利用【MATLAB】和【Python】进行【图与网络模型】的高级应用与分析】

目录

一、图与网络的基本概念

1. 无向图与有向图

2. 简单图、完全图、赋权图

3. 顶点的度

4. 子图与连通性

5. 图的矩阵表示

MATLAB代码实例

Python代码实例 

二、最短路径问题

1. 最短路径问题的定义

2. Dijkstra算法

MATLAB代码实例

Python代码实例

三、最小生成树问题

1. 最小生成树的定义

2. Kruskal算法

MATLAB代码实例

Python代码实例

注意的细节知识点

四、钢管订购和运输问题

1. 问题描述

2. 问题分析

需要综合考虑订购费用、运输费用和铺设费用。

3. 模型的建立与求解

MATLAB代码实例

Python代码实例 

五、MATLAB工具箱的应用

1. MATLAB在图与网络中的应用

MATLAB代码实例

结论

​编辑

ce6fbd68767d465bbe94b775b8b811db.png

731bd47804784fa2897220a90a387b28.gif

专栏：数学建模学习笔记

一、图与网络的基本概念

1. 无向图与有向图

  • 无向图：由顶点集合和边集合组成，边是无方向的。表示为 G=(V,E)，其中 V 是顶点集合， E 是边集合。
  • 有向图：边是有方向的，从一个顶点指向另一个顶点。表示为 G=(V,E)，其中每条边用有序对表示。

2. 简单图、完全图、赋权图

  • 简单图：无重复边和自环的图。
  • 完全图：每对顶点之间都有边的图， Kn​ 表示n个顶点的完全图。
  • 赋权图：边带有权值的图，用于表示边的某种属性，如距离、费用等。

3. 顶点的度

  • 度：与顶点相连的边的数目。在无向图中，顶点的度即为相连边的数目。在有向图中，入度为指向该顶点的边数，出度为从该顶点出发的边数。

4. 子图与连通性

  • 子图：由原图的一部分顶点和边组成的图。
  • 连通性：图中任意两顶点之间存在路径。无向图称为连通图，有向图称为强连通图。

5. 图的矩阵表示

  • 邻接矩阵：表示顶点之间是否有边的矩阵。若顶点 i 和顶点 j 之间有边，则矩阵A[i][j] 为1，否则为0。
  • 关联矩阵：表示顶点和边关系的矩阵。若边ek​ 连接顶点 vi​ 和 vj​，则矩阵 A[i][k] 和]A[j][k] 分别为1。

MATLAB代码实例

% MATLAB代码
% 创建无向图和有向图的邻接矩阵表示% 无向图的邻接矩阵
A_undirected = [0 1 1 0; 1 0 1 1; 1 1 0 1; 0 1 1 0];% 有向图的邻接矩阵
A_directed = [0 1 0 0; 0 0 1 0; 0 0 0 1; 1 0 0 0];% 显示邻接矩阵
disp('无向图的邻接矩阵:');
disp(A_undirected);disp('有向图的邻接矩阵:');
disp(A_directed);% 创建图对象并可视化
G_undirected = graph(A_undirected);
G_directed = digraph(A_directed);% 绘制图
figure;
subplot(1,2,1);
plot(G_undirected);
title('无向图');subplot(1,2,2);
plot(G_directed);
title('有向图');

无向图的邻接矩阵:0     1     1     01     0     1     11     1     0     10     1     1     0有向图的邻接矩阵:0     1     0     00     0     1     00     0     0     11     0     0     0

邻接矩阵表示无向图的邻接矩阵：A_undirected 是一个4x4矩阵，其中 A_undirected(i, j) 表示顶点 i 和顶点 j 之间是否有边。对于无向图，矩阵是对称的。
有向图的邻接矩阵：A_directed 是一个4x4矩阵，其中 A_directed(i, j) 表示顶点 i 到顶点 j 之间是否有边。对于有向图，矩阵不是对称的。
显示邻接矩阵使用 disp 函数显示无向图和有向图的邻接矩阵，以便于检查矩阵的正确性。
创建图对象并可视化graph(A_undirected) 创建无向图对象。
digraph(A_directed) 创建有向图对象。
使用 plot 函数可视化图对象。subplot 函数将图分成两部分，分别显示无向图和有向图。

Python代码实例 

import networkx as nx
import matplotlib.pyplot as plt
import numpy as np
from matplotlib.font_manager import FontProperties# 设置中文字体
font = FontProperties(fname=r"C:\Windows\Fonts\simsun.ttc", size=15)# 无向图的邻接矩阵
A_undirected = np.array([[0, 1, 1, 0],[1, 0, 1, 1],[1, 1, 0, 1],[0, 1, 1, 0]
])# 有向图的邻接矩阵
A_directed = np.array([[0, 1, 0, 0],[0, 0, 1, 0],[0, 0, 0, 1],[1, 0, 0, 0]
])# 使用邻接矩阵创建无向图和有向图
G_undirected = nx.from_numpy_array(A_undirected)
G_directed = nx.from_numpy_array(A_directed, create_using=nx.DiGraph)# 绘制无向图
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
nx.draw(G_undirected, with_labels=True, node_color='skyblue', edge_color='black', node_size=1500, font_size=20)
plt.title('无向图', fontproperties=font)# 绘制有向图
plt.subplot(1, 2, 2)
nx.draw(G_directed, with_labels=True, node_color='lightgreen', edge_color='red', node_size=1500, font_size=20, arrows=True)
plt.title('有向图', fontproperties=font)plt.show()


注意的细节知识点邻接矩阵表示确保邻接矩阵的对称性（对于无向图）。
邻接矩阵的大小应为 n x n，其中 n 是顶点数量。
显示矩阵使用 disp 或 print 函数显示矩阵，便于检查矩阵的正确性。
创建图对象使用 graph 和 digraph 函数分别创建无向图和有向图对象。
确保输入的邻接矩阵符合图的类型（无向或有向）。
可视化图使用 plot 函数可视化图对象，便于直观理解图的结构。
在Python中，可以使用 networkx 库中的 draw 函数进行可视化，matplotlib 库中的 subplot 函数分割图形窗口。
MATLAB和Python的差异MATLAB中的 graph 和 digraph 函数对应于Python中的 nx.Graph 和 nx.DiGraph。
MATLAB中的 disp 函数对应于Python中的 print 函数。
MATLAB中的 plot 函数对应于Python中的 nx.draw 函数。

二、最短路径问题

1. 最短路径问题的定义

  • 最短路径问题是寻找从一个顶点到另一个顶点的路径，使得路径上的边权值和最小。

2. Dijkstra算法

  • 适用于非负权图的单源最短路径问题。
  • 算法步骤：
    1. 初始化：设置起点到自己的距离为0，其他顶点为无穷大。
    2. 选择未处理的顶点中距离最小的顶点，将其标记为已处理。
    3. 更新该顶点的邻接顶点的距离。
    4. 重复步骤2和3，直到所有顶点都被处理。

MATLAB代码实例

% MATLAB代码
% Dijkstra算法实现
function [dist, path] = dijkstra(A, start_node)n = size(A, 1); % 顶点数量dist = inf(1, n); % 初始化距离dist(start_node) = 0;visited = false(1, n); % 访问标记path = -ones(1, n); % 路径for i = 1:n% 选择未处理顶点中距离最小的顶点[~, u] = min(dist + visited * inf);visited(u) = true;% 更新邻接顶点的距离for v = 1:nif A(u, v) > 0 && ~visited(v)alt = dist(u) + A(u, v);if alt < dist(v)dist(v) = alt;path(v) = u;endendendend
end% 示例图的邻接矩阵
A = [0 10 20 0 0;10 0 5 1 0;20 5 0 2 3;0 1 2 0 4;0 0 3 4 0];% 计算从起点1到其他顶点的最短路径
[start_node] = 1;
[dist, path] = dijkstra(A, start_node);% 显示结果
disp('顶点的最短距离:');
disp(dist);
disp('最短路径:');
disp(path);% 可视化结果
G = digraph(A);
figure;
h = plot(G, 'EdgeLabel', G.Edges.Weight);
highlight(h, path, 'EdgeColor', 'r', 'LineWidth', 2);
title('Dijkstra最短路径');

顶点的最短距离:0    10    20   Inf   Inf最短路径:-1     1     1    -1    -1

 

初始化n = size(A, 1)：获取图中顶点的数量。
dist = inf(1, n)：初始化每个顶点的距离为无穷大。
dist(start_node) = 0：起点到自身的距离为0。
visited = false(1, n)：初始化访问标记。
path = -ones(1, n)：初始化路径数组。
主循环for i = 1:n：对每个顶点进行迭代。
[~, u] = min(dist + visited * inf)：选择未处理顶点中距离最小的顶点。
visited(u) = true：将该顶点标记为已处理。
更新邻接顶点的距离for v = 1:n：对每个邻接顶点进行迭代。
if A(u, v) > 0 && ~visited(v)：如果顶点 v 与顶点 u 之间有边且未被访问。
alt = dist(u) + A(u, v)：计算通过顶点 u 到顶点 v 的距离。
if alt < dist(v)：如果通过 u 到 v 的距离小于当前已知的 v 的距离。
dist(v) = alt：更新 v 的距离。
path(v) = u：更新 v 的路径。

Python代码实例

import heapqdef dijkstra(A, start_node):n = len(A)dist = [float('inf')] * ndist[start_node] = 0visited = [False] * npath = [-1] * nqueue = [(0, start_node)]while queue:d, u = heapq.heappop(queue)if visited[u]:continuevisited[u] = Truefor v, weight in enumerate(A[u]):if weight > 0 and not visited[v]:alt = dist[u] + weightif alt < dist[v]:dist[v] = altpath[v] = uheapq.heappush(queue, (alt, v))return dist, path# 示例图的邻接矩阵
A = [[0, 10, 20, 0, 0],[10, 0, 5, 1, 0],[20, 5, 0, 2, 3],[0, 1, 2, 0, 4],[0, 0, 3, 4, 0]
]# 计算从起点0到其他顶点的最短路径
start_node = 0
dist, path = dijkstra(A, start_node)# 显示结果
print('顶点的最短距离:', dist)
print('最短路径:', path)

顶点的最短距离: [0, 10, 13, 11, 15]
最短路径: [-1, 0, 3, 1, 3]

三、最小生成树问题

1. 最小生成树的定义

  • 最小生成树（MST）是包含图中所有顶点且边权值和最小的生成树。

2. Kruskal算法

  • 适用于任意图。
  • 算法步骤：
    1. 将图中的边按权值从小到大排序。
    2. 依次选择权值最小的边，若该边的加入不形成圈，则将其加入生成树。
    3. 重复步骤2，直到生成树包含所有顶点。

MATLAB代码实例

% MATLAB代码
% Kruskal算法实现
function [mst_edges, mst_weight] = kruskal(A)n = size(A, 1);edges = [];for i = 1:nfor j = i+1:nif A(i, j) > 0edges = [edges; i, j, A(i, j)];endendendedges = sortrows(edges, 3);parent = 1:n;mst_edges = [];mst_weight = 0;function p = find(parent, x)if parent(x) == xp = x;elsep = find(parent, parent(x));parent(x) = p;endendfor k = 1:size(edges, 1)u = edges(k, 1);v = edges(k, 2);w = edges(k, 3);pu = find(parent, u);pv = find(parent, v);if pu ~= pvmst_edges = [mst_edges; u, v];mst_weight = mst_weight + w;parent(pu) = pv;endend
end% 示例图的邻接矩阵
A = [0 10 6 5;10 0 0 15;6 0 0 4;5 15 4 0];% 计算最小生成树
[mst_edges, mst_weight] = kruskal(A);% 显示结果
disp('最小生成树的边:');
disp(mst_edges);
disp('最小生成树的权重:');
disp(mst_weight);% 可视化结果
G = graph(A);
figure;
h = plot(G, 'EdgeLabel', G.Edges.Weight);
highlight(h, mst_edges(:,1), mst_edges(:,2), 'EdgeColor', 'r', 'LineWidth', 2);
title('Kruskal最小生成树');

最小生成树的边:3     41     41     2最小生成树的权重:19

 

初始化n = size(A, 1)：获取图中顶点的数量。
edges = []：初始化边的列表。
使用嵌套循环遍历邻接矩阵，收集所有边的信息。
边的排序edges = sortrows(edges, 3)：按边的权值从小到大排序。
并查集的初始化parent = 1:n：初始化每个顶点的父节点为自身。
mst_edges = []：初始化最小生成树的边列表。
mst_weight = 0：初始化最小生成树的权重和。
并查集查找函数function p = find(parent, x)：递归查找顶点的根节点，并进行路径压缩。

Python代码实例

class UnionFind:def __init__(self, n):self.parent = list(range(n))def find(self, u):if self.parent[u] != u:self.parent[u] = self.find(self.parent[u])return self.parent[u]def union(self, u, v):root_u = self.find(u)root_v = self.find(v)if root_u != root_v:self.parent[root_u] = root_vdef kruskal(A):n = len(A)edges = [(A[i][j], i, j) for i in range(n) for j in range(i + 1, n) if A[i][j] > 0]edges.sort()uf = UnionFind(n)mst_edges = []mst_weight = 0for weight, u, v in edges:if uf.find(u) != uf.find(v):uf.union(u, v)mst_edges.append((u, v))mst_weight += weightreturn mst_edges, mst_weight# 示例图的邻接矩阵
A = [[0, 10, 6, 5],[10, 0, 0, 15],[6, 0, 0, 4],[5, 15, 4, 0]
]# 计算最小生成树
mst_edges, mst_weight = kruskal(A)# 显示结果
print('最小生成树的边:', mst_edges)
print('最小生成树的权重:', mst_weight)

注意的细节知识点

  1. 初始化

    • 确保并查集正确初始化，每个顶点的父节点为自身。

  2. 边的收集与排序

    • 收集所有边的信息，并按权值从小到大排序，以便于后续选择最小权值边。

  3. 并查集查找函数

    • 使用递归查找顶点的根节点，并进行路径压缩，提高查找效率。

  4. 边的选择与合并

    • 在选择边时，确保不会形成圈，使用并查集的查找和合并操作。
    • 更新最小生成树的边和权重，确保最小生成树的正确性。

四、钢管订购和运输问题

1. 问题描述

  • 需要从多个钢厂订购钢管，并将其运输到施工地点，铺设天然气主管道。
  • 图中表示钢厂、枢纽点和施工地点，边的权值表示运输距离。

2. 问题分析

  • 分解为两个子问题：从钢厂到枢纽点的运输和从枢纽点到施工地点的铺设。

  • 需要综合考虑订购费用、运输费用和铺设费用。

3. 模型的建立与求解

  • 运费矩阵的计算模型：计算从供应点到需求点的最小购运费。
  • 总费用的数学规划模型：包括订购费用、运输费用和铺设管道的运费。
  • 模型求解：利用Floyd算法计算最短路径，运用数学规划模型优化总费用。

MATLAB代码实例

% MATLAB代码
% 构造铁路距离赋权图
function dist = floyd_warshall(A)n = size(A, 1);dist = A;dist(dist == 0) = inf;dist(1:n+1:end) = 0;for k = 1:nfor i = 1:nfor j = 1:nif dist(i, k) + dist(k, j) < dist(i, j)dist(i, j) = dist(i, k) + dist(k, j);endendendend
end% 示例图的邻接矩阵
A = [0 10 inf inf inf;10 0 5 inf inf;inf 5 0 3 inf;inf inf 3 0 1;inf inf inf 1 0];% 计算最短路径
dist = floyd_warshall(A);% 计算总费用的数学规划模型
function total_cost = steel_pipeline_optimization(supplies, demands, cost_matrix)n_suppliers = length(supplies);n_demands = length(demands);total_cost = 0;for i = 1:n_suppliersfor j = 1:n_demandstotal_cost = total_cost + supplies(i) * cost_matrix(i, j);endend
end% 示例数据
supplies = [100, 200, 150];
demands = [50, 100, 200, 100];
cost_matrix = [2, 4, 5, 6;3, 2, 7, 4;6, 5, 2, 3];% 计算总费用
total_cost = steel_pipeline_optimization(supplies, demands, cost_matrix);% 显示结果
disp('总费用:');
disp(total_cost);% 可视化结果
figure;
imagesc(dist);
colorbar;
title('Floyd-Warshall最短路径距离矩阵');
xlabel('目标节点');
ylabel('起始节点');

 

  1. Floyd-Warshall算法

    • function dist = floyd_warshall(A)：定义Floyd-Warshall算法函数。
    • n = size(A, 1)：获取图中顶点的数量。
    • dist = A：初始化距离矩阵。
    • dist(dist == 0) = inf：将邻接矩阵中的0（无边）替换为无穷大。
    • dist(1:n+1:end) = 0：对角线上的元素设为0，表示自身到自身的距离为0。
    • for k = 1:n, for i = 1:n, for j = 1:n：三重循环更新距离矩阵。
    • if dist(i, k) + dist(k, j) < dist(i, j)：如果通过顶点 k 的路径更短，则更新距离。
    • dist(i, j) = dist(i, k) + dist(k, j)：更新距离矩阵。

  1. 总费用的数学规划模型

    • function total_cost = steel_pipeline_optimization(supplies, demands, cost_matrix)：定义总费用计算函数。
    • n_suppliers = length(supplies)：获取供应点数量。
    • n_demands = length(demands)：获取需求点数量。
    • total_cost = 0：初始化总费用。
    • for i = 1:n_suppliers, for j = 1:n_demands：双重循环遍历供应点和需求点。
    • total_cost = total_cost + supplies(i) * cost_matrix(i, j)：累加各供应点到各需求点的费用。

Python代码实例 

import numpy as npdef floyd_warshall(A):n = len(A)dist = np.array(A, dtype=float)dist[dist == 0] = np.infnp.fill_diagonal(dist, 0)for k in range(n):for i in range(n):for j in range(n):if dist[i, k] + dist[k, j] < dist[i, j]:dist[i, j] = dist[i, k] + dist[k, j]return dist# 示例图的邻接矩阵
A = [[0, 10, float('inf'), float('inf'), float('inf')],[10, 0, 5, float('inf'), float('inf')],[float('inf'), 5, 0, 3, float('inf')],[float('inf'), float('inf'), 3, 0, 1],[float('inf'), float('inf'), float('inf'), 1, 0]
]# 计算最短路径
dist = floyd_warshall(A)def steel_pipeline_optimization(supplies, demands, cost_matrix):total_cost = 0for i in range(len(supplies)):for j in range(len(demands)):total_cost += supplies[i] * cost_matrix[i][j]return total_cost# 示例数据
supplies = [100, 200, 150]
demands = [50, 100, 200, 100]
cost_matrix = [[2, 4, 5, 6],[3, 2, 7, 4],[6, 5, 2, 3]
]# 计算总费用
total_cost = steel_pipeline_optimization(supplies, demands, cost_matrix)# 显示结果
print('总费用:', total_cost)

总费用: 7300

五、MATLAB工具箱的应用

1. MATLAB在图与网络中的应用

  • MATLAB提供了强大的工具箱，用于处理图与网络问题。通过编写脚本和函数，可以实现图的生成、算法的实现及结果的可视化。

MATLAB代码实例

% 创建图对象并可视化
G = graph([1 2 2 3 3 4 4 5 5], [2 3 4 4 5 5 1 1 2], [10 20 30 40 50 60 70 80 90]);% 可视化图
figure;
plot(G, 'EdgeLabel', G.Edges.Weight);
title('图的可视化');% 计算最短路径
[start_node, end_node] = deal(1, 5);
[dist, path] = shortestpath(G, start_node, end_node);% 显示最短路径
disp('最短路径:');
disp(path);% 计算最小生成树
T = minspantree(G);
figure;
plot(T, 'EdgeLabel', T.Edges.Weight);
title('最小生成树');

最短路径:80

 

结论

图与网络模型是解决复杂系统问题的重要工具，通过合理的算法和数学模型，可以有效地解决最短路径、最小生成树等问题。利用MATLAB和Python等工具，可以大大简化计算过程，提高工作效率。在实际应用中，图与网络模型广泛用于通信网络建设、物流运输规划等领域，具有重要的现实意义。希望这篇详细的博客总结能够帮助您理解和应用图与网络模型的基本概念、算法及其在实际问题中的应用。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/bicheng/48668.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

无法启动此程序，因为计算机丢失api-ms-win-core-path-l1-1-0.dll的解决方案

无法启动此程序，因为计算机丢失api-ms-win-core-path-l1-1-0.dll的解决方案

大家好，我是爱编程的喵喵。双985硕士毕业，现担任全栈工程师一职，热衷于将数据思维应用到工作与生活中。从事机器学习以及相关的前后端开发工作。曾在阿里云、科大讯飞、CCF等比赛获得多次Top名次。现为CSDN博客专家、人工智能领域优质创作者。喜欢通过博客创作的方式对所学的…
阅读更多...
Microsoft Visual C++ 2010 Express 使用

Microsoft Visual C++ 2010 Express 使用

Microsoft Visual C 2010 Express 使用 Microsoft Visual C 2010 Express&#xff08;简称VC 2010 Express&#xff09;是一款免费的集成开发环境&#xff08;IDE&#xff09;&#xff0c;专为C和C语言的开发者设计。 安装 下载|本站链接【VC2010简体中文版】的安装包并解压…
阅读更多...
C#学习-刘铁猛

C#学习-刘铁猛

文章目录 1.委托委托的具体使用-魔板方法回调方法【好莱坞方法】&#xff1a;通过委托类型的参数&#xff0c;传入主调方法的被调用方法&#xff0c;主调方法可以根据自己的逻辑决定调用这个方法还是不调用这个方法。【演员只用接听电话&#xff0c;如果通过&#xff0c;导演会…
阅读更多...
mysql oracle postgreSQL区别

mysql oracle postgreSQL区别

MySQL、Oracle Database和PostgreSQL是三种流行的关系型数据库管理系统&#xff08;RDBMS&#xff09;&#xff0c;它们各有特点&#xff0c;适用于不同的应用场景。以下是它们之间的一些主要区别&#xff1a; 1.许可证和成本&#xff1a; 1.MySQL是一个开源数据库&#xff0c;…
阅读更多...
一个集Swagger2 和 OpenAPI3为一体的增强接口文档工具，一把为您的API文档需求量身定制的“利刃”（附源码）

一个集Swagger2 和 OpenAPI3为一体的增强接口文档工具，一把为您的API文档需求量身定制的“利刃”（附源码）

前言 在微服务和分布式系统架构日益普及的今天&#xff0c;API文档的管理与维护成为了开发过程中的一个关键环节。开发者们常常面临着API文档更新不及时、格式不统一、难以维护和阅读的问题。此外&#xff0c;随着API数量的增加&#xff0c;管理和维护这些文档变得越来越复杂。…
阅读更多...
unity2022 il2cpp 源码编译

unity2022 il2cpp 源码编译

新建一个XCODE静态库工程 从unity安装目录中找到il2cpp源码 Editor\Data\il2cpp\ 改名 il2cpp/libil2cpp -> il2cpp/il2cpp 加入工程中 ->工程根目录 extends/zlib libil2cpp/ buildSettings 相关设置 IOS Deployment Target ios 12.0 Header Search Paths $(in…
阅读更多...
Anthropic的Claude安卓版能否赢得用户青睐？

Anthropic的Claude安卓版能否赢得用户青睐？

Anthropic的Claude安卓版能否赢得用户青睐&#xff1f; 前言 Anthropic 就在7月18日&#xff0c;这家以"可控AI"著称的初创公司再次出手&#xff0c;推出了Claude的Android版本应用。这款APP不仅支持实时语言翻译&#xff0c;更传承了Anthropic一贯的隐私保护政策。C…
阅读更多...
C++游戏时间——Maker_Game游戏头文件组1.0

C++游戏时间——Maker_Game游戏头文件组1.0

我们都知道，C++可以写控制台、图形界面、静态库程序。 这几天，我写游戏都写炸毛了，但对于对静态库一窍不通的我，只能写图形库和控制台。 于是。。。。 Maker_Game游戏头文件组1.0诞生了！ #include <Maker_Game/Ege.h> #include <Maker_Game/Console.h> Co…
阅读更多...
基于SpringBoot+Vue的校园志愿者管理系统(带1w+文档)

基于SpringBoot+Vue的校园志愿者管理系统(带1w+文档)

基于SpringBootVue的校园志愿者管理系统(带1w文档) 基于SpringBootVue的校园志愿者管理系统(带1w文档) 本次设计任务是要设计一个校园志愿者管理系统&#xff0c;通过这个系统能够满足管理员和志愿者的校园志愿者信息管理功能。系统的主要功能包括首页、个人中心、志愿者管理、…
阅读更多...
pytorch学习（十六）conda和pytorch的安装

pytorch学习（十六）conda和pytorch的安装

1.安装anaconda 1.1 首先下载安装包 1&#xff09;进入anaconda官网 Anaconda | The Operating System for AI 2&#xff09;注册一下 3&#xff09;下载 4&#xff09;一直点直到安装完 5&#xff09;配置环境变量 在path路径中加入 Anaconda安装路径 Anaconda安装路径\S…
阅读更多...
LeetCode 123题： 买卖股票的最佳时机 III代码优化（原创）

LeetCode 123题： 买卖股票的最佳时机 III代码优化（原创）

之前完成了LeetCode 123题&#xff1a; 买卖股票的最佳时机 III&#xff08;原创&#xff09;-CSDN博客&#xff0c;虽然完成代码编写&#xff0c;并提交成功&#xff0c;但运行效率不是很高。执行时长高达62ms&#xff0c;见下图&#xff1a; 看了下代码感觉可以通过将三维数组…
阅读更多...
提交(git-add git-commit git-push)

提交(git-add git-commit git-push)

当修改好一个功能的时候&#xff0c;可以提交到远程仓库&#xff0c;这样就等于更新了一次版本&#xff0c;那么下次改修了文件的话&#xff0c;是跟这个版本做对比的 git status&#xff0c; 查看文件修改情况&#xff0c;git add 假如你只想提交1个文件&#xff0c;那么直接…
阅读更多...
IOC、DI＜5＞ Unity、AOP、延迟获取对象、检索容器中注册信息

IOC、DI＜5＞ Unity、AOP、延迟获取对象、检索容器中注册信息

Unity.InterceptionExtension.ICallHandler实现一个操作日志记录功能 其它跟上一次一样 <?xml version"1.0" encoding"utf-8" ?> <configuration><configSections><section name"unity" type"Microsoft.Practice…
阅读更多...
新手入门python该如何开始学习？学习路线是什么呢？

新手入门python该如何开始学习？学习路线是什么呢？

今天这篇文章从三个点给大家介绍一下新手学习Python的正确路线是什么、python最核心的知识点是什么 Python学习路线 Python学习路线可以大致分为以下几个阶段&#xff0c;每个阶段都包含了一系列核心知识点和技能&#xff1a; 第一阶段&#xff1a;Python基础 Python语言基础…
阅读更多...
扫描某个网段下存活的IP：fping

扫描某个网段下存活的IP：fping

前言&#xff1a; 之前用arp统计过某网段下的ip&#xff0c;但是有可能统计不全。网络管理平台又不允许登录。想要知道当前的ip占用情况&#xff0c;可以使用fping fping命令类似于ping&#xff0c;但比ping更强大。与ping需要等待某一主机连接超时或发回反馈信息不同&#x…
阅读更多...
递归与迭代

递归与迭代

1. 概念区别 递归&#xff08;recursion&#xff09;&#xff1a;递归常被用来描述以自相似方法重复事物的过程&#xff0c;在数学和计算机科学中&#xff0c;指的是在函数定义中使用函数自身的方法。&#xff08;A调用A&#xff09; 迭代&#xff08;iteration&#xff09;&…
阅读更多...
nodejs学习之Rollup

nodejs学习之Rollup

官网 https://github.com/rollup/rollup 英文文档 中文文档 是什么 Rollup 是一个用于 JavaScript 的模块打包工具&#xff0c;它将小的代码片段编译成更大、更复杂的代码&#xff0c;例如库或应用程序。它使用 JavaScript 的 ES6 版本中包含的新标准化代码模块格式&#xf…
阅读更多...
数据挖掘与分析部分实验内容

数据挖掘与分析部分实验内容

一、机器学习算法的应用 1. 朴素贝叶斯分类器 相关代码 import pandas as pd from sklearn.model_selection import train_test_split from sklearn.naive_bayes import GaussianNB, MultinomialNB from sklearn.metrics import accuracy_score # 将数据加载到DataFrame中&a…
阅读更多...
基于声学基元的高质量空间音频生成框架

基于声学基元的高质量空间音频生成框架

关键词&#xff1a;人体姿态、声学基元、空间音频建模、体积渲染 过去几年中&#xff0c;渲染和动画制作逼真的3D人体模型技术已经发展成熟&#xff0c;并且达到了令人印象深刻的质量水平。然而&#xff0c;与这些全身模型相关联的空间音频建模&#xff0c;却在很大程度上被忽视…
阅读更多...
【C++报错已解决】“Null Pointer Dereference“

【C++报错已解决】“Null Pointer Dereference“

&#x1f3ac; 鸽芷咕&#xff1a;个人主页 &#x1f525; 个人专栏: 《C干货基地》《粉丝福利》 ⛺️生活的理想&#xff0c;就是为了理想的生活! 引言 在软件开发过程中&#xff0c;遇到 “Null Pointer Dereference” 报错可能会让你感到困惑。这个错误提示通常意味着你的程…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023