数学建模2023-A太阳镜厂代码认识

  P=np.column_stack((p1,new_column))  #得到每个镜子的x,y,z序列

 

nl=nl/np.linalg.norm(nl)  #得到单位法向量

 

 for dx in np.arange(-W/2,W/2+0.1,delta_t):

 

 indices_in_circle=np.where(Dis[:,i]==1)[0] #取周围半径

 

 Di_b=Tb.T.dot(Di_d-B) #A镜上的点 从地面坐标系->B镜坐标系

 

总代码

1、

import numpy as np
import pandas as pd
from math import cos,sin,acos,asin,pi,exp,sqrt
import time
P=pd.read_excel(r'附件.xlsx').values
Dis=np.load('distance.npy')ST_0=[9,10.5,12,13.5,15]
D_0=[337,0,31,61,92]
delta_t=1.5
x_c=0;y_c=0;L=W=6
H0=80;H1=8;H=4
HR=3.5def F(L,W,H,D_0,ST_0,delta_t,H0,H1,HR,Dis,p1,x_c,y_c):N=(W/delta_t+1)**2*4yita_ref=0.92  #镜面反射率S=L*Wnew_column=np.array([H for i in range(len(p1))]) #安装高度4mP=np.column_stack((p1,new_column))  #得到每个镜子的x,y,z序列#################初始化yita########################Yita=np.zeros([len(ST_0),len(P)])Yita_trunc=np.zeros([len(ST_0),len(P)])Yita_at=np.zeros([len(ST_0),len(P)])Yita_cos =np.zeros([len(ST_0),len(P)])Yita_sb =np.zeros([len(ST_0),len(P)])E_0=np.zeros([len(D_0),len(ST_0)])Y1=Y2=Y3=Y4=np.zeros([len(D_0),len(ST_0)])DF=np.zeros(len(D_0),5)for di, D in enumerate(D_0):for sti,ST in enumerate(ST_0):#计算太阳位置 以及相关参数fai=39.4*pi/180   #得到用弧度表示的当地纬度delta=asin(sin(2*pi*D/365)*sin(2*pi*23.45/360))   #delta为太阳赤纬角w=(pi/12)*(ST-12)   #得到为太阳时角sin_as=cos(delta)*cos(fai)*cos(w)+sin(delta)*sin(fai)#太阳高度角cos_as=sqrt(1-sin_as**2)cos_rs=(sin(delta)-sin_as*sin(fai))/(sqrt(1-sin_as**2)*cos(fai)) #太阳方位角if abs(cos_rs)>1:     #一般是不会出现>1的情况，若出现了，说明值有一些问题cos_rs=cos_rs/abs(cos_rs)if ST<=12:sin_rs=sqrt(1-cos_rs**2)else:sin_rs=-sqrt(1-cos_rs**2)a=0.4237-0.00821-(6-3)**2b=0.5055+0.00595-(6.5-3)**2c=0.2711+0.01858*(2.5-3)**2DNI=1.366*(a+b*exp(-c/sin_as))    #得到法向直接辐射辐照度 DNIA0=np.array([x_c,y_c,H0])#集热器中心Ls=np.array([-cos_as*sin_rs,-cos_as*cos_rs,-sin_as]) #入射光线的方向向量s=np.array([1,0,0])for i in range(len(P)):#A镜中点  反射向量Di=P[i]Lr=A0-Dinl=-Ls+Lr/np.linalg.norm(Lr) #A的法向量nl=nl/np.linalg.norm(nl)  #得到单位法向量beta1=asin(nl.dot([0,0,1])/np.linalg.norm(nl)) #俯仰角n0=np.array([nl[0],nl[1],0])if nl[1]>=0:alpha1=acos(n0.dot(s)/np.linalg.norm(n0)) #方位角else:alpha1 = -acos(n0.dot(s) / np.linalg.norm(n0))#A的旋转矩阵Ta=np.array([[cos(alpha1)*cos(pi/2-beta1),-sin(alpha1),cos(alpha1)*sin(pi/2-beta1)],[sin(alpha1) * cos(pi / 2 - beta1), cos(alpha1), sin(alpha1) * sin(pi / 2 - beta1)],[-sin(pi/2-beta1),0,cos(pi/2-beta1)]])light=0empty=0barr_tower=0barr_s=0barr_r=0#遍历每一个点for dx in np.arange(-W/2,W/2+0.1,delta_t):for dy in np.arange(-L/2,L/2+0.1,delta_t):Dxy=np.array([dx,dy,0]) #A镜上的某个点在A镜坐标系Di_d=Ta.dot(Dxy)+Di #A镜上的点 转置到地面坐标系##############遍历每一个入射光线圆锥的光线###############for the1 in np.arange(0.001,0.00465,0.002):the1=0.02for the2 in np.arange(0,2*pi,pi/2):if_barr=0#g是入射光线在主光线锥体系的坐标g=np.array([sin(the1)*cos(the2),sin(the1)*sin(the2),cos(the1)])#根据入射主光线，计算主光线锥体系的旋转矩阵 Ls：入射的太阳光线v=pi/2-acos(Ls.dot(np.array([0,0,1]))/np.linalg.norm(Ls))  #锥体光线的俯仰角nl_g0=np.array([Ls[0],Ls[1],0])if Ls[1]>=0:u=acos(nl_g0.dot(s)/np.linalg.norm(nl_g0)) #锥体主光线方位角else:u = -acos(nl_g0.dot(s) / np.linalg.norm(nl_g0)) #锥体主光线方位角T_s=np.array([[cos(u)*cos(pi/2-v),-sin(u),cos(u)*sin(pi/2-v)],[sin(u) * cos(pi / 2 - v), cos(u), sin(u) * sin(pi / 2 - v)],[-sin(pi/2-v),0,cos(pi/2-v)]])   #光锥到大地的转换矩阵g_d=T_s.dot(g) #转置到地面坐标系 g:入射光锥中的某条入射线g_r=g_d-2*g_d.dot(nl)*(nl) #对应的反射向量  #nl:A的法向量##################一、判断入射光线是否被遮挡##########################a,b,c=g_d #入射光线的x、y、zx0,y0,z0=Di_d  #镜子上的点的坐标delta_tower=4*(a*(x0-x_c)+b*(y0-y_c))**2-4*(a**2+b**2)*((x0-x_c)**2+(y0-y_c)**2-HR**2)if delta_tower>=0: #计算两个交点根t1=(-2*(a*(x0-x_c)+b*(y0-y_c))+sqrt(delta_tower))/(2*(a**2+b**2))t2 = (-2 * (a * (x0 - x_c) + b * (y0 - y_c)) - sqrt(delta_tower)) / (  2 * (a ** 2 + b ** 2))if min(t1*c+z0,t2*z0)<=(H0+H1/2)and min(t1*c+z0,t2*z0)>=0:barr_tower+=1continue#########二、判断入射光线是否被其他光镜遮挡##############indices_in_circle=np.where(Dis[:,i]==1)[0] #取周围半径for j in indices_in_circle: #len(P)if i==j:continue#B的中心坐标 alpha,beta直接调取提前计算的B=P[j]Lrb=A0-B  #反射光线nlb=-Ls+Lrb/np.linalg.norm(Lrb) #法向量#beta2,alpha2=all_alpha_beta[j,:]beta2=asin(nlb.dot[0,0,1])/np.linalg.norm(nlb) #俯仰角n0b=np.array(nlb[0],nlb[1],0)if nlb[1]>=0:alpha2=acos(n0b.dot(s)/np.linalg.norm(n0b) )#方位角else:alpha2 = -acos(n0b.dot(s) / np.linalg.norm(n0b))Tb=np.array([[cos(alpha2)*cos(pi/2-beta2),-sin(alpha2),cos(alpha2)*sin(pi/2-beta2)],[sin(alpha2) * cos(pi / 2 - beta2), cos(alpha2), sin(alpha2) * sin(pi / 2 - beta2)],[-sin(pi/2-beta2),0,cos(pi/2-beta2)]])Di_b=Tb.T.dot(Di_d-B) #A镜上的点 从地面坐标系->B镜坐标g_b=Tb.T.dot(g_d) #A入射光线 从地面坐标系->B镜坐标系t=-Di_b[2]/g_b[2] #计算入射光线的在B镜坐标系的交点x_b=g_b[0]*t+Di_b[0]y_b = g_b[1] * t + Di_b[1]D0=np.array([x_b,y_b,0])D0=Tb.dot(D0)+B #交点转到地面if abs(x_b)<=W/2 and abs(y_b)<=L/2 and D0[2]>Di_d[2]: #如果被遮挡了，就直接算下一条入射的线barr_s+=1if_barr=1break##################三、对应的反射###############g_r=g_d-2*g_d.dot(nl)*(nl) #对应的反射向量 #nl:A的法向量g_r_b=Tb.T.dot(g_r) #转置到b镜面坐标系t=-Di_b[2]/g_r_b[2] #计算反射光线的交点x_b=g_r_b[0]*t+Di_b[0]y_b = g_b[1] * t + Di_b[1]D0=np.array([x_b,y_b,0])D0 = Tb.dot(D0) + B  # 交点转到地面if abs(x_b)<=W/2 and abs(y_b)<=L/2 and D0[2]>Di_d[2]:barr_r+=1if_barr=1break###########四、是否吸收################if if_barr==0:a,b,c=g_rx0,y0,z0=Di_ddelta_recieve=4*(a*(x0-x_c)+b*(y0-y_c))**2-4*(a**2+b**2)*((x0-x_c)**2+(y0-y_c)**2-HR**2)if delta_recieve>=0:t1=( -2*(a*(x0-x_c)+b*(y0-y_c))+sqrt(delta_recieve))/(2*(a**2+b**2))t2=( -2*(a*(x0-x_c)+b*(y0-y_c))+sqrt(delta_recieve))/(2*(a**2+b**2))if   min(t1*c+z0,t2*c+z0)<=(H0+H1/2) and min(t1*c+z0,t2*c+z0)>=(H0-H1/2) :light+=1else:empty+=1#这里是这个时间点，计算第i个面板的数值，并记录，每个列表是1745的长度yita_sb=1-(barr_r+barr_s+barr_tower)/Nyita_cos=abs(Ls.dot(-nl)/np.linalg.norm(Ls))HR0=np.linalg.norm(Ls)yita_at=0.99321-0.0001176*HR0+1.97e-8*(HR0**2)if N-barr_s-barr_r-barr_tower==0:yita_trunc=1else:yita_trunc=(light)/(N-barr_s-barr_r-barr_tower)yita=yita_sb*yita_cos*yita_at*yita_trunc*yita_refYita_sb[sti,i]=yita_sbYita_cos[sti, i] = yita_cosYita_at[sti, i] = yita_atYita_trunc[sti, i] = yita_truncYita[sti, i] = yita#这里是在D，ST的循环里，计算第sti个时间点E_0[di,sti]=DNI*sum(S*Yita[sti,:])Y1[di,sti]=np.mean(Yita[sti,:])Y2[di, sti] = np.mean(Yita_cos[sti, :])Y3[di, sti] = np.mean(Yita_sb[sti, :])Y4[di, sti] = np.mean(Yita_trunc[sti, :])#已经计算完一个具体时间点DF[di,0]=np.mean(Y1[di,:])DF[di, 1] = np.mean(2[di, :])DF[di, 2] = np.mean(Y3[di, :])DF[di, 3] = np.mean(Y4[di, :])DF[di, 4] = sum(E_0[di,:])/(len(P)*S)/len(ST_0)#print(DF)return DF
start_time=time.time()Wp=F(L,W,H,D_0,ST_0,delta_t,H0,H1,HR,Dis,P,x_c,y_c)
print(Wp)#记录程序运行时间
end_time=time.time()
elapsed_time_seconds=end_time-start_time
elapsed_time_minutes=round(elapsed_time_seconds/60,2)
print(f"代码运行时间：{elapsed_time_minutes}分钟")

2、

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import random
from math import cos,sin,acos,asin,pi,exp,sqrt,floor
import time
from Function import F#导入题目的附件，并附加z值
p1=pd.read_excel(r's',header=None).values
HR=3.5
H=4
L=W=6
H0=80
H1=8#导入每块板 在某时刻的 俯仰角与方位角
D_0=[275]
ST_0=[12]#旋转角度
for gama in np.linspace(0,pi/3+0.01,4):TT=np.array([[cos(gama),-sin(gama)],[sin(gama),cos(gama)]])p1=TT.dot(p1.T).Tp1=p1Dis0=np.load('D')xy_len=range(-250,251,50)delta_t=1EP=np.zeros([len(xy_len),len(xy_len)])for m,x_c in enumerate(xy_len):for n,y_c in enumerate(xy_len):if x_c**2+y_c**2>250**2:continueEP0=0Pi=[]for i in range(len(p1)):dis=sqrt((p1[i,0]-x_c)**2+(p1[i,1]-y_c)**2)if dis>=100:Pi.append(i)p1=p1[Pi]#生成新的连接矩阵Dis1=np.ones([len(Pi),len(Pi)])for i in range(len(Pi)):for j in range(len(Pi)):Dis1[i,j]=Dis0[Pi[i],Pi[j]]m_n=floor(0.1*len(p1))for k in range(1,3):random_numbers=random.sample(list(range(len(p1))),m_n)p11=p1[random_numbers]Dis=np.ones([m_n,m_n])for i in range(m_n):for j in range(m_n):Dis[i,j]=Dis0[random_numbers[i],random_numbers[j]]Wp=F(L,W,H,D_0,ST_0,delta_t,H0,H1,HR,Dis,p11,x_c,y_c)EP0+=np.mean(Wp)*W*L*len(p1)/1000print(x_c,y_c,EP0/3)EP[m,n]=EP0

这段代码的作用是为了计算关于附件给定数据和某些参数的最优解。

具体来说，这份代码先在坐标系中旋转给定的数据，得到旋转后的坐标系，然后定义了一些常量和变量，包括板子的物理尺寸，初始的俯仰角和方位角，旋转角度等等。代码中还调用了自己编写的Function模块，这个模块里有一些函数，可以计算Wp和F，分别表示某段时间内WE算法的可用性和目标函数值。紧接着，代码中生成了一些新的矩阵并对其进行操作，最后输出计算出来的结果。

具体来说，循环中枚举了不同的旋转角度，通过旋转将数据映射到不同的坐标系中，然后在空间中枚举每个点(x_c, y_c)，其中点的坐标范围[-250, 250]。如果当前点与天空圆柱的交点不能连接到所有的板上，则无法继续计算此点的期望性能，直接跳过。接下来，计算可以到达所有板子的交点，这些点仅限于数据中离当前点距离小于100的点。这意味着我们不需要考虑从大距离发送的信号，因为这些信号方向不同，不能同时到达所有的板子。然后生成新的连接矩阵Dis1，并从中随机取出一定数量的点random_numbers，这些点的数量取决于数据中包含多少点。将选中的点的数据放入F函数中进行计算，计算结果存入EP矩阵中。最后输出EP矩阵，即为最终的计算结果。

 

3、

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import random
from math import cos,sin,acos,asin,pi,exp,sqrt,floor
import time
from Function_2 import F#导入题目的附件，并附加z值
p1=pd.read_excel(r's',header=None).values
Dis0=np.load('s')HR=3.5
H=4
L=W=6
H0=80
H1=8
delta_t=1.5 #步长#导入每块板 在某时刻的 俯仰角与方位角
ST_0=[9,10.5,12,13.5,15]
D_0=[306]
time.time()x_c=0
y_c=250
Pi=[]
start_time=time.time()#判断r=100
for i in range(len(p1)):dis = sqrt((p1[i, 0] - x_c) ** 2 + (p1[i, 1] - y_c) ** 2)if dis >= 100:Pi.append(i)
p1 = p1[Pi]Dis1=np.ones([len(Pi),len(Pi)])
for i in range(len(Pi)):for j in range(len(Pi)):Dis1[i,j]=Dis0[Pi[i],Pi[j]]m_n=floor(0.3*len(p1))
random_numbers = random.sample(list(range(len(p1))), m_n)
p11 = p1[random_numbers]
Dis = np.ones([m_n, m_n])
for i in range(m_n):for j in range(m_n):Dis[i, j] = Dis0[random_numbers[i], random_numbers[j]]Wp = F(L, W, H, D_0, ST_0, delta_t, H0, H1, HR, Dis, p11, x_c, y_c)print(Wp)
#记录程序运行时间
end_time=time.time()
elapsed_time_seconds=end_time-start_time
elapsed_time_minutes=round(elapsed_time_seconds/60,2)
print(f"代码运行时间:{elapsed_time_minutes}分钟")

这段代码主要是在给定x_c和y_c的情况下，计算WE问题中WE算法的可用性Wp的值。

具体来说，代码使用了numpy和pandas等库加载了题目给定的附件，将其存储为数组p1和矩阵Dis0，并定义了一些常量和变量，如板子的物理尺寸L、W、H，以及时间间隔delta_t等。此外，代码还调用了自己编写的Function_2模块，并导入其中的F函数，F函数用来计算WE算法的可用性Wp。

接下来，代码对于每个点进行判断，判断距离该点最远的板子与该点之间的距离是否小于100，如果小于100，则记录该点的信息，并筛选掉距离该点最远的板子与该点之间距离大于等于100的点。然后，将筛选后的点生成一个新的矩阵Dis1，用于计算WE算法的可用性Wp。

再接下来，代码随机选取一定数目的点，并将这些点的数据放入F函数中进行计算，计算结果存入Wp中。最终输出Wp，即为计算结果。

最后代码输出了程序运行的时间。

 

4、

clc;clear;k=2;   %计数
R=360
r=11;  %宽+5
n=fix(2*R/r);  %一排的点数%第一排第一个点
W=[-R,R];
W1=W;
%计算第一排
for i =1:nW(k,1)=W(k-1,1)+r;W(k,2)=W(1,2);k=k+1;
end%第二排第一个点
W(k,1)=-R+r/2;
W(k,2)=R-r*sqrt(3)/2;
W2=W(k,:);
k=k+1;%计算第二排
for i =1:nW(k,1)=W(k-1,1)+r;W(k,2)=W(k-1,2);k=k+1;
endn1=fix(2*R/(r*sqrt(3)/2))+1;
%从第三排开始
for i=3:n1if mod(i,2)==1 %计数行%先写该行的第一个点W(k,1)=W1(1,1);W(k,2)=W1(1,2)-sqrt(3)*r*(i-1)/2;k=k+1;for j=1:nW(k,1)=W(k-1,1)+r;W(k,2)=W(k-1,2);k=k+1;endelse %偶数行%先写该行的第一个点W(k,1)=W2(1,1);W(k,2)=W2(1,2)-sqrt(3)*r*(i-2)/2;k=k+1;for j=1:nW(k,1)=W(k-1,1)+r;W(k,2)=W(k-1,2);k=k+1;endend
end%计算范围内点
a=0;
for i=1:length(W)if W(i,1)^2+W(i,2)^2<=(350-(r-5)/2)^2%& W(i,1)^2+W(i,2)^2>=100^2a=a+1;W_e(a,:)=W(i,:);end
endscatter(W_e(:,1),W_e(:,2),'.')T=[cos(pi/4),-sin(pi/4);sin(pi/4),cos(pi/4)
];WW=(T*W')';%计算点距离
for i=1:length(W)for j=i:length(W)D(i,j)=sqrt((WW(i,1)-WW(j,1))^2+(WW(i,2)-WW(j,2))^2);D(j,i)=D(i,j);end
end

 

这段代码是用来生成WE问题中的点的位置。代码首先定义了一些参数和变量，如半径R、宽度r等。

然后，通过循环计算出了在圆形区域内的所有点的坐标位置，并将其存储在W中。

接下来，代码根据该圆的特殊特点，将得到的点进行旋转，旋转后存储在WW中。

最后，代码计算出点之间的距离矩阵D，用于后续计算WE算法中的Dis0。

最后，代码将生成的所有点进行可视化。

5、

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import random
from math import cos,sin,acos,asin,pi,exp,sqrt,floor
import time
from Function_3 import Fp1=pd.read_excel(r's',header=None).values
Dis0=np.load('s')new_column=np.array([4 for i in range(len(p1))]) #安装高度4m
P=np.column_stack((p1,new_column))#筛选北边的最外层
r_1=340
r_2=351
Ai=[]
for i in range(len(P)):if R_dis[i]>=r_1 and p1[i,1]>0:Ai.append(i)P[i,2]=P[i,2]+2
x_c=0
y_c=-250Pi=[]
for i in range(len(P)):dis=sqrt((p1[i,0]-x_c)**2+(p1[i,1]-y_c)**2)if dis>=100:Pi.append(i)
PP=P[Pi]np.save('sss',PP)
Dis0=np.load('ss')
D_0=[306]
ST_0=[9]HR=3.5
H=4
L=W=6
H0=80
H1=8
delta_t=3 #步长PW=F(L, W, H, D_0, ST_0, delta_t, H0, H1, HR, Dis0, PP, x_c, y_c)
print(np.mean(PW)*W*L*len(PP)/1000)plt.scatter(p1[:,0],p1[:,1],c='b')
plt.scatter(p1[Ai,0],p1[Ai,1],c='r')

这段代码也是在计算WE问题的可用性Wp，但是有些不同。代码首先加载了附件，并定义了一些常量和变量，如板子的尺寸L、W、H，安装高度等。

然后，代码新增了一个安装高度的维度，将其添加到数组P中，用于标记每个点的安装高度，安装高度为4m。

接下来，代码筛选出北边最外层的点，并将这些点的安装高度加2，假设这些点高度更高，用于计算WE算法在北部的情况下的可用性。

然后，代码对于每个点进行判断，判断距离该点最远的板子与该点之间的距离是否小于100，如果小于100，则记录该点的信息，并筛选掉距离该点最远的板子与该点之间距离大于等于100的点。筛选后得到的数据存储为PP，并将其用于计算WE算法在北部最外层的情况下的可用性。

接下来，代码对PP和Dis0进行计算，并将计算结果存储为PW，最后输出计算结果。

最后，代码将所有点进行可视化，并将筛选出的最外层点标记为红色。

 

6、

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import random
from math import cos,sin,acos,asin,pi,exp,sqrt,floor
import time
from Function_3 import Fp1=pd.read_excel(r's',header=None).values
Dis0=np.load('s')HR=3.5
H=4
L=W=6
H0=80
H1=8
delta_t=3 #步长#导入每块板 在某时刻的 俯仰角与方位角
D_0=[306,337,0,31,34,92,122,153,184,214,245,275]
ST_0=[9,10.5,12,13.5,15]
x_c=-250
y_c=-150m_n=floor(0.3*len(p1))
random_numbers=random.sample(list(range(len(p1))),m_n)
p11=p1[random_numbers]
for i in range(m_n):for j in range(m_n):Dis[i,j]=Dis0[random_numbers[i],random_numbers[j]]
start_time=time.time()
PW=F(L, W, H, D_0, ST_0, delta_t, H0, H1, HR, Dis, P11, x_c, y_c)end_time=time.time()
elapsed_time_seconds=end_time-start_time
elapsed_time_minutes=round(elapsed_time_seconds/60,2)
print(f"代码运行时间:{elapsed_time_minutes}分钟")print(PW)

这段代码首先通过pandas库读取了一个Excel文件，并将其转换为numpy数组p1。然后加载了之前计算出的Dis0距离矩阵，将其存储为数组Dis0。

代码中还定义了一些与WE算法相关的参数和变量，如板子的尺寸L、W、H，时间间隔delta_t，地球半径HR等。

接下来，代码对于p1中的数据进行筛选，将其中的部分数据随机取出来，生成新的数组p11，用于计算WE算法的可用性。

然后，代码调用了一个名为F的函数，用于计算WE算法在当前情况下的可用性。该函数对应于我们之前提到的WE算法的主要计算部分，通过输入一系列参数进行计算。

最后，代码输出了计算结果PW，并计算了代码运行时间。

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/news/596727.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

用 Python 抓取 bilibili 弹幕并分析！

用 Python 抓取 bilibili 弹幕并分析！

01 实现思路 首先&#xff0c;利用哔哩哔哩的弹幕接口&#xff0c;把数据保存到本地。接着&#xff0c;对数据进行分词。最后&#xff0c;做了评论的可视化。 02 弹幕数据 平常我们在看视频时&#xff0c;弹幕是出现在视频上的。实际上在网页中&#xff0c;弹幕是被隐藏在源代码…
阅读更多...
【熔断限流组件resilience4j和hystrix】

【熔断限流组件resilience4j和hystrix】

文章目录 &#x1f50a;博主介绍&#x1f964;本文内容起因resilience4j落地实现pom.xml依赖application.yml配置接口使用 hystrix 落地实现pom.xml依赖启动类上添加注解接口上使用 &#x1f4e2;文章总结&#x1f4e5;博主目标 &#x1f50a;博主介绍 &#x1f31f;我是廖志伟…
阅读更多...
【期末复习向】数据可视化技术

【期末复习向】数据可视化技术

一、重点复习 题型&#xff1a;填空题&#xff08;15道&#xff0c;2分一个&#xff09;与简答题&#xff08;3道题目&#xff0c;10分一个&#xff09;与绘图题&#xff08;选画2个类型的图&#xff09; 1.什么是数据可视化 在计算机视觉领域&#xff0c;数据可视化是对数据的…
阅读更多...
Linux 进程(八) 进程的退出码

Linux 进程(八) 进程的退出码

main 函数的返回值叫做进程的退出码。当进程成功退出的时候&#xff0c;我们一般用0来表示。进程失败的时候一般用非零来表示。我们使用不同的数字来表示进程退出时不同的失败原因。 我们查看系统的有多少退出码以及其含义时需要用到strerror() 他的头文件和用法如下。 通过一…
阅读更多...
CSS 放大旋转动画

CSS 放大旋转动画

<template><div class"container" mouseenter"startAnimation" mouseleave"stopAnimation"><!-- 旋方块 --><div class"box" :class"{ rotate-scale-up: isAnimating }"><!-- 元素内容 -->&l…
阅读更多...
从零开始搭建企业级前端项目模板（vue3+vite+ts）

从零开始搭建企业级前端项目模板（vue3+vite+ts）

文章目录 主要内容一、vite脚手架工具初始化项目二、项目代码加入eslint校验和自动格式化2.1安装对应依赖插件2.2 配置script脚本&#xff0c;项目安装eslint配置2.3 安装完成后&#xff0c;后面启动项目还缺少一些依赖&#xff0c;提前按需安装好 三&#xff0c;修改eslintrc.…
阅读更多...
3D目标检测（教程+代码）

3D目标检测（教程+代码）

随着计算机视觉技术的不断发展&#xff0c;3D目标检测成为了一个备受关注的研究领域。与传统的2D目标检测相比&#xff0c;3D目标检测可以在三维空间中对物体进行定位和识别&#xff0c;具有更高的准确性和适用性。本文将介绍3D目标检测的相关概念、方法和代码实现。 一、3D目…
阅读更多...
2023年12月青少年软件编程Python等级考试（三级）真题试卷

2023年12月青少年软件编程Python等级考试（三级）真题试卷

2023年12月青少年软件编程Python等级考试&#xff08;三级&#xff09;真题试卷 题目总数&#xff1a;38 总分数&#xff1a;100 选择题 第 1 题 单选题 一个非零的二进制正整数&#xff0c;在其末尾添加两个“0”&#xff0c;则该新数将是原数的&#xff1f;&#x…
阅读更多...
nuxt3 env文件、全局变量处理

nuxt3 env文件、全局变量处理

有两种方向 通过配置nuxt.config.ts Nuxt提供的钩子函数&#xff0c;实现全局变量的获取 runtimeconfig env文件往runtimeconfig放入内容 useAppConfig 通过env文件配置来获取服务端全局变量&#xff0c;客户端通过vite.define实现 nuxt.config.ts Nuxt钩子 1. runtim…
阅读更多...
Win32 TEXT()宏学习

Win32 TEXT()宏学习

之前学习了_T()宏&#xff1b; _T()是MFC的&#xff1b; TEXT()是win32的&#xff1b; _T("")定义于tchar.h&#xff1b; TEXT宏是windows程序设计中经常遇到的宏&#xff0c;定义在 <winnt.h>中&#xff1b; 如果使用UNICODE字符集&#xff0c;则TEXT&…
阅读更多...
kubernetes（三）

kubernetes（三）

文章目录 1. k8s弹性伸缩1.1 安装heapster监控1.2 弹性伸缩使用和验证 2. 持久化存储2.1 emptyDir 1. k8s弹性伸缩 k8s弹性伸缩&#xff0c;需要附加插件heapster 1.1 安装heapster监控 使用heapster(低版本)可以监控pod压力大不大 使用hpa调节pod数量&#xff0c;自动扩容或…
阅读更多...
chatgpt3.5和chatgpt4的区别

chatgpt3.5和chatgpt4的区别

ChatGPT4是基于GPT-3模型的一个实例&#xff0c;但ChatGPT4已经进行了进一步的改进和优化。GPT-3&#xff08;第三代生成式预训练模型&#xff09;是OpenAl开发的一个大型语言模型&#xff0c;它在很多自然语言处理任务中表现出色。 ChatGPT4继承了GPT-3的基本架构和能力&…
阅读更多...
清风数学建模笔记-聚类算法

清风数学建模笔记-聚类算法

K-maens算法&#xff1a; 算法的原理&#xff1a; 在论文中时&#xff0c;可以把一些可以流程化的算法的流程图加上去 优点&#xff1a; 缺点&#xff1a; 点容易受异常值的影响&#xff0c;且受影响较大 k-means算法&#xff1a; 使用SPSS进行聚类分析&#xff1a; S默认使用…
阅读更多...
CCNP课程实验-07-OSPF-Trouble-Shooting

CCNP课程实验-07-OSPF-Trouble-Shooting

目录 实验条件网络拓朴 环境配置开始排错错点1&#xff1a;R1-R2之间认证不匹配错误2&#xff1a;hello包的时间配置不匹配错误3&#xff1a;R2的e0/1接口区域配置不正确错误4&#xff1a;R4的e0/1接口没有配置进OSPF错误5&#xff1a;R2的区域1没有配置成特殊区域错误6&#x…
阅读更多...
深度学习 | 多模态算法

深度学习 | 多模态算法

AIGC也就是AI内容生成已经成为新一轮人工智能发展的热点和必然趋势&#xff0c;它使得大规模高质量的创作变得更加容易。 一 、InstructGPT模型 1、GPT系列回顾 chatGPT和InstructGPT都使用了指示学习和基于人工反馈的强化学习来指导模型的训练&#xff0c;不同点仅仅是在采集数…
阅读更多...
Python 面向对象（1）

Python 面向对象（1）

#什么是面向对象 面向对象是一种编程范式&#xff0c;它将程序中的数据和操作封装在一个对象中&#xff0c;从而使得程序更加模块化、可重用和易于维护。在面向对象编程中&#xff0c;对象是类的实例化&#xff0c;类是一种抽象的数据类型&#xff0c;它定义了一组属性和方法。…
阅读更多...
用Python实现组件化大屏

用Python实现组件化大屏

实现组件化大屏主要涉及到前端和后端的开发。这里&#xff0c;我会为你提供一个简单的Python后端示例&#xff0c;以及一个前端组件化的示例。 1. Python后端 首先&#xff0c;你需要一个Python后端来提供数据。这里我们使用Flask作为示例&#xff1a; python复制代码 from …
阅读更多...
c语言：用结构体求平均分｜练习题

c语言：用结构体求平均分｜练习题

一、题目 用c语言的结构体&#xff0c;求4位学生成绩的平均分 如图&#xff1a; 二、代码截图【带注释】 三、源代码【带注释】 #include <stdio.h> float aver();//声明平均分函数 void printScore();//声明打印函数 //设置结构体&#xff0c; struct student { …
阅读更多...
JMeter CSV 参数文件的使用方法

JMeter CSV 参数文件的使用方法

.在 JMeter 测试中&#xff0c;参数化是非常重要的&#xff0c;参数化允许我们模拟真实世界中的各种情况。本文我们将探讨如何在 JMeter 中使用 CSV 参数文件。 创建 CSV 文件 首先&#xff0c;我们需要创建一个逗号分隔的值&#xff08;CSV&#xff09;文件&#xff0c;其中…
阅读更多...
Unity Hub 无法激活许可证

Unity Hub 无法激活许可证

烦死了~ &#x1f635;‍&#x1f4ab; 卸载UnityHub, 安装旧版本&#x1f448;激活许可证&#xff0c; 如果出现旧版本无法识别Editor的情况需要卸载了再装最新版本的UnityHub
阅读更多...
最新文章

Copyright @ 2022~2023