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3.2k次。本文研究全球与中国市场分布式光纤传感器的发展现状及未来发展趋势,分别从生产和消费的角度分析分布式光纤传感器的主要生产地区、主要消费地区以及主要的生产商。重点分析全球与中国市场的主要厂商产品特点、产品规格、不同规格产品的价格、产量、产值及全球和中国市场主要生产商的市场份额。主要生产商包括:FISO TechnologiesBrugg KabelSensor HighwayOmnisensAFL GlobalQinetiQ GroupLockheed MartinOSENSA Innovati_预计2026年中国分布式传感器市场规模有多大
文章浏览阅读1.1k次,点赞2次,收藏12次。常用组合逻辑电路结构——为IC设计的延时估计铺垫学习目的:估计模块间的delay,确保写的代码的timing 综合能给到多少HZ,以满足需求!_基4布斯算法代码
文章浏览阅读3.3k次,点赞3次,收藏5次。OpenAI Manager助手(基于SpringBoot和Vue)_chatgpt网页版
文章浏览阅读2.2k次。USACO自1992年举办,到目前为止已经举办了27届,目的是为了帮助美国信息学国家队选拔IOI的队员,目前逐渐发展为全球热门的线上赛事,成为美国大学申请条件下,含金量相当高的官方竞赛。USACO的比赛成绩可以助力计算机专业留学,越来越多的学生进入了康奈尔,麻省理工,普林斯顿,哈佛和耶鲁等大学,这些同学的共同点是他们都参加了美国计算机科学竞赛(USACO),并且取得过非常好的成绩。适合参赛人群USACO适合国内在读学生有意向申请美国大学的或者想锻炼自己编程能力的同学,高三学生也可以参加12月的第_usaco可以多次提交吗
文章浏览阅读394次。1.1 存储程序1.2 创建存储过程1.3 创建自定义函数1.3.1 示例1.4 自定义函数和存储过程的区别1.5 变量的使用1.6 定义条件和处理程序1.6.1 定义条件1.6.1.1 示例1.6.2 定义处理程序1.6.2.1 示例1.7 光标的使用1.7.1 声明光标1.7.2 打开光标1.7.3 使用光标1.7.4 关闭光标1.8 流程控制的使用1.8.1 IF语句1.8.2 CASE语句1.8.3 LOOP语句1.8.4 LEAVE语句1.8.5 ITERATE语句1.8.6 REPEAT语句。_mysql自定义函数和存储过程
文章浏览阅读188次。半导体二极管——集成电路最小组成单元。_本征半导体电流为0
文章浏览阅读2.8k次,点赞3次,收藏18次。游戏水面特效实现方式太多。咱们这边介绍的是一最简单的UV动画(无顶点位移),整个mesh由4个顶点构成。实现了水面效果(左图),不动代码稍微修改下参数和贴图可以实现岩浆效果(右图)。有要思路是1,uv按时间去做正弦波移动2,在1的基础上加个凹凸图混合uv3,在1、2的基础上加个水流方向4,加上对雾效的支持,如没必要请自行删除雾效代码(把包含fog的几行代码删除)S..._unity 岩浆shader
文章浏览阅读5k次。广义线性模型是线性模型的扩展,它通过连接函数建立响应变量的数学期望值与线性组合的预测变量之间的关系。广义线性模型拟合的形式为:其中g(μY)是条件均值的函数(称为连接函数)。另外,你可放松Y为正态分布的假设,改为Y 服从指数分布族中的一种分布即可。设定好连接函数和概率分布后,便可以通过最大似然估计的多次迭代推导出各参数值。在大部分情况下,线性模型就可以通过一系列连续型或类别型预测变量来预测正态分布的响应变量的工作。但是,有时候我们要进行非正态因变量的分析,例如:(1)类别型.._广义线性回归模型
文章浏览阅读69次。环境保护、 保护地球、 校园环保、垃圾分类、绿色家园、等网站的设计与制作。 总结了一些学生网页制作的经验:一般的网页需要融入以下知识点:div+css布局、浮动、定位、高级css、表格、表单及验证、js轮播图、音频 视频 Flash的应用、ul li、下拉导航栏、鼠标划过效果等知识点,网页的风格主题也很全面:如爱好、风景、校园、美食、动漫、游戏、咖啡、音乐、家乡、电影、名人、商城以及个人主页等主题,学生、新手可参考下方页面的布局和设计和HTML源码(有用点赞△) 一套A+的网_垃圾分类网页设计目标怎么写
文章浏览阅读614次,点赞7次,收藏11次。之前找到一个修改 exe 中 DLL地址 的方法, 不太好使,虽然能正确启动, 但无法改变 exe 的工作目录,这就影响了.Net 中很多获取 exe 执行目录来拼接的地址 ( 相对路径 ),比如 wwwroot 和 代码中相对目录还有一些复制到目录的普通文件 等等,它们的地址都会指向原来 exe 的目录, 而不是自定义的 “lib” 目录,根本原因就是没有修改 exe 的工作目录这次来搞一个启动程序,把 .net 的所有东西都放在一个文件夹,在文件夹同级的目录制作一个 exe._.net dll 全局目录
文章浏览阅读1.5k次。本文为转载,原博客地址:http://blog.csdn.net/hujingshuang/article/details/46910259简介 BRIEF是2010年的一篇名为《BRIEF:Binary Robust Independent Elementary Features》的文章中提出,BRIEF是对已检测到的特征点进行描述,它是一种二进制编码的描述子,摈弃了利用区域灰度..._breif description calculation 特征点
文章浏览阅读4.1k次,点赞21次,收藏79次。本文是《基于SpringBoot的房屋租赁管理系统》的配套原创说明文档,可以给应届毕业生提供格式撰写参考,也可以给开发类似系统的朋友们提供功能业务设计思路。_基于spring boot的房屋租赁系统论文