三翼鸟数字化技术团队
三翼鸟数字化技术团队

机器学习：手撕 AlphaGo（二）

计算机下围棋的问题描述请见上篇：机器学习：手撕 AlphaGo（一）-CSDN博客

3. MCTS 算法介绍

MCTS（Monte Carlo Tree Search） 算法的中文名称叫做蒙特卡洛树搜 索。第一次接触这个算法时，便惊叹于它精巧的设计。而且这个算法在 AlphaGo 的设计中，有着不可替代的作用。图 3-7 是 MCTS 算法的常见迭代图，分为 selection，expansion，simulation，backpropagation 四个部分，我们这节讲这幅图里的故事。

机器学习：手撕 AlphaGo（二）_第1张图片

图 3-7: MCTS 概览

3.1 深度有限的 v(s) 估计

它的思想： 根据小节 2.3.4 介绍的求解 v(s) 的方法，在计算节点 s 的值 v(s) 时，只向下考虑探索固定深度 d 层的节点，如果探索的最深节点 s 不 是叶子节点 （即不能判断出胜负），则通过人工设计的评估函数 o(s) 来估计 节点 s 的值 v(s) 。评估函数 o(s) 的设计很讲究技巧，一般会抽取一个状态 s 的明显特征。但在早期人工设计出来的评估函数 o(s) 和真实的值函数 v(s) 会差距很大。我们知道在小节 2.3.4 介绍的最优的 search 策略是在节点真实 值函数 v(s)  下得到， 如果评估函数 o(s) 和真实函数 v(s)  差距很大，那么在 深度有限的策略下，进行围棋 Tree 的搜索，将不能保证搜索结果的全局最优，结果可能会很差。

在该想法实际执行时，黑子和白子都通过摇色子（均匀分布）的方式选择子节点进行探索，所以输出的子节点完全是随机的。然后每个节点的值函数 v_n(s) 是子节点值函数 v(child(s,a)) 的期望：

与之对比，在精确求解值函数 v(s)  时，按照黑子取极大值，白子取极小值方式，这里取而代之用所有子节点值的期望方式。参考图 3-8 感受下具体的计算方式。

图 3-8: 通过均匀采样估计节点 s 的值 v(s)

这种方式的优点，减少了搜索的深度，降低了计算的节点数，使 Tree search 的思想可以应用到围棋上。但这种近似方法有个严重的不足： 估算的 节点值函数 v_n(s) 与真实的值函数 v(n) 的计算方式不同，值相差很远，或者说二者没有关系，同理参照 v_n(s) 值，在 Tree 上搜索时，得到的节点也 不是最优策略。MCTS 算法在继承它“减少搜索深度”思想的基础上，使估 计的值 \hat{v}(s) 与真实的 v(s) 更接近。接下来我们看看这个算法如何做到的。

3.2 MCTS: Selection

完整的围棋 Tree 很大，被我们计算的节点只有一部分。所以把我们计 算过的节点组成的 Tree， 叫做“已知 Tree”。selection 就是针对“已知 Tree” 上的节点进行搜索，比如当前棋局盘面处于节点 s，而且 s 是“已知 Tree” 的一个节点，那么对于黑子来说下一步的行棋动作可以在 s 的子节点中选 一个值 \hat{v}(child(s, a)) 最大的节点对应的位置。

同理对于白子来说，下一步的行棋动作可以在 s 的子节点中选一个值  \hat{v}(child(s, a))  最小的节点对应的位置：

这是正常的围棋 Tree 的搜索过程，完全利用 （exploration）“已知 Tree”的信息。对于一颗完整的围棋 Tree 这个方法没问题，对于一颗只有完整围棋 Tree 局部的“已知 Tree”来说，为了发现更好的解，还需要引入探索（exploitation） 的能力，即适当的时候，选择一些非 \hat{v}(s) 极大或者极小的节点。ϵ − greedy 可以很好的平衡 search 过程中的利用和探索：

机器学习：手撕 AlphaGo（二）_第2张图片

式 3.4 中 \hat{v} 是 MCTS 中估计出来的节点值，用来近似围棋 Tree 中真正的值 v，N(s) 表示节点 s 被搜索到的次数，在一局（多局）对弈中节点 s 可能被搜 索多次，N(child(s, a)) 表示在节点 s 下采取 a 动作对应的子节点被访问的 次数，λ 是一个实数平衡利用和探索之间的权重关系。当一个节点 s 被访问 的次数 N(s) 很多，但它的某个子节点 N(child(s, a)) 访问次数很小，则更 容易选择这个访问次数小的子节点，从而达到探索未走过路径的目的。其实 这里也暗含一个假设：N(s) 越大的节点是好节点，好节点的所有子节点中，访问次数小的子节点可能也是一个好节点，所以要探索。

选择下一步的落子动作 a^* 常见的有两种策略。一种如式 3.5 在所有子节 点中选择最大 UCT 对应的动作； 另外一种方式如式 3.6 按照 UCT 权重对应 的分布采样一个新动作 a：

机器学习：手撕 AlphaGo（二）_第3张图片

图 3-9 是 selection 的两个示例，用于加深理解。

3.3 MCTS: Expansion

“已知 Tree”最开始为空，然后在 MCTS 算法中长成一颗大 Tree， 那么 它是如何进行节点的分裂长成大 Tree 的呢？如果将“已知 Tree”上的所有 节点分类，可以分为 3 类：

  • a 类： 节点 s 在“已知 Tree”中，而且它所有子节点也在“已知 Tree” 中；

  • b 类： 节点 s 在“已知 Tree”中，而且它部分子节点在“已知 Tree”中， 存在一些子节点不在“已知 Tree”中；

  • c 类： 节点 s 在“已知 Tree”中，但它所有子节点都不在“已知 Tree” 中，c 类节点也是“已知 Tree”的叶子节点；

机器学习：手撕 AlphaGo（二）_第4张图片

图 3-9: 图 3-7 对应的子图与一个 search 例子

在一棵“已知 Tree”上 search，如果遇到 a 类节点 s，已经不能为“已知 Tree”添加新的节点，只能继续按照公式 3.4 search 下一个动作。如果 search 到 b 类节点，随机选一个未在“已知 Tree”中的子节点作为新的叶子节点。 如果 search 到 c 类节点，与 b 类节点一样，随机选一个子节点加入到“已 知 Tree”中。我们可以确定“已知 Tree”新 Expansion 进来的子节点，均 是“已知 Tree”的叶子节点，而且新节点的选择方式除了随机添加外，也可 以设置其他策略，这里我们就不过多描述了。图 3-10 是 Expansion 的一个示 例， 帮助我们进一步理解。但“已知 Tree”的 b 类和 c 类节点 s 未必是完 整围棋 Tree 的叶子节点，即对弈还没有结束，那么这时该如何操作，才能估计新 Expansion 的叶子节点的值 \hat{v}(s)，进而输出下一步棋的位置呢？

机器学习：手撕 AlphaGo（二）_第5张图片

图 3-10: 图 3-7 对应的子图与一个 Expansion 例子

3.4 MCTS: Simulation

有的文献将这步也称作 Evaluation（评估）。Simulation 是从 Expansion 的新节点开始走到完整 Tree 的叶子节点 （游戏的终点） 的过程，从而达到快 速评估新节点值的目的，这个过程也叫做仿真。具体过程从 Expansion 的新 节点 s 开始，通过扔一个质地均匀的多面体骰子选择动作 a，从而得到下一 个子节点 child(s,a) ，不断地重复这个过程，直到走到完整 Tree 的叶子节 点，到达游戏的终点，记录游戏结果，完成一次仿真。像这种从 Expansion 的节点到完整 Tree 的叶子节点的仿真路径，需要大量生成。通过对仿真路 径的统计，计算 Expansion 新节点 s 的值 \hat{v}(s)，常见的统计 Expansion 节点值的方法是： 计算仿真数据中赢的概率：

仿真数据越多，优点是 Expansion 的新节点估算的值 \hat{v}(s) 和节点的真实值 v(s) 越接近，\hat{v}(s) 是 v(s)  的无偏估计，这由 Monte Carlo 采样定理保证。 这同时也解决章节 3.1 中手工评估函数的设计不足引入的缺点。但仿真数据 做的越多，中间消耗的计算资源、存储资源和时间资源等也越多，所以在 单步选择子节点时，策略越简单越好，比如这里介绍的“扔质地均匀的骰 子”是一种常用的简单策略。所以因为资源受限的问题，估计结果 \hat{v}(s) 不能无限逼近真实值 v(s)，估计结果的准确性和计算资源之间需要做一次权衡。图 3-11 是 Simulation 的一个示例， 帮助我们进一步理解。

机器学习：手撕 AlphaGo（二）_第6张图片

图 3-11: 图 3-7 对应的子图与一个 Simulation 的例子

3.5 MCTS: BackPropagation

对 Expansion 节点 s 的仿真，也等于间接对中 s 到 root 节点的 path（唯 一的一条节点路径） 上所有节点的仿真，所以在通过仿真的方式获取节点 s 的估计值 \hat{v}(s) 后，对 path 上其他节点也要做相应的值更新， 这就是 BackPropagation（值的回传）。BackPropagation 可以充分有效的利用每次仿真，使节点估计值 \hat{v} 更加近似节点真实值 v(s) 。

机器学习：手撕 AlphaGo（二）_第7张图片

图 3-12: 图 3-7 对应的子图与一个 Back-Propagationn 的例子

具体更新过程如图 3-12b 所示，从扩展（Expansion）节点 s 到 root 节点 只有一条 path， 路径上所有节点的仿真总数 +1，即分母 +1。这是一颗游戏 Tree， 有黑白两种节点交替出现在不同层，图中的 Expansion 节点为白色，且仿真时，白色节点赢了，所以对于到 root 节点的 path 中，白色节点的分子 +1，黑色节点分子保持不变。

3.6 MCTS 算法用在围棋上的局限

对比章节 3.1 深度有限的估计方法和 MCTS 算法，我们应该明白 MCTS 算法如何在“减少搜索深度”的基础上，将节点 s 估计值 \hat{v} 变为真实值 v 的 一个无偏估计。那么这个算法是完美的么？不完美。这个算法大量的计算和 时间花费在 Simulation 这一步，对于像围棋这种有时间限制的游戏，会严重 影响 MCTS 的输出效果。所以接下来的问题： 在围棋比赛中，选手思考时间 有限的情况下，如何修改 MCTS 算法，使它可以输出更好的解？DeepMind 团队给出的答案：用比赛前学习的方法来降低比赛中 Simulation 的依赖。

4. AlphaGo 算法介绍

根据章节 3.6 的局限分析，我们来看看 AlphaGo 是如何利用比赛前学习 的方法，使其降低对 Simulation 的依赖。回顾 MCTS 的过程，有两个关键的操作，一个是下一个动作 a 的选择， 另外一个是通过 Simulation 估计当前围棋状态的值。在 AlphaGo 中，通过一个 Policy Network 计算下一个动作 a 的分布，即输入一个节点状态 s，输出 p(a_t |s_t)。使用一个 Value Network 计算一个节点 s 的评估 \hat{v}(s) ，即当前这个盘面胜的概率。Policy Network 与 Value Network 均可以通过历史围棋对弈数据集进行学习。然后再结合 MCTS，从 而诞生打败李世石的 AlphaGo。

4.1 Policy Network 与 Value Network 的故事

在 2015 年左右，CNN，resnet 等可以提取到很好的图片特征，对图片 识别的效果有很大的进步，自然而然，是否可以训练一个网络下围棋呢？如 我们在章节 2.3 介绍，计算机下围棋主要有两个挑战，一个挑战是完整“围棋 Tree”太大，另一个挑战是很难判断一个围棋局面 （节点状态 s） 的好坏。最 初的想法希望直接训练两个神经网络 Policy Network 和 Value Network，输入都是局面状态 s，Policy Network 输出是下一步的落子位置 p(a|s) 和 Value Network 输出是对 s 的评估结果，是一个实数。采用 KGS 专业五段以上棋 手的对弈记录作为数据集，大约有 16 万场带有胜负结果的对弈，约有 3000 万落子步骤 (s_i,a_i) 。

4.1.1 Policy Network 的故事

针对 Policy Network，最开始采用监督学习的思想， 预测下一步的落子位置，用最大似然（likelihood）和 SGD 的方法训练。使用 3000 万的落子数据对 (s_i,a_i) 作为训练数据，损失函数用 negtive log likelihood loss：

分别训练一个大的 12 层 CNN 模型 p_\sigma 和一个小的线性逻辑回归模型 p_\pi， 如图 4-13。 p_\sigma  在实际训练时，手工从围棋盘面 s_i 中抽取 48 种特征，输入 CNN 网路，并且在在 50 块 GPU 上训练了 4 周左右，最终在达到 57% 的 精确度，比当时 state-of-art 44% 好很多。p_\pi 在测试集的精度只有 24% ， 但 它的优点是执行速度快，在 2us 内输出一步落子的位置，这个输出速度很快，比如我们要仿真 1 万局对弈，平均每局对弈 100 步，总体仿真时间只 需 2s。相对于大模型 p_\sigma ，小模型 p_\pi 很适合做仿真采样， 而且 p_\pi 策略会比均匀随机采样好很多。

机器学习：手撕 AlphaGo（二）_第8张图片

图 4-13: 监督训练 policy network

但监督学习的 Policy Network 并不完美，这会严重影响模型的围棋能力，模型两个明显的不足：

  • 训练数据量小，虽然有 3000 万个数据对 (s_i,a_i) ，但只有 16 万场的对弈数据，这不足以训练一个大的神经网络；

  • 围棋对弈是一个序列决策过程 \tau = (s_0, a_0, r_0, s_1, ...)， p_\sigma 和 p_\pi 不能提取序列决策的前后特征信息；

为了解决数据少的问题，用第一个监督学习的 p_\sigma 进行自对弈，可以产生大量新的对弈棋局，从而解决数据不足的问题。强化学习学习中的 policy gradient（策略梯度） 可以很好的学习序列决策的任务。用监督学习得到的 CNN 模型 p_\sigma 作为初始化参数，采用 policy gradient 的方法，在大量的数 据上训练，于是便产生了强化学习版的 Policy Network p_\rho ，p_\rho 的损失函数如下：

其中 z 是一场对弈结果；\tau 是一场对弈数据，\rho 是网络待学习参数。关于 policy gradient 更详细的介绍，大家可以查看其他同学的博客，这里我们先 理解 AlphaGo 的设计思路。强化学习训练的 p_\rho 与监督学习得到的 p_\sigma 对弈时，有 80% 概率获胜，大约达到业余三段的水平。

4.1.2 Value Network 的故事

Value Network 是为了评估一个围棋上状态 s 的好坏，即输出黑子 （或者白子） 胜的概率。为了学习到更准确的 Value Network，采用强化学习训练的 p_\rho 进行自对弈，大约自对弈了 3000 万场，从每场对弈中随机抽取一 个状态 s 作为输入，对弈结果 z 为 label，采用 12 层的 CNN 作为模型的 主体结构，损失函数为 MSE：

50 个 GPU 训练 1 周，得到有史以来第一个准确的围棋状态评估函数 v_\theta (s) ， 这在当时是不能想象的。但盘面评估函数 Value Network 怎么用呢？

机器学习：手撕 AlphaGo（二）_第9张图片

图 4-14: 从监督的 Policy Network p_ \pi 和 p_\sigma 到 RL 版 Policy Network， 然后 再到 Value Network v(\theta )  的过程

到这里 Policy Network 与 Value Network 的故事讲完了，如图 4-14。但即使 RL 得到的 Policy Network p_\rho  也只是业余 3 段的水平，还不足以打败专业选手。那么再此基础上 DeepMind 做了哪些操作，使 AlphaGo 的效果得到巨大的提升，从而击败人类呢？答案是在 Policy Network 与 Value Network 基础上，再结合 MCTS 的方法，便达到击败人类的水平。那么 Policy Network 与 Value Network 具体与 MCTS 怎么结合呢？带着么个问题，我们继续看下面的故事。

4.2 AlphaGo 中的 MCTS 的故事

如我们在章节 3 介绍，MCTS 算法会把大量的时间花费在 Simulation 上，从而在思考时间有限的围棋对弈中影响算法的输出效果。为了在有限的时 间内提升围棋的思考效果，我们需要提升 Monte Carlo 采样的效果，达到在有限的时间内使估计的节点值更准确，而且还要降低搜索的宽度，更合理的 “探索利用权衡”的设计等，如图 4-15。我们看看在 Policy Network 和 Value Network 的帮助下，如何解决 MCTS 思考时间有限的问题。

机器学习：手撕 AlphaGo（二）_第10张图片

图 4-15: AlphaGo = MCTS + Policy Network + Value Network

Selection: 与原 MCST 相比，修改了动作选择式 3.4 和式 3.5 的计算方法， 具体选择下棋动作 a_t 的方式：

机器学习：手撕 AlphaGo（二）_第11张图片

公式 4.4 和公式 4.5 参数含义如下：

  • (s_t ,a) 表示在 s_t 状态下执行 a 动作得到下一个时刻的状态，即 s_t 的子节点 s_{t+1} 的状态；

  • Q(s_t ,a) 是节点 s_t 的子节点 s_{t+1}  的 MCTS 估计值，多轮 MC simulation 的结果的加权平均值；

  • P(s_t ,a)  是节点 s_t 的子节点 s_{t+1}  被选择的概率，由监督学习得到的 Policy Network pσ 输出；

  • N(s_t ,a)  是节点  s_t 的子节点 s_{t+1}  在 search 中被选择的次数，初始值 为 0；

对于一个特定的节点 s_t 和动作 a，P(s_t ,a)  的值是固定不变。所以刚开始时 N(s_t ,a)  比较小，对于 P(s_t ,a)  比较大的子节点，u(s_t ,a)  的值相对较大，从 而达到探索 p_\sigma 输出的高概率动作的目的。随着 search 轮数的增多，子节点 (s_t ,a) 被选中的次数 N(s_t ,a)  变大，相应 u(s_t ,a)  变小，会更依赖 Q(s_t ,a)  的值选择下一个动作，从而降低“探索”倾向，达到倾向“利用”的目的。 所以修改后的公式也有权衡“探索”和“利用”的功能。

Expansion: 在 MCTS 原算法中，如果 search 到叶子节点或者子节点 不全在“已知 Tree”的节点时，一定会 expansion 一个新叶子节点出来。在 AlphaGo 中，search 到叶子节点时也会 expansion 新的节点，但在遇到子节点不全在“已知 Tree”的节点时，可能会 expansion 新叶子节点，也可能不 expansion 新的叶子节点。这由于 p_\sigma 计算所有的动作 a 的落子概率， 从而不论节点 s_t 的子节点是否在“已知 Tree”中，均可以计算出公式 4.5 的 u(s_t ,a)  ，不在“已知 Tree”的子节点 child(s_t , a_{out}) 的 Q = 0；在“已知 Tree” 中子节点 child(s_t , a_{in})  的 Q(s_t , a_{in}) 值为节点记录值，且 u(s_t , a_{in})  随着被 选中的次数增多而减小， 所以存在可能：

这时便会扩展一个新的节点。另外一种 expansion 策略，若“已知 Tree”中 节点 s， 被选中的次数大于阈值 T， 且节点 s 还存在子节点 child(s, a_{out}) 不 在“已知 Tree”中，则 expansion 落子概率最大的子节点。这两种扩展策略 都可以达到减小搜索宽度的目的。

Simulation: 在原 MCTS 中，这步只有仿真。但在 AlphaGo 中，则使 用 p_\pi 和 v_\theta (s)  达到仿真与盘面评估结合的目的：

公式 4.7 参数含义如下：

  • s_L 表示 expansion 新添加的叶子节点；

  • v_\theta (s_L) 是 Value Network 对节点 s_L 的评估结果；

  • z_L 是仿真数据得到的结果，采用 Policy Network 小模型 pπ 进行仿真；

  • \lambda 是权衡 v_\theta (s_L) 与 z_L 的超参数；

  • V(s_L)  表示每次仿真得到的叶子节点的值；

相对于原 MCTS 的 Simulation，主要有两点改动： 第一点引入了围棋盘面 评估函数 v_\theta，而且这个评估函数效果很好；第二点在仿真时，用 p_\pi 替代均 匀分布， p_\pi 由人类数据训练得到，与真实落子分布更接近，所以效果上要比均匀分布好，而且单步输出只有 2us， 适合作为仿真用。这些改动给计算 机围棋带来了显著的提升。

BackPropagation：AlphaGo 的 BackPropagation 与原 MCTS 的 BackPropagation 很像，更新每个节点的  Q(s_t , a) :

机器学习：手撕 AlphaGo（二）_第12张图片

公式 4.8 和公式 4.9 的参数含义如下：

  • i 表示第 i 次 MCTS，每次包含 selection， expansion， simulation， backpropagation 四步；

  • I(s, a, i) 为示性函数，如果在“已知 Tree”第 i 次搜索时，访问节点 child(s_t , a)，函数值为 1，否则函数值为 0；

  • N(s_t , a)  为在进行了 n 次 MCTS 时，“已知 Tree”中节点 child(s_t , a) 被访问的次数；

  • Q(s_t , a) 是经过 backpropagation 后，节点的值；

由公式 4.9 可以知道，每次仿真结束，会利用计算到的 V(s_L) 更新第 i 搜索 路径上的所有节点的 Q 值。而且整个过程可以在集群中并行，在比赛时可 以加快“已知 Tree”的生成，减少搜索时间。

最后借助图 4-16 我们再来欣赏下，被 DeepMind 修改后的 MCTS 的全 过程。读到这里，我们应该了解这副图片中发生的故事细节了。

机器学习：手撕 AlphaGo（二）_第13张图片

图 4-16: AlphaGo 的 MCTS 全过程

4.3 AlphaGo 中 RL 的思想

现在我们了解了 AlphaGo 的全部的设计脉络，知道了 AlphaGo = MCTS + Policy Network + Value Network 的具体含义。但可能心中会 有一些问题没消除：大家都说 AlphaGo 使用了 RL（强化学习） 我们撕 AlphaGo 的技术细节，似乎没有感觉到它使用了强化学习，那么 AlphaGo 在 哪些地方使用了 RL？又是如何使用的 RL 知识。这里说下我的浅显认知， 若有不对的地方请帮助指出来。

RL 建立在 MDP 模型上，MDP 有五元组 < S，P，A，r，γ >， 而且还有 policy  \pi = p(a|s)  和策略 \pi 对应的值函数，值函数包括状态值函数 V^\pi (s) 和动作值函数 Q^\pi (s, a) ，在 MDP 五元组信息完全已知情况下，希望求出最 优策略 {\pi} ^{*} 和最优值函数  {Q}^{*} (s, a)  or V^* (s)，这是 model- base（基于模型） 的求解。若 MDP 五元组中转移概率 P 未知或者奖励函数 r 未知， 不能 使用 Bellman 方程求解，则认为解决这样的 MDP 问题是 model-free（免模型）。可以将围棋问题建模为 MDP，而且又因为转移概率 P 未知，所以需 要 model-free 的方法求解。在 AlphaGo 中，求解 Policy Network p_\rho 使用 了 RL 中策略梯度定理，即公式 4.2；AlphaGo 中的值函数 v_\theta (s) 也和 RL 值函数一样： 表示从当前状态到终点状态的收益，所以求解方法中，可以使用 Monte Carlo 采样和时间差分等算法，这也是 RL 中的知识。自对弈应该对 应 RL 中的 Monte Carlo 采样。

4.4 AlphaGo 不完美的地方

基于 2015 年深度学习的发展，AlphaGo 有很多不太完美的地方。比较 明显的问题：AlphaGo 与 MCTS 结合后，Simulation 时，还需要小策略网络 p_\pi 进行仿真，没有完全消除深度上的搜索；提取围棋特征时，还有很多的手工特征，这点也很不完美。在 AlphaGo 面世后，后续相继出来了 resnet，BN 等深度学习的技术，这些新技术可以为深度学习带来很大的进步。于是这些不足和新技术，一起为 AlphGoZero 的诞生埋下伏笔。

5. 结语

AlphaGo 的故事只是一个开始，后续诞生的 AlphaGo Zero，AlphaZero，MuZero 使技术一步步深度，并且让故事更加精彩。因为时间问题，针对 AlphaGo 后续的模型不能展开叙述，期望在下一个假期，将后续 3 个模型也补充进来。在探索过程中，难免存在理解狭义或者误解的地方，还请大家帮助指出。 今年（2023）中秋和国庆连在一起，一共有八天假期，用了七天的假期探索 AlphaGo 系列，并在此期间完成这篇博客。用这篇博客，作为今年这 个国庆假期的一个纪念。感谢家人在假期对我的支持，使我对整个技术脉络可以充分的探索和学习。

6. 参考文献

[1] Roger Grosse: CSC 311: Introduction to Machine Learning, https://www.cs.toronto.edu/~rgrosse/courses/csc311_ f20/slides/lec12.pdf   

[2] DavidSilver: AlphaGo-tutorial-slides_ compressed, https://www.davidsilver.uk/wp-content/uploads/2020/03/AlphaGo-tutorial-slides_ compressed.pdf 

[3] Mastering the game of Go with deep neural networks and tree search, https://storage.googleapis.com/deepmind-media/alphago/AlphaGoNaturePaper.pdf 

[4] Mingsheng Long: Deep Learning http://ise.thss.tsinghua.edu.cn/ mlong/ 

[5] Browne, Cameron B. and Powley, Edward and Whitehouse, Daniel and Lucas, Simon M. and Cowling, Peter I. and Rohlfshagen, Philipp and Tavener, Stephen and Perez, Diego and Samothrakis, Spyridon and Colton, Simon: A Survey of Monte Carlo Tree Search Methods https://www.researchgate.net/publication/235985858_A_Survey_of_Monte_Carlo_Tree_Search_Methods 

[6] Bryce Wiedenbeck:CS 63: Artificial Intelligence https://www.cs.swarthmore.edu/b̃ryce/cs63/s16/slides/2-15_MCTS.pdf 

[7] jefft: Introduction to Monte Carlo Tree Search https://jeffbradberry.com/posts/2015/09/intro-to-monte-carlo-tree-search/ 

7. 团队介绍

「三翼鸟数字化技术平台-智慧设计团队」依托实体建模技术与人工智能技术打造面向家电的智能设计平台，为海尔特色的成套家电和智慧场景提供可视可触的虚拟现实体验。智慧设计团队提供全链路设计，涵盖概念化设计、深化设计、智能仿真、快速报价、模拟施工、快速出图、交易交付、设备检修等关键环节，为全屋家电设计提供一站式解决方案。

你可能感兴趣的:(人工智能,人工智能,机器学习,算法)

  • 数据结构奇妙旅程之深入解析快速排序 山间漫步人生路 数据结构排序算法算法
    快速排序（QuickSort）是一种高效的排序算法，它使用了分治法的策略来将一个数组排序。其基本思想是选择一个基准元素，通过一趟排序将待排序的数据分割成独立的两部分，其中一部分的所有数据都比基准元素小，另一部分的所有数据都比基准元素大，然后再按此方法对这两部分数据分别进行快速排序，整个排序过程可以递归进行，以此达到整个数据变成有序序列。工作原理选择基准：从待排序的序列中选一个元素作为基准（pivo
  • php 把一个数组分成有n个元素的二维数组的算法 风清扬-独孤九剑 phpphp算法
    一、第一种解法0){$columns_map[$position]++;//这个地方格外注意,$position与$columns比较$position=($position<$columns-1)?++$position:0;$array_length--;}foreach($columns_mapas$val){$newarray[]=array_splice($array,0,$val);}
  • 【算法分析与设计】去除重复字母 五敷有你 算法分析与设计javajavascript开发语言算法数据结构
    个人主页：五敷有你系列专栏：算法分析与设计⛺️稳中求进，晒太阳题目给你一个字符串s，请你去除字符串中重复的字母，使得每个字母只出现一次。需保证返回结果的字典序最小（要求不能打乱其他字符的相对位置）。示例示例1：输入：s="bcabc"输出："abc"示例2：输入：s="cbacdcbc"输出："acdb"思路贪心+单调栈实现【字符串删除一个字符使其字典序最小的贪心策略】：对于两个长度相同的字符串，
  • yarn的安装和使用全网最详细教程 zxj19880502 yarnnpm
    一、yarn的简介：Yarn是facebook发布的一款取代npm的包管理工具。二、yarn的特点：速度超快。Yarn缓存了每个下载过的包，所以再次使用时无需重复下载。同时利用并行下载以最大化资源利用率，因此安装速度更快。超级安全。在执行代码之前，Yarn会通过算法校验每个安装包的完整性。超级可靠。使用详细、简洁的锁文件格式和明确的安装算法，Yarn能够保证在不同系统上无差异的工作。三、yarn的
  • 图论记录之最短路迪杰斯特拉 Just right 算法图论java开发语言
    简述思想这个思想能用一句话来概括，精简到的极致:每次找到一个最短距离的点并更新起点到各个点的最短距离如果要可视化的话，B站搜索Dijksra算法，有视频讲解伪代码写到这里，其实是想整一个动画的，这样效果更好点，但由于种种原因所以就拖一下intdijkstr(){dist[1]=0;其余的点的距离全部初始化为真无穷，不要写成int的最大值迭代n次将不在s中的，且距离最近的点给tsj即先到t，再加上t
  • 大创项目推荐 深度学习 opencv python 公式识别(图像识别 机器视觉) laafeer python
    文章目录0前言1课题说明2效果展示3具体实现4关键代码实现5算法综合效果6最后0前言优质竞赛项目系列，今天要分享的是基于深度学习的数学公式识别算法实现该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！学长这里给一个题目综合评分(每项满分5分)难度系数：3分工作量：4分创新点：4分更多资料,项目分享：https://gitee.com/dancheng-senior/postgraduate1课题
  • ES-LTR粗排模块 poins jenkins运维
    ES-LTR粗排模块官方资源：https://github.com/HeiBoWang/elasticsearch-learning-to-rankElasticsearch学习排名插件使用机器学习提高搜索相关性排名。它为维基媒体基金会和Snagajob等地方的搜索提供了动力！这个插件有什么功能此插件：允许您在Elasticsearch中存储特征（Elasticsearch查询模板）记录特征得分（
  • Ai插件脚本合集安装包，免费教程视频网盘分享 全网优惠分享君
    随着人工智能技术的不断发展，越来越多的插件脚本涌现出来，为我们的生活和工作带来了便利。然而，如何快速、方便地获取和使用这些插件脚本呢？今天，我将为大家分享一个非常实用的资源——AI插件脚本合集安装包，以及免费教程视频网盘分享。首先，让我们来了解一下这个AI插件脚本合集安装包。它是一个集合了众多AI插件脚本的资源包，涵盖了各种领域，如数据分析、自动化办公、智能客服等等。通过这个安装包，用户可以轻松地
  • 过去一年，这16本好书不容错过 m0_54050778 perl
    编者按：2023年在动荡与希望中收尾，2023年注定会被载入史册。疫情寒冬结束，ChatGPT横空出世，带动了人工智能技术的飞速发展；淄博烧烤、天津大爷、尔滨之旅等充满感动与幸福。但与此同时，2023年又是动荡与不安的一年，俄乌冲突的延宕，新一轮的巴以冲突，极端天气频发。在这个大环境下，有一些经典的书籍著作诞生。本文将分享2023年最值得一读的16本书籍，文章来自翻译，希望对你有所启示。关于202
  • 排序算法太多？常用排序都在这了，一篇文章总结和实现所有面试会考的排序算法（基于Python实现） 宇宙之一粟 不归路之Python#IT面试题收集与总结数据结构与算法算法数据结构排序算法pythonjava
    文章目录排序算法1.常见的排序算法1.1选择排序1.1.1思想1.1.2实现**1.1.3选择排序分析**1.2冒泡排序**1.2.1思想****1.2.2实现****1.2.3冒泡排序分析**1.3插入排序**1.3.1思想****1.3.2实现****1.3.3插入排序分析**1.4归并排序☆☆★**1.4.1思想****1.4.2实现****1.4.3归并排序分析**1.5快速排序☆★★**
  • 【数据结构】实验一 实现顺序表各种基本运算的算法 张鱼·小丸子 数据结构实验c++数据结构
    题目：实现顺序表各种基本运算的算法要求：1、建立一个顺序表，输入n个元素并输出；2、查找线性表中的最大元素并输出；3、在线性表的第i个元素前插入一个正整数x；4、删除线性表中的第j个元素；5、将线性表中的元素按升序排列；6、将线性表中的元素就地逆序（只允许用一个暂存单元）；#include#defineSIZE1000usingnamespacestd;typedefstruct{int*a;//
  • python清华大学出版社答案_Python机器学习及实践 weixin_39805119 python清华大学出版社答案
    第1章机器学习的基础知识1.1何谓机器学习1.1.1传感器和海量数据1.1.2机器学习的重要性1.1.3机器学习的表现1.1.4机器学习的主要任务1.1.5选择合适的算法1.1.6机器学习程序的步骤1.2综合分类1.3推荐系统和深度学习1.3.1推荐系统1.3.2深度学习1.4何为Python1.4.1使用Python软件的由来1.4.2为什么使用Python1.4.3Python设计定位1.4.
  • UNDERSTANDING HTML WITH LARGE LANGUAGE MODELS liferecords LLM语言模型人工智能自然语言处理
    UNDERSTANDINGHTMLWITHLARGELANGUAGEMODELS相关链接：arXiv关键字：大型语言模型、HTML理解、Web自动化、自然语言处理、机器学习摘要大型语言模型（LLMs）在各种自然语言任务上表现出色。然而，它们在HTML理解方面的能力——即解析网页的原始HTML，对于自动化基于Web的任务、爬取和浏览器辅助检索等应用——尚未被充分探索。我们为HTML理解模型（经过微调
  • Java回溯知识点（含面试大厂题和源码） 一成码农 java面试开发语言
    回溯算法是一种通过遍历所有可能的候选解来寻找所有解的算法，如果候选解被确认不是一个解（或至少不是最后一个解），回溯算法会通过在上一步进行一些变化来丢弃这个解，即“回溯”并尝试另一个候选解。回溯法通常用递归方法来实现，在解决排列、组合、选择问题时非常有效。回溯算法的核心要点：路径：也就是已经做出的选择。选择列表：也就是你当前可以做的选择。结束条件：也就是到达决策树底层，无法再做出选择的条件。回溯算法
  • 第七章 索引及执行计划，存储引擎 执笔为剑 #MySQL运维篇编辑器mysql
    第七章索引及执行计划，存储引擎1，索引及执行计划1，作用：提供类似书目录的作用，目的是优化查询2，所用的种类（根据算法）B树索引Hash索引R树FulltextGIS3，B树基于不同的查找算法分类介绍B-tree：在范围查询方面提供了更好的性能（>showengines;#存储引擎作用在表上，不同的表可能有不同的存储引擎mysql>select@@default_storage_engine;#查
  • Java面试题：解释JVM的内存结构，并描述堆、栈、方法区在内存结构中的角色和作用，Java中的多线程是如何实现的，Java垃圾回收机制的基本原理，并讨论常见的垃圾回收算法 杰哥在此 Java系列javajvm算法面试
    Java内存模型与多线程的深入探讨在Java的世界里，内存模型和多线程是开发者必须掌握的核心知识点。它们不仅关系到程序的性能和稳定性，还直接影响到系统的可扩展性和可靠性。下面，我将通过三个面试题，带领大家深入理解Java内存模型、多线程以及并发编程的相关原理和实践。面试题一：请解释JVM的内存结构，并描述堆、栈、方法区在内存结构中的角色和作用。关注点：JVM内存结构的基本组成堆、栈、方法区的功能和
  • ChatGPT技巧大揭秘：AI写代码新境界 2401_83550420 chatgpt4.0chatgptchatgpt人工智能AI写作
    ChatGPT无限次数:点击直达ChatGPT技巧大揭秘：AI写代码新境界随着人工智能技术的不断进步，开发人员现在有了更多有趣的工具来提高他们的工作效率。其中，ChatGPT作为一种基于深度学习的自然语言处理模型，已经成为许多开发者的新宠。在本文中，我们将揭秘使用ChatGPT来帮助编写代码的技巧，探索AI在编程领域的新境界。ChatGPT简介ChatGPT是一种基于大型神经网络的对话生成模型，它
  • ChatGPT：AI合作伙伴助你成为论文写作高手 2401_83550420 chatgptchatgpt人工智能AI写作
    ChatGPT无限次数:点击直达摘要：本文将介绍ChatGPT3.5Turbo（以下简称ChatGPT），一款强大的AI合作伙伴，能够助你成为一名论文写作高手。我们将深入探讨ChatGPT的特点、优势，并提供多个示例，展示ChatGPT在论文写作中的应用。无论是开展研究、撰写论文、还是与ChatGPT进行互动交流，都能够帮助你提升写作效率和质量。引言：随着人工智能的发展，聊天型语言模型在各个领域都
  • 优化选址问题 | 基于和声搜索算法求解基站选址问题含Matlab源码 天天酷科研 优化选址问题（LP）matlab和声搜索算法基站选址问题
    目录问题代码问题和声搜索算法（HarmonySearch,HS）是一种模拟音乐创作过程中乐师们凭借自己的记忆，通过反复调整各乐器的音调，直至达到最美和声状态为启发，通过反复调整解向量的各分量来寻求全局最优解的智能优化算法。下面是一个基于和声搜索算法求解基站选址问题的Matlab伪代码框架。请注意，这个框架是一个基本的实现，你可能需要根据你的具体问题和约束条件进行调整和优化。代码%和声搜索算法求解基
  • AI大模型学习：开启智能时代的新篇章 游向大厂的咸鱼 人工智能学习
    随着人工智能技术的不断发展，AI大模型已经成为当今领先的技术之一，引领着智能时代的发展。这些大型神经网络模型，如OpenAI的GPT系列、Google的BERT等，在自然语言处理、图像识别、智能推荐等领域展现出了令人瞩目的能力。然而，这些模型的背后是一系列复杂的学习过程，深度学习技术的不断演进推动了AI大模型学习的发展。首先，AI大模型学习的基础是深度学习技术。深度学习是一种模仿人类大脑结构的机器
  • OpenCV（一个C++人工智能领域重要开源基础库） 简介 愚梦者 OpenCV人工智能人工智能opencvc++图像处理计算机视觉开源
    返回：OpenCV系列文章目录（持续更新中......）上一篇：OpenCV4.9.0配置选项参考下一篇：OpenCV4.9.0开源计算机视觉库安装概述引言：OpenCV（全称OpenSourceComputerVisionLibrary）是一个基于开放源代码发行的跨平台计算机视觉库，可以用来进行图像处理、计算机视觉和机器学习等领域的开发。该库由英特尔公司于1999年开始开发，最初是为了加速处理器
  • 【循环神经网络rnn】一篇文章讲透 CX330的烟花 rnn人工智能深度学习算法python机器学习数据结构
    目录引言二、RNN的基本原理代码事例三、RNN的优化方法1长短期记忆网络（LSTM）2门控循环单元（GRU）四、更多优化方法1选择合适的RNN结构2使用并行化技术3优化超参数4使用梯度裁剪5使用混合精度训练6利用分布式训练7使用预训练模型五、RNN的应用场景1自然语言处理2语音识别3时间序列预测六、RNN的未来发展七、结论引言众所周知，CNN与循环神经网络（RNN）或生成对抗网络（GAN）等算法结
  • 零基础机器学习(5)之线性回归模型的性能评估 一只特立独行猪 机器学习机器学习线性回归人工智能
    文章目录线性回归模型的性能评估1.举例1-单一特征2.举例2-多特征线性回归模型的性能评估评估线性回归模型时，首先要建立评估的测试数据集（测试集不能与训练集相同），然后选择合适的评估方法，实现对线性回归模型的评估。回归任务中最常用的评估方法有均方误差、均方根误差和预测准确率（确定系数）。1.举例1-单一特征分别对两个模型进行评估，输入的测试集如表所示。面积/（m2）售价/（万元）面积/（m2）售价
  • ChatGPT：智能论文写作指南，让您成为写作高手 AI臻蚌 chatgpt4.0chatgptchatgpt人工智能AI写作
    ChatGPT无限次数:点击直达写作是学术研究中不可或缺的一环，然而，对于许多人来说，写作往往是一项艰巨而费时的任务。但是，现在有了ChatGPT，您将能够以前所未有的速度和准确性编写高质量的论文。本文将向您介绍如何利用ChatGPT的强大功能成为写作高手，并为您提供一些示例，展示其在不同领域的应用。1.简介ChatGPT是一种基于人工智能的语言模型，它可以理解并生成人类语言。通过训练大量的语料库
  • ChatGPT神技：AI成为你的编程良友 2401_83481083 chatgpt4.0chatgptchatgpt人工智能AI写作
    ChatGPT无限次数:点击直达ChatGPT神技：AI成为你的编程良友近年来，人工智能技术的发展迅猛，ChatGPT作为其中一项创新技术，正逐渐走进我们的生活。在编程领域，AI不仅可以助力我们提高效率，还能成为我们的良友，帮助解决各种编程难题。一、ChatGPT简介ChatGPT是一种基于自然语言处理技术的人工智能模型，它能够生成类人对话。ChatGPT通过深度学习模型，能够理解输入的文本并生成
  • 15届蓝桥杯备赛(3) sad_liu #sad_liu的刷题记录蓝桥杯职场和发展
    文章目录15届蓝桥杯备赛(3)回溯算法组合组合总和III电话号码的字母组合组合总和组合总和II分割回文串子集子集II非递减子序列全排列全排列II贪心算法分发饼干最大子数组和买股票的最佳时机II跳跃游戏15届蓝桥杯备赛(3)提高C++程序的输入输出效率，尤其是在需要大量输入输出操作时。ios_base::sync_with_stdio(false);cin.tie(nullptr);cout.tie
  • 数字逻辑不可能涌现出智能 dog250 人工智能
    先看一系列竖式乘法的步骤：相乘的两个数数位越大，步骤越多。如果不纠结数制，二进制运算也是这回事，把单个步骤用一个晶体管表达(其实一个步骤不止一个晶体管)，数位越大，所需的晶体管越多。先说结论，所有基于n进制的逻辑运算都不可扩展。硅基时序电路可如此巧妙完成精确计算，开启了数字化时代，人们试图将AI构建在这二进制世界。但若二进制运算不可扩展，基于数字逻辑的人工智能就不可能。前面提到过，二进制运算本质上
  • C#杨辉三角形 wenchm c#算法数据结构
    目录1.杨辉三角形定义2.用数组实现10层的杨辉三角形3.使用List泛型链表集合设计10层的杨辉三角形（1）代码解释：（2）算法中求余的作用4.使用List泛型链表集合设计10层的等腰的杨辉三角形1.杨辉三角形定义杨辉三角是一个由数字排列成的三角形数表，其最本质的特征是它的两条边都是由数字1组成的，而其余的数则等于它上方的两个数之和。杨辉三角有两种常用的表示形式。2.用数组实现10层的杨辉三角形
  • 代码随想录 day29 第七章 回溯算法part05 厦门奥特曼 代码随想录算法golang剪枝
    491.递增子序列46.全排列47.全排列II1.递增子序列关联leetcode491.递增子序列本题和大家刚做过的90.子集II非常像，但又很不一样，很容易掉坑里。思路不能改变原数组顺序不能先排序去重同一层去重树枝上可以有重复元素新元素添加条件大于等于当前次收集数组最右元素value>array[right]题解funcfindSubsequences(nums[]int)[][]int{ret
  • 分布式应用下登录检验解决方案 敲键盘的小夜猫 分布式java
    优缺点JWT是一个开放标准，它定义了一种用于简洁，自包含的用于通信双方之间以JSON对象的形式安全传递信息的方法。可以使用HMAC算法或者是RSA的公钥密钥对进行签名。说白了就是通过一定规范来生成token，然后可以通过解密算法逆向解密token，这样就可以获取用户信息。生产的token可以包含基本信息，比如id、用户昵称、头像等信息，避免再次查库，可以存储在客户端，不占用服务端的内存资源，在前后
  • 怎么样才能成为专业的程序员？ cocos2d-x小菜 编程PHP
      如何要想成为一名专业的程序员？仅仅会写代码是不够的。从团队合作去解决问题到版本控制，你还得具备其他关键技能的工具包。当我们询问相关的专业开发人员，那些必备的关键技能都是什么的时候，下面是我们了解到的情况。   关于如何学习代码，各种声音很多，然后很多人就被误导为成为专业开发人员懂得一门编程语言就够了？！呵呵，就像其他工作一样，光会一个技能那是远远不够的。如果你想要成为
  • java web开发 高并发处理 BreakingBad javaWeb并发开发处理高
    java处理高并发高负载类网站中数据库的设计方法（java教程,java处理大量数据，java高负载数据） 一：高并发高负载类网站关注点之数据库 没错,首先是数据库,这是大多数应用所面临的首个SPOF。尤其是Web2.0的应用，数据库的响应是首先要解决的。 一般来说MySQL是最常用的，可能最初是一个mysql主机，当数据增加到100万以上，那么，MySQL的效能急剧下降。常用的优化措施是M-S（
  • mysql批量更新 ekian mysql
    mysql更新优化： 一版的更新的话都是采用update set的方式，但是如果需要批量更新的话，只能for循环的执行更新。或者采用executeBatch的方式，执行更新。无论哪种方式，性能都不见得多好。 三千多条的更新，需要3分多钟。 查询了批量更新的优化，有说replace into的方式，即： replace into tableName(id,status) values
  • 微软BI（3） 18289753290 微软BI SSIS
    1) Q：该列违反了完整性约束错误；已获得 OLE DB 记录。源:“Microsoft SQL Server Native Client 11.0” Hresult: 0x80004005 说明:“不能将值 NULL 插入列 'FZCHID'，表 'JRB_EnterpriseCredit.dbo.QYFZCH'；列不允许有 Null 值。INSERT 失败。”。 A：一般这类问题的存在是
  • Java中的List g21121 java
            List是一个有序的 collection（也称为序列）。此接口的用户可以对列表中每个元素的插入位置进行精确地控制。用户可以根据元素的整数索引（在列表中的位置）访问元素，并搜索列表中的元素。         与 set 不同，列表通常允许重复
  • 读书笔记 永夜-极光 读书笔记
       1.  K是一家加工厂,需要采购原材料,有A,B,C,D 4家供应商,其中A给出的价格最低,性价比最高,那么假如你是这家企业的采购经理,你会如何决策?          传统决策: A:100%订单  B,C,D:0%     &nbs
  • centos 安装 Codeblocks 随便小屋 codeblocks
    1.安装gcc,需要c和c++两部分,默认安装下,CentOS不安装编译器的,在终端输入以下命令即可yum install gccyum install gcc-c++   2.安装gtk2-devel,因为默认已经安装了正式产品需要的支持库,但是没有安装开发所需要的文档.yum install gtk2* 3. 安装wxGTK    yum search w
  • 23种设计模式的形象比喻 aijuans 设计模式
    1、ABSTRACT FACTORY—追MM少不了请吃饭了，麦当劳的鸡翅和肯德基的鸡翅都是MM爱吃的东西，虽然口味有所不同，但不管你带MM去麦当劳或肯德基，只管向服务员说“来四个鸡翅”就行了。麦当劳和肯德基就是生产鸡翅的Factory 　　工厂模式：客户类和工厂类分开。消费者任何时候需要某种产品，只需向工厂请求即可。消费者无须修改就可以接纳新产品。缺点是当产品修改时，工厂类也要做相应的修改。如：
  • 开发管理 CheckLists aoyouzi 开发管理 CheckLists
    开发管理 CheckLists(23) -使项目组度过完整的生命周期 开发管理 CheckLists(22) -组织项目资源 开发管理 CheckLists(21) -控制项目的范围开发管理 CheckLists(20) -项目利益相关者责任开发管理 CheckLists(19) -选择合适的团队成员开发管理 CheckLists(18) -敏捷开发 Scrum Master 工作开发管理 C
  • js实现切换 百合不是茶 JavaScript栏目切换
    js主要功能之一就是实现页面的特效,窗体的切换可以减少页面的大小,被门户网站大量应用思路: 1,先将要显示的设置为display:bisible 否则设为none 2,设置栏目的id ,js获取栏目的id,如果id为Null就设置为显示 3,判断js获取的id名字;再设置是否显示   代码实现:   html代码: <di
  • 周鸿祎在360新员工入职培训上的讲话 bijian1013 感悟项目管理人生职场
            这篇文章也是最近偶尔看到的，考虑到原博客发布者可能将其删除等原因，也更方便个人查找，特将原文拷贝再发布的。“学东西是为自己的，不要整天以混的姿态来跟公司博弈，就算是混，我觉得你要是能在混的时间里，收获一些别的有利于人生发展的东西，也是不错的，看你怎么把握了”，看了之后，对这句话记忆犹新。  &
  • 前端Web开发的页面效果 Bill_chen htmlWebMicrosoft
    1.IE6下png图片的透明显示： <img src="图片地址" border="0" style="Filter.Alpha(Opacity)=数值(100),style=数值(3)"/> 或在<head></head>间加一段JS代码让透明png图片正常显示。 2.<li>标
  • 【JVM五】老年代垃圾回收：并发标记清理GC(CMS GC) bit1129 垃圾回收
      CMS概述 并发标记清理垃圾回收(Concurrent Mark and Sweep GC）算法的主要目标是在GC过程中，减少暂停用户线程的次数以及在不得不暂停用户线程的请夸功能，尽可能短的暂停用户线程的时间。这对于交互式应用，比如web应用来说，是非常重要的。   CMS垃圾回收针对新生代和老年代采用不同的策略。相比同吞吐量垃圾回收，它要复杂的多。吞吐量垃圾回收在执
  • Struts2技术总结 白糖_ struts2
      必备jar文件 早在struts2.0.*的时候，struts2的必备jar包需要如下几个： commons-logging-*.jar   Apache旗下commons项目的log日志包 freemarker-*.jar          
  • Jquery easyui layout应用注意事项 bozch jquery浏览器easyuilayout
    在jquery easyui中提供了easyui-layout布局，他的布局比较局限，类似java中GUI的border布局。下面对其使用注意事项作简要介绍：      如果在现有的工程中前台界面均应用了jquery easyui，那么在布局的时候最好应用jquery eaysui的layout布局，否则在表单页面（编辑、查看、添加等等）在不同的浏览器会出
  • java-拷贝特殊链表：有一个特殊的链表，其中每个节点不但有指向下一个节点的指针pNext，还有一个指向链表中任意节点的指针pRand，如何拷贝这个特殊链表？ bylijinnan java
    public class CopySpecialLinkedList { /** * 题目：有一个特殊的链表，其中每个节点不但有指向下一个节点的指针pNext，还有一个指向链表中任意节点的指针pRand，如何拷贝这个特殊链表？ 拷贝pNext指针非常容易，所以题目的难点是如何拷贝pRand指针。 假设原来链表为A1 -> A2 ->... -> An，新拷贝
  • color Chen.H JavaScripthtmlcss
    <!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN"  "http://www.w3.org/TR/html4/loose.dtd">    <HTML>    <HEAD>&nbs
  • [信息与战争]移动通讯与网络 comsci 网络
          两个坚持:手机的电池必须可以取下来                光纤不能够入户,只能够到楼宇       建议大家找这本书看看:<&
  • oracle flashback query(闪回查询) daizj oracleflashback queryflashback table
    在Oracle 10g中，Flash back家族分为以下成员： Flashback Database Flashback Drop Flashback Table Flashback Query(分Flashback Query,Flashback Version Query，Flashback Transaction Query) 下面介绍一下Flashback Drop 和Flas
  • zeus持久层DAO单元测试 deng520159 单元测试
    zeus代码测试正紧张进行中,但由于工作比较忙,但速度比较慢.现在已经完成读写分离单元测试了,现在把几种情况单元测试的例子发出来,希望有人能进出意见,让它走下去. 本文是zeus的dao单元测试: 1.单元测试直接上代码   package com.dengliang.zeus.webdemo.test; import org.junit.Test; import o
  • C语言学习三printf函数和scanf函数学习 dcj3sjt126com cprintfscanflanguage
    printf函数 /* 2013年3月10日20:42:32 地点：北京潘家园 功能： 目的： 测试%x %X %#x %#X的用法 */ # include <stdio.h> int main(void) { printf("哈哈！\n"); // \n表示换行 int i = 10; printf
  • 那你为什么小时候不好好读书? dcj3sjt126com life
    dady, 我今天捡到了十块钱, 不过我还给那个人了 good girl! 那个人有没有和你讲thank you啊 没有啦....他拉我的耳朵我才把钱还给他的, 他哪里会和我讲thank you   爸爸, 如果地上有一张5块一张10块你拿哪一张呢.... 当然是拿十块的咯... 爸爸你很笨的, 你不会两张都拿   爸爸为什么上个月那个人来跟你讨钱, 你告诉他没
  • iptables开放端口 Fanyucai linuxiptables端口
    1，找到配置文件 vi /etc/sysconfig/iptables   2，添加端口开放，增加一行，开放18081端口 -A INPUT -m state --state NEW -m tcp -p tcp --dport 18081 -j ACCEPT   3，保存 ESC :wq!   4，重启服务 service iptables
  • Ehcache（05）——缓存的查询 234390216 排序ehcache统计query
    缓存的查询 目录 1.    使Cache可查询 1.1     基于Xml配置 1.2     基于代码的配置 2     指定可搜索的属性 2.1     可查询属性类型 2.2 &
  • 通过hashset找到数组中重复的元素 jackyrong hashset
      如何在hashset中快速找到重复的元素呢?方法很多，下面是其中一个办法： int[] array = {1,1,2,3,4,5,6,7,8,8}; Set<Integer> set = new HashSet<Integer>(); for(int i = 0
  • 使用ajax和window.history.pushState无刷新改变页面内容和地址栏URL lanrikey history
    后退时关闭当前页面 <script type="text/javascript"> jQuery(document).ready(function ($) {         if (window.history && window.history.pushState) {
  • 应用程序的通信成本 netkiller.github.com 虚拟机应用服务器陈景峰netkillerneo
    应用程序的通信成本 什么是通信 一个程序中两个以上功能相互传递信号或数据叫做通信。 什么是成本 这是是指时间成本与空间成本。 时间就是传递数据所花费的时间。空间是指传递过程耗费容量大小。 都有哪些通信方式 全局变量 线程间通信 共享内存 共享文件 管道 Socket 硬件（串口，USB） 等等 全局变量 全局变量是成本最低通信方法，通过设置
  • 一维数组与二维数组的声明与定义 恋洁e生 二维数组一维数组定义声明初始化
    /**  *  */ package test20111005; /**  * @author FlyingFire  * @date:2011-11-18 上午04:33:36  * @author ：代码整理  * @introduce :一维数组与二维数组的初始化  *summary：  */ public c
  • Spring Mybatis独立事务配置 toknowme mybatis
    在项目中有很多地方会使用到独立事务，下面以获取主键为例   （1）修改配置文件spring-mybatis.xml  <!-- 开启事务支持 -->  <tx:annotation-driven transaction-manager="transactionManager" />   &n
  • 更新Anadroid SDK Tooks之后，Eclipse提示No update were found xp9802 eclipse
    使用Android SDK Manager 更新了Anadroid SDK Tooks 之后， 打开eclipse提示 This Android SDK requires Android Developer Toolkit version 23.0.0 or above, 点击Check for Updates  检测一会后提示 No update were found 
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他