察也。
故经之以五事,校之以计,而索其情:一曰道,二曰天,三曰地,四曰将,五
曰法。道者,令民于上同意,可与之死,可与之生,而不危也;天者,阴阳、寒暑
、时制也;地者,远近、险易、广狭、死生也;将者,智、信、仁、勇、严也;法
者,曲制、官道、主用也。凡此五者,将莫不闻,知之者胜,不知之者不胜。故校
之以计,而索其情,曰
- MySQL双向复制
tomcat_oracle
mysql
本文包括:
主机配置
从机配置
建立主-从复制
建立双向复制
背景
按照以下简单的步骤:
参考一下:
在机器A配置主机(192.168.1.30)
在机器B配置从机(192.168.1.29)
我们可以使用下面的步骤来实现这一点
步骤1:机器A设置主机
在主机中打开配置文件 ,
- zoj 3822 Domination(dp)
阿尔萨斯
Mina
题目链接:zoj 3822 Domination
题目大意:给定一个N∗M的棋盘,每次任选一个位置放置一枚棋子,直到每行每列上都至少有一枚棋子,问放置棋子个数的期望。
解题思路:大白书上概率那一张有一道类似的题目,但是因为时间比较久了,还是稍微想了一下。dp[i][j][k]表示i行j列上均有至少一枚棋子,并且消耗k步的概率(k≤i∗j),因为放置在i+1~n上等价与放在i+1行上,同理