- 综合排序
- 最热优先
- 最新优先
- 来自专栏U3D技术分享
《游戏引擎架构》阅读笔记-第2-3章
本系列博客为《游戏引擎架构》一书的阅读笔记，旨在精炼相关内容知识点，记录笔记，以及根据目前（2022年）的行业技术制作相关补充总结。
1.1K10编辑于 2022-10-28 决策引擎中的敏捷决策平台
现在是时候缩小差距，为供应链领导者提供敏捷的决策能力了。高管敏捷决策平台的关键属性，以最大限度地提高供应链绩效。高管们面临巨大压力，需要快速做出数据驱动的决策，这些决策会影响整个组织，包括供应链。 所以，现在是时候重新思考如何支持高管决策，以提高供应链绩效。这意味着要接受为高管提供专用供应链决策平台的概念。可能和需要的是一个敏捷决策平台，它让企业领导者能快速执行决策以优化供应链绩效。 下面，我们会介绍专用于执行层决策的敏捷决策平台的理想属性。这些软件属性包括有针对性的数据收集、敏捷决策智能、用于决策周期的高管级UI、基于决策的快速通信以及决策可追溯性。 此外，敏捷决策平台需要促进信息收集过程，收集有针对性的相关信息，以支持及时、明智的决策。以下是快速收集决策所需信息的五步流程。 d.快速决策沟通。面向高管的敏捷决策平台也需要促进协作决策。
41510编辑于 2025-09-18决策引擎系统的7个级别
目前有许多商业“规则引擎”被广泛使用。2级基础机器学习这包括使用查找表、参数模型（包括线性或非线性模型和神经网络）或非参数模型的已知统计模型。 6级顺序决策问题在这里，我们解决的问题由序列决策，信息，决策，信息,...鉴于尚未到达的信息的不确定性，必须做出决策。优化问题是找到做出决策的最佳方法（称为策略）。 顺序决策问题的特殊情况包括：决策，信息（这描述了经典的随机搜索问题）和决策，信息，决策（这描述了两阶段随机规划问题）。更一般的问题具有延伸到有限或无限视野的“决策、信息”序列。 这种多样性反映了顺序决策问题的巨大丰富性。顺序决策问题代表了确定性优化模型的重要扩展。与确定性优化一样，顺序决策问题需要对问题的物理和动力学进行建模，并包括一个性能指标，使我们能够确定最佳决策。 创造力–优化涉及从一组定义明确的决策中找到最佳，其中一组决策被清楚地阐明，并带有可用于评估不同决策的绩效指标。当我们有绩效指标但可能没有指定可用的决策时，需要创造力。
43610编辑于 2025-09-17- 来自专栏IT创事记
智能决策优化新引擎的“求解”之道
从某种意义上讲，求解器就像运筹学里的“芯片”，绝大多数复杂系统的决策问题，都需要用求解器寻求最优解决方案。 市场体量的增大与结构性变化的频生，都对智能决策优化的演进创造了良好条件。 罗小渠认为，杉数科技生逢其时，更要把握良机——“目前，我们已形成以求解器COPT为核心计算引擎+决策技术中台+业务场景的完整技术平台，通过对底层技术引擎的升级来驱动更为高效的产品平台和服务，赋能产业向智能化转型 从调度优化到提供端到端的决策优化解决方案，从涉足零售电商到深耕工业互联网，再到成功服务逾20个行业超百家龙头企业，杉数科技的技术引擎一直在迭代更新，而唯一不变的是对客户需求的跟踪与洞察。 复杂业务场景纷繁交织的航空业是决策优化技术的天然拥趸。
1.2K10编辑于 2022-08-30 一文读懂AI引擎与Together规则引擎重塑智能决策
AI引擎的三大能力革命动态规划能力Together规则引擎通过可视化的DRG图和装箱表达式，把“季度营收增长20%”这样的宏观目标转化为可执行的决策模型。 多工具调用能力基于Together标准化的决策服务接口，AI引擎可以在ERP、CRM等系统间建立决策中枢。 当某次供应链中断事件触发规则库未覆盖的场景时，AI引擎会将决策过程反哺至Together知识库，形成“决策-反馈-优化”的闭环学习。 Together的标准化决策建模语言，企业可以直观验证AI引擎的决策逻辑是否匹配业务需求，避免“伪智能”方案。 当每一次AI引擎的决策都通过Together引擎沉淀为可复用的业务规则资产，当每一个流程优化都能转化为标准化的决策模型，企业管理软件将真正进入“决策即服务”的新纪元。
1.1K10编辑于 2025-09-05规则引擎系统中决策管理的最佳实践
随着时间的推移，很多公司会发现，让业务负责人自己做决策，能让他们从决策管理系统中得到更好的结果。 决策管理系统利用公司已经收集或可以获取的数据来改进决策方式，方法是预测决策可能的结果，而不是什么都不做。决策总是和未来有关，因为它们只能影响未来。公司拥有的所有数据都是关于过去的。 专注于实时评分将使决策管理系统更加强大。把数据挖掘和业务规则结合起来用。很多构建决策管理系统的公司会把基于规则的决策逻辑开发和分析完全分开。 为了提供集成决策改进环境，公司应汇总过去决策制定的日志、使用这些决策所取得的业务成果信息以及决策逻辑/分析管理环境本身。 最佳实践是考虑在这些情况下使用机器学习和自适应分析引擎。在组织中建立对分析工作的信任将越来越多地允许分析系统自己做出更多决策。
39810编辑于 2025-09-09- 来自专栏AI机器学习与深度学习算法
学习分类 2-3 感知机
要如何求出权重向量呢？基本做法和回归时相同，将权重向量用作参数，创建更新表达式来更新参数。这就需要一个被称为感知机的模型。
73810编辑于 2022-11-08 物联网规则引擎：数据驱动决策的分步指南
机器学习和人工智能在数据驱动决策中的主要应用有：预测建模，预测未来会发生什么情绪分析，了解客户怎么想推荐引擎，个性化营销的好帮手异常检测，找出欺诈或错误自然语言处理，分析文本数据像亚马逊这样的公司，用机器学习算法优化供应链 衡量数据驱动决策的影响要真正了解数据驱动决策的好处，组织得有办法衡量它对业务绩效的影响。数据驱动决策的关键绩效指标（KPI）KPI是帮助组织跟踪数据驱动方法有效性的关键指标。 决策质量和速度：这个指标关注决策过程的强化。比如用数据分析和直觉做选择的结果对比，以及实时数据带来的决策时间缩短。通过持续跟踪这些KPI，组织可以量化数据驱动决策带来的好处，并展示它对利润的实际影响。 数据驱动决策的示例数据分析虽然在幕后，但数据驱动决策对消费者的影响可是明摆着的。不同行业数据驱动决策的一些例子包括：电子商务你在网上购物时有没有好奇为啥会收到某些推荐？ 虽然你可能没意识到自己的偏见，但内心的偏见或价值观会影响你做决策的方式。直接根据事实和数字做决策可以使你的决策保持客观和公平。
41110编辑于 2025-09-16- 来自专栏算法无遗策
动画 | 什么是2-3树？
2-3树正是一种绝对平衡的树，任意节点到它所有的叶子节点的深度都是相等的。 2-3树的数字代表一个节点有2到3个子树。它也满足二分搜索树的基本性质，但它不属于二分搜索树。 2-3树查找元素 2-3树的查找类似二分搜索树的查找，根据元素的大小来决定查找的方向。 动画：2-3树插入 2-3树删除元素 2-3树删除元素相对比较复杂，删除元素也和插入元素一样先进行命中查找，查找成功才进行删除操作。 2-3树为满二叉树时，删除叶子节点 2-3树满二叉树的情况下，删除叶子节点是比较简单的。 动画：2-3树删除 -----END---
1.1K10发布于 2020-01-02 - 来自专栏我是攻城师
什么是2-3树
2-3树 VS 二叉搜索树 同样的一组数据，在2-3树和二叉搜索树里面的对比如下： ? 可以看到2-3树的节点分布非常均匀，且叶子节点的高度一致，并且如果这里即使是AVL树，那么树的高度也比2-3树高，而高度的降低则可以提升增删改的效率。 2-3树的插入 为了保持平衡性，2-3树的插入如果破坏了平衡性，那么树本身会产生分裂和合并，然后调整结构以维持平衡性，这一点和AVL树为了保持平衡而产生的节点旋转的作用一样，2-3树的插入分裂有几种情况如下 2-3树的删除 2-3树节点的删除也会破坏平衡性，同样树本身也会产生分裂和合并，如下： ? 总结 本篇文章，主要介绍了2-3树相关的知识，2-3树，2-3-4树以及B树都不是二叉树，但与二叉树的大致特点是类似的，它们是一种平衡的多路查找树，节点的孩子个数可以允许多于2个，虽然高度降低了，但编码相对复杂
2.5K20发布于 2019-04-28 - 来自专栏刷题笔记
2-3 链表拼接 (20 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/101050371 2-3 链表拼接 (20 分) 本题要求实现一个合并两个有序链表的简单函数
83440发布于 2019-11-08 一文看懂决策引擎平台必备功能都有哪些
这个决策引擎平台就是为了让公司能轻松管理、执行和部署各种半自动和全自动的决策。随着各种技术的出现，决策自动化越来越受到关注，这些技术设计得特别好，能帮助人工智能在很多公司和行业里无缝工作。 这些报告和数据清楚地告诉我们，人工智能投资的商业预期和人工智能驱动的投资计划的预期回报之间有很大的差距，特别是在决策自动化项目上。幸运的是，公司们可以通过用Together规则引擎来改变这种局面。 Together规则引擎也是一个决策智能平台，主要目标是通过给企业提供一个统一且通用的决策建模平台来弥合这个差距，这个平台满足了决策自动化的所有独特要求，特别是支持完全和半自动化的业务决策。 更重要的是，决策智能平台还必须在必要时为无状态或有状态的决策过程提供人工干预的机会。Together规则引擎让你拥有这些能力。 这凸显了以决策为中心的方法™。Together规则引擎正是实现这些业务价值的工具，通过可视化决策模型的构建将你的管理渗透到你业务的方方面面。
56210编辑于 2025-09-03- 来自专栏python3
2-3 选项卡控件
2-3 选项卡控件 u本节学习目标： n了解选项卡控件的基本属性 n掌握如何设置选项卡控件的属性 n掌握统计页面选项卡控件页面基本信息 n掌握选项卡控件的功能操作控制 2-3-1 简介 在 Windows 一般选项卡在Windows操作系统中的表现样式如图2-3所示。 ? 图2-3 图片框控件的属性及方法 2-3-2 选项卡控件的基本属性 图片框控件是使用频度最高的控件，主要用以显示窗体文本信息。 其基本的属性和方法定义如表2-3所示： 属性 说明 MultiLine 指定是否可以显示多行选项卡。如果可以显示多行选项卡，该值应为 True，否则为 False。 使用这个集合可以添加和删除TabPage对象 表2-3 选项卡控件的属性 2-3-3 选项卡控件实践操作 1．
2.5K10发布于 2020-01-07 - 来自专栏python3
2-3 T-SQL函数
2-3 T-SQL函数 学习系统函数、行集函数和Ranking函数；重点掌握字符串函数、日期时间函数和数学函数的使用参数以及使用技巧 重点掌握用户定义的标量函数以及自定义函数的执行方法 掌握用户定义的内嵌表值函数以及与用户定义的标量函数的主要区别 我们首先运行一段SQL查询：select tno,name , salary From teacher，查询后的基本结构如图2-3所示。我们看见，分别有三位教师的薪水是一样高的。 图2-3 薪酬排序基本情况 图2-4 row_number函数排序 图2-5 row_number另一使用 我们可以使用Row_number函数来实现查询表中指定范围的记录，一般将其应用到Web应用程序的分页功能上
2.4K10发布于 2020-01-08 - 来自专栏开源物联网平台开发
Node-RED 规则引擎：开启物联网时代的智能决策
Node-RED 规则引擎：开启物联网时代的智能决策 随着物联网技术的快速发展，大量的设备和传感器正在不断产生海量的数据。 为了有效处理这些数据，并实现智能决策，规则引擎在物联网领域扮演着至关重要的角色。而 Node-RED 规则引擎则以其灵活性和易用性，在物联网开发领域中引起了广泛的关注和应用。 二、Node-RED 规则引擎的特点 灵活性：Node-RED 支持自定义节点和插件，用户可以根据需求扩展功能，实现个性化的规则设计。 三、Node-RED 规则引擎的应用场景 智能家居：在智能家居领域，Node-RED 可以连接各种智能设备，实现设备的联动控制、自动化场景设置等功能。 四、总结 随着物联网技术的不断发展，规则引擎在物联网应用中的作用将越来越重要。Node-RED 规则引擎以其灵活性和易用性为物联网开发者提供了一个强大的工具，使得开发者能够轻松地构建复杂的物联网应用。
2.1K10编辑于 2024-03-19 Agent决策核心：从规则引擎到LLM驱动的规划器
传统运维自动化高度依赖硬编码规则引擎与有限状态机，具备确定性高、延迟低、可审计的优势，但面对云原生分布式系统的未知故障、级联异常、架构持续迭代、流量动态突变等场景存在天然短板，存在场景覆盖不足、规则爆炸 随着大模型技术工程化落地，运维决策范式完成第三次演进：规则自动化→ 统计模型决策 → LLM认知规划决策。 关键词：AIOps；SRE；LLM Agent；智能规划；ReAct；LangGraph；故障自愈；混合决策架构 一、传统运维决策：规则引擎的能力边界与生产困境 1.1 传统决策体系构成 传统运维自动化体系的决策核心由三类能力构成 1.2 传统规则体系的根本性短板（生产真实痛点） （1）场景覆盖存在天花板，无法应对未知故障 规则引擎仅能执行历史已知故障沉淀的策略，无法理解业务上下文、流量特征、架构依赖与变更背景。 6.4 故障回退兜底体系（关键增补） •LLM推理置信度不足自动降级规则引擎； •工具连续异常触发Agent熔断停止迭代； •全链路异常时启用预定义应急SOP。
40710编辑于 2026-07-14- 来自专栏机器学习入门
算法原理系列：2-3查找树
结构缘由 首先，搞清楚2-3查找树为什么会出来，它要解决什么样的问题？假设我们对它的基本已经有所了解了。先给它来个简单的定义： 2-3查找树： 一种保持有序结构的查找树。 而2-3树就是为了规避上述问题而设计发明出来的模型。现在请思考该如何设计它呢？ 这里我们从BST遇到的实际问题出发，提出设计指标，再去思考利用些潜在的性质来构建2-3树。 这部分内容，没有什么理论根据，而是我自己尝试去抓些字典的性质来构建，而2-3树的诞生过程并非真的如此，所以仅供参考。 构建2-3树 字典的两个主要操作为：查找和插入。 我就不卖关子了，直接给出2-3树的其中一个基本定义： 一棵2-3查找树或为一颗空树，或由以下节点组成： 2-节点：含有一个键和两条链接，左链接指向的2-3树中的键都小于该节点，右链接指向的2-3树中的键都大于该节点 3-节点：含有两个键和三条链接，左链接指向的2-3树中的键都小于该节点，中链接指向的2-3树中的键都位于该节点的两个键之间，右链接指向的2-3树中的键都大于该节点。 ！！！
1.3K20发布于 2019-05-26 轻量级规则引擎在数字化决策中的商业优势
决策建模（DM）是决策管理的一部分，它侧重于使用专为业务分析师和主题专家而非开发人员设计的标准化符号来表示业务决策。通过决策建模，业务分析师可以构建和共享有关其业务决策如何运作的可靠文档。 决策模型由两个视图组成：决策要求视图和决策逻辑视图。决策要求视图描述了如何将复杂的决策分解为更简单的子决策，以及确切需要哪些数据和业务知识来支持这些决策。它显示了决策的层次结构。右边有个示例。 主题专家发现，创建此视图是引发和巩固他们对关键决策的理解的有效方式。决策逻辑视图（请看左边的示例）定义决策的逻辑。通常（但并非总是）它使用决策表来表示决策如何决定其结果。 这使业务分析师能够准确描述其组织中如何进行决策。决策模型还可以以其他格式（例如，决策树、文本）表示逻辑，或与其他方式集成以做出决策（例如，分析、认知模型和优化引擎）。决策模型不仅仅是关于需求。 这种模型驱动的决策架构方法减少了错误并允许快速更改决策—它为业务决策提供了安全的敏捷性，并确保您的决策规范始终具体且与实施一致。
43910编辑于 2025-09-16语义层vs业务规则引擎：该服务计算，还是服务流程决策？
业务规则引擎（Business Rules Engine）则用于将业务决策条件从应用代码和流程程序中抽离，以规则、决策表、条件表达式或决策模型的形式集中管理。 规则引擎更常在“需要做决策”时执行：客户流失率、客户价值、投诉记录等事实已经准备好，引擎再判断客户是否进入挽回流程。这个执行顺序非常关键。 成熟架构应形成清晰链路：语义层把数据计算成事实，规则引擎把事实转化为决策。 当企业已经拥有相对稳定的数据事实，但需要将业务政策和决策条件从代码中抽离，实现流程自动化、风控决策、价格政策、营销策略或审批规则集中管理时，业务规则引擎更合适。 审批阈值、优惠资格、风险处置和流程分支则属于决策规则，更适合放入规则引擎。
16310编辑于 2026-09-22大交通AI决策新引擎：民航商旅数据驱动实践与价值
破解双高速竞合下的民航商旅决策困局 民航与高铁形成全球独有“双高速”竞合模式（数据来源：航班管家），构建立体交通体系的同时，铁路对民航市场冲击显著：2025年暑运西安咸阳出港部分通航点航班降幅达-100% 核心痛点为数据孤岛阻碍全景洞察，企业决策依赖经验而非数据驱动（王磊，航班管家数据商业部总经理）。 构建大交通AI决策引擎：融合多源数据打破孤岛 携手腾讯地图，以智能引擎为枢纽，融合航班管家数据（航班运行、经营、城市天气、人口迁移、出行方式、常居地、高铁/火车运行及票价、航空器数据）与腾讯地图位置大数据 技术引擎：预测需求弹性，构建动态定价模型，实现“客流与需求预测—动态定价—科学选址与星级定位”智能闭环（数据来源：航班管家）。 选择腾讯地图：技术引擎支撑数据洞察 技术领先性：腾讯地图位置大数据联动多维信息，打破数据孤岛，实现大交通全景洞察（数据来源：腾讯地图、航班管家）。
25010编辑于 2026-04-20
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号