- 综合排序
- 最热优先
- 最新优先
- 来自专栏好好学习
【UML建模】（4） UML建模之时序图
时序图是按照时间顺序显示对象交互的图。它显示了参与交互的对象和所交互信息的先后顺序，用来表示用例图中的行为，用例图是一种交互图。
3.1K20编辑于 2022-03-31 - 来自专栏PowerBI入门100例
2.16 PowerBI数据建模-时间智能函数
)+指定筛选条件这种较为复杂的方式去修改上下文，直接将时间智能函数用于CALCULATE的第二参数，甚至有些函数直接省略了CALCULATE，大大提升了代码的书写效率和可读性。 时间智能函数清单类型函数说明平移取等量DATEADD将当前上下文中的日期按指定的间隔数向未来推移或者向过去推移。 举例函数较多，抛砖引玉，举几个例子了解时间智能函数的用法。 图片3 多数时间智能函数需要用切片器或视觉对象的字段指定时间点或时间段的上下文，否则会返回空白或错误值。 4 有些时间智能函数会推移时间段，导致尚未到来的日期也返回了数字，比如滚动3个月平均，如果不希望未来的月份显示数字，可以通过IF+日期表标记列判断返回空值。
58210编辑于 2025-02-24 - 来自专栏机器学习AI算法工程
【LDA数学八卦-4】文本建模
4. 文本建模 我们日常生活中总是产生大量的文本，如果每一个文本存储为一篇文档，那每篇文档从人的观察来说就是有序的词的序列 d=(w1,w2,⋯,wn)。 包含M 篇文档的语料库 统计文本建模的目的就是追问这些观察到语料库中的的词序列是如何生成的。 所以在统计文本建模中，我们希望猜测出上帝是如何玩这个游戏的，具体一点，最核心的两个问题是 上帝都有什么样的骰子； 上帝是如何抛掷这些骰子的； 第一个问题就是表示模型中都有哪些参数，骰子的每一个面的概率都对应于模型中的参数
1.1K30发布于 2018-03-12 - 来自专栏CSDN小华
数学建模--智能算法之鱼群算法
鱼群算法（Artificial Fish Swarm Algorithm, AFSA）是一种基于模拟自然鱼群行为的智能优化算法，由李晓磊等人于2002年提出。 总之，鱼群算法作为一种群体智能优化算法，通过模拟自然鱼群的行为，能够在复杂优化问题中找到全局最优解或满意解，具有广泛的应用前景和研究价值. 鱼群算法在解决哪些具体优化问题方面表现最佳？ 鱼群算法与其他群体智能优化算法（如遗传算法、粒子群优化）相比有哪些优势和劣势？ 相比之下，其他群体智能优化算法也有其独特的优缺点： 遗传算法： 优点：能够利用大量样本进行求解，适用于复杂的优化问题；具有较好的全局收敛性。 近年来，研究人员不断改进智能优化算法，以加快收敛速度和提高搜索精度。例如，在水下潜器路径规划中的应用研究表明，通过改进的人工鱼群算法可以有效提升路径规划的性能。
88410编辑于 2024-10-16 - 来自专栏心源易码
智能体对话场景数据设计与建模
二、Amazon Bedrock + Amazon DynamoDB数据设计与建模实践在智能体对话场景中，对话记忆存储是实现流畅、个性化交互的关键。 将整合信息发送至Amazon Bedrock上的Claude智能体模型，生成回答。应用将智能体的回答返回给用户。 来存储用户和智能体之间的聊天会话记录。 智能体（AI digital persona）：指生成式AI驱动的对话实体，每个智能体具有唯一的ai_id。 聊天会话（Chat Session）：记录用户与智能体之间的对话过程，通过chat_id唯一标识每一次会话实体之间的实体关系为多对多关系，即用户与智能体之间存在多对多的关系，即一个用户可以与多个智能体进行对话
2.1K10编辑于 2024-07-30 - 来自专栏OpenFPGA
数字硬件建模SystemVerilog-组合逻辑建模（4）组合逻辑决策优先级
下面的代码片段演示了一个以if-else-if决策链建模的4-2优先级编码器，其中高阶位优先于低阶位。 同样的优先级编码器也可以通过使用case语句来建模。 这可以通过在case关键字之前添加一个unique的决策修饰符来实现，如下例所示: 示例7-4：具有unique并行编码逻辑的状态解码器 //`begin_keywords "1800-2012" / current_state[2]: get_going = '1; endcase end endmodule: case_with_unique0_decode //`end_keywords 图7-4显示了综合该示例的结果 图7-4：示例7-4的综合结果：使用unique 使用unique会指示综合编译器可以并行计算case项。与图7-3所示的优先级实现相比，这显著减少了该独热码解码器的门数和传播路径的数量。 示例7-3和7-4中所示的reverse case语句编码风格是综合编译器需要决策修饰符以实现最佳结果质量（QoR）的少数例外之一。
1.6K10编辑于 2023-02-14 - 来自专栏CSDN小华
数学建模--智能算法之免疫算法
免疫算法是一种基于生物免疫系统机制的智能优化算法，广泛应用于解决复杂优化问题、模式识别和数据挖掘等领域。 随着人工智能技术的发展，免疫算法在解决复杂优化问题中的作用越来越重要。未来的研究方向可能包括进一步完善算法模型、提高算法效率和扩展其在更多领域的应用。 免疫算法与其他智能优化算法（如遗传算法、粒子群优化）相比有哪些独特优势和局限性？ 免疫算法与其他智能优化算法（如遗传算法、粒子群优化）相比，具有以下独特优势和局限性： 独特优势 免疫算法通过模拟自然免疫系统的过程，能够有效地进行多峰值搜索。 物流配送中心选址问题：免疫遗传算法在物流配送中心选址中的应用是一个成功的案例，它结合了生物学原理和计算智能，能够有效地搜索最优解，满足实际工程需求。
65110编辑于 2024-10-16 - 来自专栏CSDN小华
数学建模--智能算法之遗传算法
遗传算法的应用 遗传算法在数学建模中有着广泛的应用，例如： 函数求最值：利用遗传算法可以求解一些复杂的非线性函数的极值问题。 Python代码示例 import numpy as np def fitness_function(x): return -x**2 + 4 def selection(pop, fitness 尽管要得到真正最优的解有一定困难，但其高效、并行和全局搜索的特点使其在数学建模和其他领域得到了广泛应用。 遗传算法在解决哪些具体数学建模问题中最有效？ 遗传算法在解决数学建模问题中表现出色，尤其是在需要全局优化和搜索复杂解空间的问题上。 遗传算法在数学建模中的应用非常广泛，特别是在那些需要全局搜索和优化复杂系统的场合。 如何优化遗传算法的参数设置以提高求解效率和质量？
2K10编辑于 2024-10-16 - 来自专栏webpack@4.46.0源码分析
4. 创建模块实例，为模块解析准备
2. webpack构建的基石: tapable@1.1.3源码分析 3. webpack构建整体流程的组织：webpack -> Compiler -> Compilation 4. 创建模块实例，为模块解析准备 5. 路径解析：enhanced-resolve@4.5.0源码分析 6. 模块构建之loader执行：loader-runner@2.4.0源码分析 7. ---- 上一节说到normalModuleFactory.create来创建模块实例，下面从该方法开始分析创建模块实例需要哪些准备工作。 hooks.factory钩子的目的是创建模块实例 注意这两个订阅函数的执行结果是返回一个函数：factroy()、resolver() resolver(): 收集各种模块构建过程中需要的信息 该部分有大量代码解析 this.ruleSet匹配所有的非内联loader 解析非内联loader路径为本地路径 获取parser、generator：hooks.createParser、hooks.createGenerator 创建模块实例
1K40编辑于 2022-11-16 - 来自专栏王的机器
信用风险建模 in Python 系列 4 - 混合模型概述
本文含 1491 字，8 图表截屏 建议阅读 10 分钟 0 引言 本文是「信用风险建模 in Python」系列的第四篇，其实在之前的 Cufflinks 那篇已经埋下了信用风险的伏笔， 信用组合可视化
1K10发布于 2020-07-14 - 来自专栏CSDN小华
数学建模--智能算法之蚁群优化算法
蚁群优化算法（Ant Colony Optimization, ACO）是一种模拟蚂蚁觅食行为的群体智能优化算法，由Marco Dorigo于1992年在他的博士论文中首次提出。 Python代码示例 import numpy as np def fitness_function(solution): return -np.sum(solution**2) + 4 # 这些应用展示了蚁群算法在处理复杂系统建模与优化、模式识别、资源调度、物流、多目标优化和鲁棒优化等方面的能力。 如何有效地改进蚁群优化算法以提高其收敛速度和避免陷入局部最优的问题？ 蚁群优化算法与其他群体智能优化算法（如遗传算法、粒子群优化）相比有哪些优势和劣势？ 在参数优化和智能融合方面，研究者们对蚁群算法进行了多项改进。例如，通过引入不同的改进策略，开发了不同版本的蚁群算法以提高其性能。
1.8K10编辑于 2024-10-16 - 来自专栏CSDN小华
数学建模--智能算法之粒子群优化算法
粒子群优化（Particle Swarm Optimization, PSO）算法是一种基于群体智能的优化方法，最早由Kennedy和Eberhart于1995年提出，灵感来源于对鸟群觅食行为的研究。 Python实现 import numpy as np def fitness_function(x): return -x**2 + 4 # 初始化参数 num_particles = 30 总之，粒子群优化算法以其简单易行、参数可调的优点，在数学建模和实际应用中得到了广泛应用。通过对算法的深入理解和不断改进，可以更好地解决复杂的优化问题. 粒子群优化算法（PSO）是一种基于群体智能的优化算法，其优势和劣势在不同的研究中有所体现。
1.3K10编辑于 2024-10-16 - 来自专栏CSDN小华
数学建模--智能算法之模拟退火算法
模拟退火算法（Simulated Annealing，SA）是一种基于物理退火原理的元启发式优化算法，广泛应用于数学建模中的各种优化问题。 xNew = x + randn(size(x)); end Python： import numpy as np def fitness_function(x): return -x**2 + 4 模拟退火算法在数学建模中的具体应用案例有哪些？ 模拟退火算法在数学建模中的具体应用案例主要集中在优化问题的求解上，特别是在那些需要找到全局最优解的问题中表现尤为突出。 以下是几个具体的案例： 在数学建模比赛中，利用模拟退火算法解决寝室分配问题是一个典型的例子。 这些案例展示了模拟退火算法在数学建模中的广泛应用，其核心优势在于能够处理高维度、非线性、多峰值的复杂优化问题，并且能够在有限的时间内找到近似最优解。
1.7K10编辑于 2024-10-16 - 来自专栏全栈程序员必看
数仓建模与分析建模_范式建模和维度建模
建模方法论 今天我们主要介绍常见的建模方法，这也就是我们今天文章的名称——建模方法论 20年前兴起的数据仓库简单的可分为两大流派，Inmon方法和Kimball方法，分别由 Ralph Kimbal和Bill 区别的关键在于如何在数据仓库中建模、加载和存储数据的方式。而由此出发的不同架构影响到了数据仓库的建设成本和到适应用户不断变化的ETL逻辑的能力。 建模的目的 数仓的建模或者分层，其实都是为了更好的去组织、管理、维护数据,所以当你站在更高的维度去看的话，所有的划分都是为了更好的管理。
73610编辑于 2022-11-09 - 来自专栏zaking's
《JavaScript 模式》读书笔记（5）— 对象创建模式4
可以使您能够一个接一个的调用对象的方法，而无需将前一个操作返回的值赋给变量，并且无需将您的调用分割成多行： myobj.method1("hello").method2().method3("world").method4( 对象创建模式的内容到这里就告一段落了，这一整章文章讲解了命名空间模式、声明依赖、私有模式、模块模式以及沙箱模式、对象常量、链模式等一系列有用的创建对象的方法。那么下一章，我们会学习下代码复用模式。
59110发布于 2020-04-03 - 来自专栏用户12197977的专栏（2）
智能问数落地实录：语义建模项目90天交付，宽表建模为何要180天？
+张业务表目标：让区域经理可以自然语言查询销售、库存等数据项目周期：180天仍在迭代优化中，尚未全量上线投入人力：实施团队4人+客户方IT团队3人全职配合为什么两个规模相似、目标相近的项目，周期和人力投入差距会如此巨大 七、结语：项目周期不是执行问题，是方法论问题回到我们最初的问题：为什么同样是智能问数项目，语义建模90天就能交付，宽表建模需要180天甚至更长？ 最后给大家一个简单的决策树：你要做固定分析看板→选宽表建模你要做企业级自助智能问数→优先语义建模你的IT团队有很多冗余人力→可以考虑宽表你的IT团队人手不足→选语义建模，减少维护负担你希望三个月看到效果 延伸阅读如果你对语义层本体建模技术路线感兴趣，可以关注公众号"本体智能"，我们会持续分享数据智能领域的深度技术分析和项目实践案例，包括：四种主流智能问数技术路线深度对比预置成本增长曲线：为什么宽表方案越用越贵 本文由数据智能领域资深实施专家撰稿关注"本体智能"，获取更多深度技术分析
13610编辑于 2026-03-26 - 来自专栏全栈程序员必看
《JavaScript 模式》读书笔记（5）— 对象创建模式4
我们学完了大部分对象创建模式相关的内容，下面还有一些小而精的部分。 七、对象常量 JavaScript中没有常量的概念，虽然许多现代的编程环境可能为您提供了用以创建常量的const语句。 可以使您能够一个接一个的调用对象的方法，而无需将前一个操作返回的值赋给变量，并且无需将您的调用分割成多行： myobj.method1("hello").method2().method3("world").method4( 对象创建模式的内容到这里就告一段落了，这一整章文章讲解了命名空间模式、声明依赖、私有模式、模块模式以及沙箱模式、对象常量、链模式等一系列有用的创建对象的方法。那么下一章，我们会学习下代码复用模式。
45340编辑于 2022-07-21 - 来自专栏CreateAMind
主动推理智能体的共情建模：视角对齐
每个智能体在离散的感知 - 行动周期中运行，在变分状态推断、对手建模和策略评估之间交替进行。概览见算法 1。 III. 结果 A. 转换附近的边界层变异性 图 4B 中显示的示例轨迹是从这些相应组中提取的代表性单种子实现。 最终目标是能够对具有相异模型的智能体进行建模，并仍然实现一定程度的心智理论和共情。 共情参数 λ 目前在整个交互过程中对每个智能体都是固定的。 最后，必须仔细考虑强大社会建模的伦理影响。使智能体能够有效合作的相同能力也可能使操纵成为可能。一个准确建模他人偏好并预测其响应的智能体，在共情较低时，可能会利用这些知识达到利己的目的。 处于合作机制中的智能体有理由投资他人中心（allocentric）建模，因为它可靠地减少预测误差；面临剥削的智能体则有理由撤退。 在主动推理中，这种调节映射到精度动态。
15710编辑于 2026-04-03 - 来自专栏PPV课数据科学社区
你真的了解机器学习、人工智能、统计建模吗？
分布式计算、云计算、人工智能 机器学习、深度学习、统计建模 这些最新的词汇大家应该都有所了解 但你真的了解这些词的意义吗？ 一、机器学习 机器学习是以数据为基础，它专注于为回归和分类算法。 深度学习被频繁应用于各种弱人工智能应用，在这些领域，机器会去做人类的工作。 【推荐阅读】 分布式机器学习的故事 分布计算 | 大数据机器学习系统研究进展 分布式深度学习算法产品及在蚂蚁金服中的应用（附33页PDF下载） 四、统计建模 统计建模其实就是解决“哪一种概率模型可以产生我所观察到的数据 验证推理是统计建模中一个重要的方面。举例来说，如果要在三个可能的医疗设备中，决定哪个对病人最有益，你就会对这样的模型感兴趣：它能捕捉病人使用什么样的途径治疗是明显有效果的。 在统计建模中，数据指引人们到一个随机模型的可挑选范围里，它就相当于是抽象的利益问题的概率表达，实现预测的功能和对某些事物的前瞻判断。
1.2K60发布于 2018-04-19 - 来自专栏UE4技术专场
UE4智能指针
#UE4智能指针分析 什么是智能指针 对裸指针进行封装，行为类似裸指针，但是却能够自主管理资源的释放的指针，其实说白了就是通过类的析构和对象的生命周期来管理资源的释放 使用智能指针 为什么使用智能指针 使用的特例智能指针，不参与引用计数 两倍的裸指针大小，有一个指针指向控制块 和shared_ptr相当 为什么使用UE4的智能指针而不是用c11的（两个做具体的对比） 所有编译器和平台上有更加一致的实现 手动释放(Release)后, 该智能指针不再负责该对象的销毁. 0.6. 手动释放(Release)后, 该智能指针不再负责该对象的销毁. 0.8. FWeakReferencer() TOps::ReleaseWeakReference(ReferenceController); WeakReferenceCount为 0 时销毁FReferenceController 4.
7.3K71发布于 2018-12-18
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