技术标签: 算法 python 机器学习 智能优化算法 人工智能
建立麻雀搜索算法的数学模型,主要规则如下所述:
在模拟实验中,我们需要使用虚拟麻雀进行食物的寻找,由n只麻雀组成的种群可表示为如下形式:
X = [ x 1 1 x 1 2 . . . x 1 d x 2 1 x 2 2 . . . x 2 d . . . . . . . . . . . . x n 1 x n 2 . . . x n d ] (1) X=\left[\begin{matrix} x_1^1&x_1^2&...&x_1^d\\ x_2^1&x_2^2&...&x_2^d\\ ...&...&...&... \\ x_n^1&x_n^2&...&x_n^d\\ \end{matrix}\right]\tag{1} X=⎣⎢⎢⎡x11x21...xn1x12x22...xn2............x1dx2d...xnd⎦⎥⎥⎤(1)
其中, d d d 表示待优化问题变量的维数, n n n 则是麻雀的数量。那么,所有麻雀的适应度值可以表示为如下形式:
F x = [ f ( [ x 1 1 x 1 2 . . . x 1 d ] ) f ( [ x 2 1 x 2 2 . . . x 2 d ] ) . . . f ( [ x n 1 x n 2 . . . x n d ] ) ] (2) F_x =\left[\begin{matrix} f([x_1^1&x_1^2&...&x_1^d])\\ f([x_2^1&x_2^2&...&x_2^d])\\ ... f([x_n^1&x_n^2&...&x_n^d]) \end{matrix}\right]\tag{2} Fx=⎣⎡f([x11f([x21...f([xn1x12x22xn2.........x1d])x2d])xnd])⎦⎤(2)
其中,f 表示适应度值。
在 SSA 中,具有较好适应度值的发现者在搜索过程中会优先获取食物。此外,因为发现者负责为整个麻雀种群寻找食物并为所有加入者提供觅食的方向。因此,发现者可以获得比加入者更大的觅食搜索范围。根据规则(1)和规则(2),在每次迭代的过程中,发现者的位置更新描述如下:
X i , j t + 1 = { X i , j . e x p ( − i α . i t e r m a x ) , i f R 2 < S T X i , j + Q . L , i f R 2 ≥ S T (3) X_{i,j}^{t+1}=\begin{cases} X_{i,j}.exp(-\frac{i}{\alpha.iter_{max}}),if\, R_2<ST\\ X_{i,j} + Q.L,if\, R_2\geq ST \end{cases}\tag{3} Xi,jt+1={
Xi,j.exp(−α.itermaxi),ifR2<STXi,j+Q.L,ifR2≥ST(3)
其中, t t t 代表当前迭代数, j = 1 , 2 , 3 , . . . , d j =1, 2, 3, . . . , d j=1,2,3,...,d。 i t e m m a x item_{max} itemmax
是一个常数,表示最大的迭代次数。 X i j X_{ij} Xij表示第 i i i 个麻雀在第 j j j 维中的位置信息。 α ∈ ( 0 , 1 ] α∈(0, 1] α∈(0,1]是一个随机数。 R 2 ( R 2 ∈ [ 0 , 1 ] ) R_2(R_2∈[0,1]) R2(R2∈[0,1])和 S T ( S T ∈ [ 0.5 , 1 ] ) ST(ST∈[0.5,1]) ST(ST∈[0.5,1])分别表示预警值和安全值。 Q Q Q 是服从正态分布的随机数。 L L L 表示一个 1 × d 1×d 1×d 的矩阵,其中该矩阵内每个元素全部为 1。
当 R 2 < S T R2< ST R2<ST 时,这意味着此时的觅食环境周围没有捕食者,发现者可以执行广泛的搜索操作。如果 R 2 ≥ S T R2≥ ST R2≥ST,这表示种群中的一些麻雀已经发现了捕食者,并向种群中其它麻雀发出了警报,此时所有麻雀都需要迅速飞到其它安全的地方进行觅食。
对于加入者,它们需要执行规则(3)和规则(4)。如前面所描述,在觅食过程中,一些加入者会时刻监视着发现者。一旦它们察觉到发现者已经找到了更好的食物,它们会立即离开现在的位置去争夺食物。如果它们赢了,它们可以立即获得该发现者的食物,否则需要继续执行规则(4)。加入者的位置更新描述如下:
X i , j t + 1 = { Q . e x p ( X w o r s t − X i , j t i 2 ) , i f i > n / 2 X P t + 1 + ∣ X i , j − X P t + 1 ∣ . A + . L , o t h e r w i s e (4) X_{i,j}^{t+1}=\begin{cases} Q.exp(\frac{X_{worst}-X_{i,j}^t}{i^2}),if\, i>n/2\\ X_P^{t+1}+ |X_{i,j} - X_P^{t+1}|.A^{+}.L,otherwise \end{cases}\tag{4} Xi,jt+1={
Q.exp(i2Xworst−Xi,jt),ifi>n/2XPt+1+∣Xi,j−XPt+1∣.A+.L,otherwise(4)
其中, X p X_p Xp是目前发现者所占据的最优位置, X w o r s t X_{worst} Xworst则表示当前全局最差的位置。 A A A表示一个 1 × d 1×d 1×d 的矩阵,其中每个元素随机赋值为 1 或-1,并且 A + = A T ( A A T ) − 1 A^+=A^T(AA^T)^{-1} A+=AT(AAT)−1。当i >n/2 时,这表明,适应度值较低的第 i 个加入者没有获得食物,处于十分饥饿的状态,此时需要飞往其它地方觅食,以获得更多的能量。
在模拟实验中,我们假设这些意识到危险的麻雀占总数量的 10% 到 20%。这些麻雀的初始位置是在种群中随机产生的。根据规则(5),其数学表达式可以表示为如下形式:
X i , j t + 1 = { X b e s t t + β . ∣ X i , j t − X b e s t t ∣ , i f f i > f g X i , j t + K . ( ∣ X i , j t − X w o r s t t ∣ ( f i − f w ) + ε ) , i f f i = f g (5) X_{i,j}^{t+1}=\begin{cases} X_{best}^t + \beta.|X_{i,j}^t - X_{best}^t|,if\, f_i>f_g\\ X_{i,j}^t + K.(\frac{|X_{i,j}^t - X_{worst}^t|}{(f_i -f_w)+\varepsilon}), if\, f_i =f_g \end{cases}\tag{5} Xi,jt+1={
Xbestt+β.∣Xi,jt−Xbestt∣,iffi>fgXi,jt+K.((fi−fw)+ε∣Xi,jt−Xworstt∣),iffi=fg(5)
其中,其中 X b e s t X_{best} Xbest是当前的全局最优位置。 β β β 作为步长控制参数,是服从均值为 0,方差为 1 的正态分布的随机数。 K ∈ [ − 1 , 1 ] K∈[-1,1] K∈[−1,1]是一个随机数,fi则是当前麻雀个体的适应度值。 f g f_g fg和 f w f_w fw分别是当前全局最佳和最差的适应度值。 ε \varepsilon ε 的常数,以避免分母出现零。
为简单起见,当 f i > f g f_i >f_g fi>fg表示此时的麻雀正处于种群的边缘,极其容易受到捕食者的攻击。 X b e s t X_{best} Xbest表示这个位置的麻雀是种群中最好的位置也是十分安全的。 f i = f g f_i = f_g fi=fg时,这表明处于种群中间的麻雀意识到了危险,需要靠近其它的麻雀以此尽量减少它们被捕食的风险。 K K K 表示麻雀移动的方向同时也是步长控制参数。
算法流程
Step1: 初始化种群,迭代次数,初始化捕食者和加入者比列。
Step2:计算适应度值,并排序。
Step3:利用式(3)更新捕食者位置。
Step4:利用式(4)更新加入者位置。
Step5:利用式(5)更新警戒者位置。
Step6:计算适应度值并更新麻雀位置。
Step7:是否满足停止条件,满足则退出,输出结果,否则,重复执行Step2-6;
[1] Xue J , Shen B . A novel swarm intelligence optimization approach: sparrow search algorithm[J]. Systems ence & Control Engineering An Open Access Journal, 2020, 8(1):22-34.
麻雀搜索算法
改进算法:
名称 | 说明或者参考文献 |
---|---|
基于反向策略的麻雀搜索算法 | 原创 |
基于Tent混沌映射的麻雀搜索算法 | 原创 |
基于Logistic混沌映射的麻雀搜索算法 | 原创 |
基于Circle混沌映射的麻雀搜索算法 | 原创 |
基于Piecewise混沌映射的麻雀搜索算法 | 原创 |
基于Chebyshev混沌映射的麻雀搜索算法 | 原创 |
基于Sine混沌映射的麻雀搜索算法 | 原创 |
基于Singer混沌映射的麻雀搜索算法 | 原创 |
基于迭代混沌映射的麻雀搜索算法 | 原创 |
基于Sinusoidal混沌映射的麻雀搜索算法 | 原创 |
基于随机游走改进的麻雀搜索算法 | 原创 |
基于萤火虫改进的麻雀搜索算法 | 原创 |
基于精英反向策略的麻雀搜索算法1 | 原创 |
基于精英反向策略的麻雀搜索算法2 | 原创 |
基于levy飞行改进的麻雀搜索算法 | 原创 |
基于自适应t分布的麻雀算法 | 原创 |
混沌麻雀 | [1]吕鑫,慕晓冬,张钧,王震.混沌麻雀搜索优化算法[J/OL].北京航空航天大学学报:1-10[2020-11-16].https://doi.org/10.13700/j.bh.1001-5965.2020.0298. |
融合柯西变异和反向学习的改进麻雀算法 | [1]毛清华,张强.融合柯西变异和反向学习的改进麻雀算法[J/OL].计算机科学与探索:1-12[2020-12-16].http://kns.cnki.net/kcms/detail/11.5602.tp.20201203.1601.006.html. |
混合正弦余弦算法和Lévy飞行的麻雀算法(ISSA) | [1]毛清华,张强,毛承成,柏嘉旋.混合正弦余弦算法和Lévy飞行的麻雀算法[J/OL].山西大学学报(自然科学版):1-6[2021-04-09].https://doi.org/10.13451/j.sxu.ns.2020135. |
基于 Sobol 序列和纵横交叉策略的麻雀搜索算法(SSASC) | [1]段玉先,刘昌云.基于 Sobol 序列和纵横交叉策略的麻雀搜索算法[J/OL].计算机应用. https://kns.cnki.net/kcms/detail/51.1307.TP.20210525.1453.002.html |
融合正余弦和柯西变异的麻雀搜索算法(SCSSA) | [1]李爱莲,全凌翔,崔桂梅,解韶峰.融合正余弦和柯西变异的麻雀搜索算法[J/OL].计算机工程与应用:1-11[2021-09-09].http://kns.cnki.net/kcms/detail/11.2127.TP.20210806.0937.008.html. |
多策略融合的改进麻雀搜索算法(ISSA) | [1]付华,刘昊.多策略融合的改进麻雀搜索算法及其应用[J/OL].控制与决策:1-10[2021-09-09].https://doi.org/10.13195/j.kzyjc.2021.0582. |
基于Logistic回归麻雀算法(MSSA) | [1]陈刚,林东,陈飞,陈祥宇.基于Logistic回归麻雀算法的图像分割[J/OL].北京航空航天大学学报:1-14[2021-09-26].https://doi.org/10.13700/j.bh.1001-5965.2021.0268. |
自适应变异麻雀搜索优化算法(AMSSA) | [1]唐延强,李成海,宋亚飞,陈晨,曹波.自适应变异麻雀搜索优化算法[J/OL].北京航空航天大学学报:1-14[2021-09-27].https://doi.org/10.13700/j.bh.1001-5965.2021.0282. |
混合策略改进的麻雀搜索算法(MSSA) | [1]张伟康,刘升,任春慧.混合策略改进的麻雀搜索算法[J/OL].计算机工程与应用:1-12[2021-08-05].http://kns.cnki.net/kcms/detail/11.2127.TP.20210721.0848.002.html. |
融合多策略的改进麻雀搜索算法(ISSA) | [1]张晓萌,张艳珠,刘禄,张硕,熊夫睿.融合多策略的改进麻雀搜索算法[J/OL].计算机应用研究:1-8[2021-12-17].https://doi.org/10.19734/j.issn.1001-3695.2021.09.0412. |
自适应t分布与黄金正弦改进的麻雀搜索算法(tGSSA) | [1]张伟康,刘升.自适应t分布与黄金正弦改进的麻雀搜索算法及其应用[J/OL].微电子学与计算机:1-8[2021-12-17].https://doi.org/10.19304/J.ISSN1000-7180.2020-0026. |
分数阶麻雀搜索算法(FDSSA) | [1]江妍,马瑜,梁远哲,王原,李光昊,马鼎.基于分数阶麻雀搜索优化OTSU肺组织分割算法[J].计算机科学,2021,48(S1):28-32. |
螺旋探索与自适应混合变异的麻雀搜索(SHSSA) | [1]陈功,曾国辉,黄勃,刘瑾.螺旋探索与自适应混合变异的麻雀搜索算法[J/OL].小型微型计算机系统:1-12[2021-12-24].http://kns.cnki.net/kcms/detail/21.1106.tp.20211214.1828.006.html. |
改进搜索机制的单纯形法引导麻雀搜索算法(SMSSA) | [1]刘成汉,何庆.改进搜索机制的单纯形法引导麻雀搜索算法[J/OL].计算机工程与科学:1-9[2021-12-24].http://kns.cnki.net/kcms/detail/43.1258.TP.20211223.0930.002.html. |
基于逐维高斯变异的混沌麻雀优化算法(ISSA) | [1]楚哲宇,唐秀英,谭庆,张清君.基于逐维高斯变异的混沌麻雀优化算法[J].自动化应用,2021(08):60-63.DOI:10.19769/j.zdhy.2021.08.019. |
基于莱维飞行扰动策略的麻雀搜索算法(ISSA) | [1]马卫,朱娴.基于莱维飞行扰动策略的麻雀搜索算法[J].应用科学学报,2022,40(01):116-130. |
算法相关应用matlab代码:
名称 | 说明或者参考链接 |
---|---|
麻雀优化的BP神经网络(预测) | https://blog.csdn.net/u011835903/article/details/112149776 |
基于Tent混沌映射改进的麻雀搜索算法SSA优化BP神经网络(预测) | - |
基于Sine混沌映射改进的麻雀搜索算法SSA优化BP神经网络(预测) | - |
基于Logistic混沌映射改进的麻雀搜索算法SSA优化BP神经网络(预测) | - |
麻雀优化的BP神经网络(分类) | https://blog.csdn.net/u011835903/article/details/112149394 |
基于麻雀搜索算法优化概率神经网络PNN的分类预测 | https://blog.csdn.net/u011835903/article/details/111496232 |
基于麻雀搜索算法优化的Elman神经网络数据预测 | https://blog.csdn.net/u011835903/article/details/111411127 |
基于麻雀搜索算法的极限学习机(ELM)分类算法 | https://blog.csdn.net/u011835903/article/details/111177850 |
基于麻雀搜索算法的极限学习机(ELM)回归预测 | https://blog.csdn.net/u011835903/article/details/111073635 |
基于麻雀算法优化的相关向量机RVM的分类算法 | https://blog.csdn.net/u011835903/article/details/119005293 |
基于麻雀算法优化的相关向量机RVM回归预测算法 | https://blog.csdn.net/u011835903/article/details/118998966 |
基于麻雀算法优化的核极限学习机(KELM)的分类算法 | https://blog.csdn.net/u011835903/article/details/116851164 |
基于麻雀算法优化的核极限学习机(KELM)回归预测 | https://blog.csdn.net/u011835903/article/details/116849032 |
基于麻雀搜索算法优化的广义回归神经网络(GRNN)预测 | https://blog.csdn.net/u011835903/article/details/110941139 |
基于麻雀搜索算法优化的SVM数据分类预测 | https://blog.csdn.net/u011835903/article/details/110523352 |
基于麻雀搜索的PID神经网络解耦控制算法 | https://blog.csdn.net/u011835903/article/details/110437852 |
基于麻雀搜索优化K-means图像分割算法 | https://blog.csdn.net/u011835903/article/details/109404281 |
基于麻雀算法优化的二维最大熵图像阈值分割 | https://blog.csdn.net/u011835903/article/details/108214713 |
基于麻雀算法优化的最大熵多阈值分割 | https://blog.csdn.net/u011835903/article/details/108203775 |
基于麻雀算法的二维Otsu图像阈值分割 | https://blog.csdn.net/u011835903/article/details/108023193 |
麻雀算法优化的otsu多阈值分割 | https://blog.csdn.net/u011835903/article/details/108019744 |
麻雀算法优化脉冲耦合神经网络的图像自动分割 | https://blog.csdn.net/u011835903/article/details/112909060 |
基于麻雀算法优化的Tsallis相对熵图像多阈值分割 | https://blog.csdn.net/u011835903/article/details/113755585 |
基于麻雀搜索算法与双伽马校正的图像自适应增强算法 | https://blog.csdn.net/u011835903/article/details/109330643 |
基于麻雀搜索算法与非完全beta函数的自适应图像增强算法 | https://blog.csdn.net/u011835903/article/details/109313513 |
基于麻雀搜索算法PID参数优化 | https://blog.csdn.net/u011835903/article/details/109306387 |
基于麻雀搜索算法的TSP问题求解 | https://blog.csdn.net/u011835903/article/details/109587929 |
基于麻雀搜索算法无线传感器网络(WSN)覆盖优化 | https://blog.csdn.net/u011835903/article/details/109262039 |
基于麻雀搜索算法的3D无线传感器网络(WSN)覆盖优化 | https://blog.csdn.net/u011835903/article/details/113834323 |
基于麻雀搜索的LMS自适应滤波算法 | https://blog.csdn.net/u011835903/article/details/110529694 |
基于麻雀搜索的路径规划算法 | https://blog.csdn.net/u011835903/article/details/109100220 |
基于麻雀搜搜算法的积分计算算法 | https://blog.csdn.net/u011835903/article/details/114330697 |
基于麻雀搜索算法的工程优化案例(3种) | https://blog.csdn.net/u011835903/article/details/114106139 |
基于麻雀算法改进的随机森林回归预测算法(SSA-RF) | https://blog.csdn.net/u011835903/article/details/121860633 |
基于麻雀算法改进的随机森林分类算法(SSA-RF) | https://blog.csdn.net/u011835903/article/details/121860734 |
麻雀算法改进的深度极限学习机DELM的预测(SSA-DELM) | https://blog.csdn.net/u011835903/article/details/123115147 |
麻雀算法改进的深度极限学习机DELM的分类(SSA-DELM) | https://blog.csdn.net/u011835903/article/details/123091238 |
基于麻雀算法优化的Renyi熵图像多阈值分割 | https://blog.csdn.net/u011835903/article/details/108276355 原理一样只是优化算法部分原理为麻雀 |
基于麻雀算法优化的指数熵图像多阈值分割 | https://blog.csdn.net/u011835903/article/details/108263933 原理一样只是优化算法部分原理为麻雀 |
基于麻雀算法优化的灰度熵图像多阈值分割 | https://blog.csdn.net/u011835903/article/details/108243596 原理一样只是优化算法部分原理为麻雀 |
基于麻雀算法优化的对称交叉熵图像多阈值分割 | https://blog.csdn.net/u011835903/article/details/108241032 原理一样只是优化算法部分原理为麻雀 |
基于麻雀算法优化的最小交叉熵图像多阈值分割 | https://blog.csdn.net/u011835903/article/details/108240562 原理一样只是优化算法部分原理为麻雀 |
基于麻雀算法优化的二维最大熵图像阈值分割 | https://blog.csdn.net/u011835903/article/details/108214713 原理一样只是优化算法部分原理为麻雀 |
基于麻雀算法的二维Otsu图像阈值分割 | https://blog.csdn.net/u011835903/article/details/108023193 原理一样只是优化算法部分原理为麻雀 |
基于麻雀搜索算法的同步优化特征选择 | https://blog.csdn.net/u011835903/article/details/121103001 |
基于麻雀算法的投影寻踪模型(SSA-PP) | https://blog.csdn.net/u011835903/article/details/121120392 |
基于麻雀算法改进的无线传感器网络Dv-hop定位算法 | https://blog.csdn.net/u011835903/article/details/121334401 |
基于麻雀算法的无人机航迹规划 | https://blog.csdn.net/u011835903/article/details/122926764 |
麻雀搜索算法
改进算法:
名称 | 说明或者参考文献 |
---|---|
基于反向策略的麻雀搜索算法 | 原创 |
基于Tent混沌映射的麻雀搜索算法 | 原创 |
基于Logistic混沌映射的麻雀搜索算法 | 原创 |
基于Circle混沌映射的麻雀搜索算法 | 原创 |
基于Piecewise混沌映射的麻雀搜索算法 | 原创 |
基于Chebyshev混沌映射的麻雀搜索算法 | 原创 |
基于Sine混沌映射的麻雀搜索算法 | 原创 |
基于Singer混沌映射的麻雀搜索算法 | 原创 |
基于迭代混沌映射的麻雀搜索算法 | 原创 |
基于Sinusoidal混沌映射的麻雀搜索算法 | 原创 |
基于随机游走改进的麻雀搜索算法 | 原创 |
基于萤火虫改进的麻雀搜索算法 | 原创 |
基于精英反向策略的麻雀搜索算法1 | 原创 |
基于精英反向策略的麻雀搜索算法2 | 原创 |
基于levy飞行改进的麻雀搜索算法 | 原创 |
基于自适应t分布的麻雀算法 | 原创 |
混沌麻雀 | [1]吕鑫,慕晓冬,张钧,王震.混沌麻雀搜索优化算法[J/OL].北京航空航天大学学报:1-10[2020-11-16].https://doi.org/10.13700/j.bh.1001-5965.2020.0298. |
混合正弦余弦算法和Lévy飞行的麻雀算法(ISSA) | [1]毛清华,张强,毛承成,柏嘉旋.混合正弦余弦算法和Lévy飞行的麻雀算法[J/OL].山西大学学报(自然科学版):1-6[2021-04-09].https://doi.org/10.13451/j.sxu.ns.2020135. |
算法相关应用Python代码:
名称 | 说明或者参考文献 |
---|---|
基于麻雀算法的SVM分类(SSA-SVM) | https://blog.csdn.net/u011835903/article/details/110523352 |
基于麻雀算法的SVM回归预测(SSA-SVM) | https://blog.csdn.net/u011835903/article/details/110630270 |
基于麻雀搜索算法的极限学习机(ELM)分类算法(SSA-ELM) | https://blog.csdn.net/u011835903/article/details/111177850 |
基于麻雀搜索算法的极限学习机(ELM)回归预测算法(SSA-ELM) | https://blog.csdn.net/u011835903/article/details/111073635 |
基于麻雀算法的无线传感器网(WSN)覆盖优化(SSA-WSN) | https://blog.csdn.net/u011835903/article/details/109262039 |
基于麻雀算法改进的随机森林分类算法(SSA-RF) | https://blog.csdn.net/u011835903/article/details/121860734 |
基于麻雀算法改进的随机森林回归预测算法(SSA-RF) | https://blog.csdn.net/u011835903/article/details/121860633 |
文章浏览阅读1.4w次,点赞2次,收藏15次。NoVncNoVnc Web 端的Vnc软件、可以直接通过网页访问远程主机,采用 HTML5、WebSockets、Canvas和 JavaScript 实现,被普遍用在各大云平台中。 访问 Vnc 服务、需要做 tcp 到websockts的转化 才能在Html中看出来。网页就是一个客户端、类似 Windows 下的 vncviewer , 只是此时填的不是裸露的 VNC 服务的..._novnc网页版
文章浏览阅读2k次。爱心代码_hbuilder爱心代码
文章浏览阅读8.4k次。自己一直从事页游开发看到一篇做游戏服务端的开发文章自然要收录下.(本文算是记录的蛮详细的,不过具体的性能优化,缓存,消息的处理等都不在其中,整体宏观列出了.)本文来源于网络,好久之前看的,被收藏后一直没有看,今天看了后收藏到网站,原文地址:http://kakaluyi.iteye.com/blog/1489592.一、网络 网络游戏,首先面临的问题当然是如何进行网络通信。首先考虑_java游戏同时在线
文章浏览阅读2.7k次。VMware里默认是640×480的分辨率。复制文件过程大概持续了三分多钟。然后就是重新启动。_windowsme还有人用吗
文章浏览阅读3k次。软件架构师,2022版新教材部分知识点_系统架构师
文章浏览阅读1w次,点赞5次,收藏24次。1、示例POJO类用户类User,其中包含一个狗的引用package org.springframework.cn.shu.edu.pojo;public class User { String username; String password; Dog dog; public String getUsername() { retu..._defaultlistablebeanfactory beanfactory = new defaultlistablebeanfactory();
文章浏览阅读7.6k次,点赞7次,收藏15次。大家好!我最近在使用Windows系统时遇到了一个常见的问题,就是执行exe文件时窗口一闪而过,无法正确运行程序。经过一番搜索和尝试,我找到了解决这个问题的方法,现在与大家分享一下。首先,这个问题通常是由于某些错误配置或冲突引起的。_exe文件打开一闪就没了
文章浏览阅读1.2k次。闪屏的作用闪屏产生之初,是因为当用户点击一个应用后,应用打开会有一个加载过程,而这个过程中程序一直处于“加载中”状态,这个默认的界面当然对用户是不友好的,为了让用户明白自己已经打开了应用, 并且“舒适的等待”,应用会使用一张默认图代替加载过程,而有些应用为了让自己看起来加载的更快些,会机智采用一张首页框架图~由于闪屏的大量使用,针对闪屏的设计也应运而生,从体验角度讲,尽快打开APP才是正确的处理方法_android splashscree闪屏页
文章浏览阅读5.3k次,点赞64次,收藏99次。【代码】MATLAB 之 二维图形绘制的基本函数和辅助操作。_matlab绘制二维曲线
文章浏览阅读525次。万字谈监控:解答Zabbix与Prometheus选型疑难原创 deeplus DBAplus社群读完本文,你将收获两者适用于多大规模的监控场景?超过5000以上监控节点时怎么办?高可用怎么解决?两者怎么解决存储问题?对于监控信息是否有历史存储和分析,能从历史信息中挖掘到哪些有价值的信息?两者怎么应对告警风暴和误报?在智能监控和自动治愈方面是否有可借鉴的实践?基于什么算法或策略?怎么进行故障预判和预处理?监控大屏是怎么设计的?自动化运维管理是两者同时使用还是二选一更合适?两者在配合使用时_zabbix 告警风暴抑制
文章浏览阅读1.5k次。全文共4912字,预计学习时长15分钟图源:Unsplash新年到,又到了给自己定制新年目标的时候了。今年,你打算给自己树什么样的flag,不,是目标呢?多读书多看报,少吃零食多睡觉?要么读书,要么旅行,身体和灵魂总有一个在路上?对于每个人来说,书都是必不可少的精神食粮。读书=充电。今天,小芯就为大家整理了25本数据科学领域最..._数据和歌利亚:一场争夺数据和控制世界的无烟之战 pdf
文章浏览阅读5.1k次,点赞6次,收藏3次。Non-XML response from server. Response code: 502, Content-Type: null, body: <Error> <Code>AccessDenied</Code> <Message>S3 API Request made to Console port. S3 Requests should be sent to API port.</Message> <Request_non-xml response from server. response code: 400, content-type: text/xml; ch