- 综合排序
- 最热优先
- 最新优先
- 来自专栏猿人工厂
猿进化系列2——JAVA,欢迎你！
因为作为小白的你，大概率会 猿人工厂君讲的是进化教程，只讲和进化有关的东西，你见过哪只家养猿类天天记事本撸代码的？IDE是个啥？肿么安装？自行百度吧。 不多说了，想要快速的进化成一只猿类，我们 关键字 什么是关键字？关键字就是在编译器里有特殊颜色的那种字！！！ byte 1个字节，-128-127 short 2个字节，-32768-32767 int 4字节，（默认） -2,147,483,648-2,147,483,647（负2的31次方到正2的31次方减一 a和b的结果都是2。 变量后++ ：变量a先把自己的值1，赋值给变量b，此时变量b的值就是1，变量a自己再加1。a的结果是2，b的结果是1。 两边都是true，结果是true 2. 一边是false，结果是false 短路特点：符号左边是false，右边不再运算 || 短路或 1. 两边都是false，结果是false 2.
49520发布于 2020-07-28 - 来自专栏Python项目实战
Layer 2 的进化之路：Rollup 到底在“卷”什么？
Layer2的进化之路：Rollup到底在“卷”什么？大家好，我是Echo_Wish。这两年你要是混Web3/区块链圈子，基本绕不开三个词：Layer2、Rollup、扩容。 这时候社区逐渐形成一个共识：安全留在Layer1，性能交给Layer2。 二、Layer2的核心思想：我替你算，你替我兜底我一直觉得，理解Layer2有一个特别“人话”的比喻：Layer1是法院，Layer2是调解委员会平时纠纷你们自己解决（L2）真打官司了，法院兜底（L1） Rollup本质上做了三件事：交易执行在Layer2交易数据（或摘要）写入Layer1通过密码学或博弈机制保证结果可信你可以理解为：我在L2做流水账，定期把账本复印件交给L1备案四、Rollup的两大流派 2️⃣扩容路线清晰Rollup是目前唯一一个：不牺牲去中心化不牺牲安全已经被主流采用的方案3️⃣应用可以“长在L2上”DeFi、GameFi、SocialFi，越来越多项目原生就选L2，而不是“从L1迁移
30110编辑于 2026-01-06 - 来自专栏智能算法
数据+进化算法=数据驱动的进化优化？进化算法PK数学优化
简单来说，数据驱动的进化优化（Data-driven evolutionary computation）就是借助数据和进化算法求解优化问题。首先为什么用进化算法呢？ 如图2所示。 ? 图2. 选择代理模型的最优解 但是训练足够准确的代理模型是不太现实的，特别是在SAEA中收集到的小数据。 因此，另一种选择重新评估解的方法就是选择代理模型认为不确定的解（简单的理解是离其它个体比较远的那些个体），如图3所示（来自文献2）。 如高斯过程模型常用的LCB指标，ExI指标如公式（1）和（2）。 ? ? 是高斯过程模型（代理模型）评估的目标值， ? 是代理模型对个体评估的准确度。 ? 可以看作二者的权重系数。 ? Round2 求解速率 进化算法的计算速度比较慢一直是大家的共识，这一点也很好理解，每迭代一次都需要计算M次目标函数，M是种群规模一般是30-50左右。
1.6K30发布于 2018-07-30 - 来自专栏腾讯云TVP
龙虾进化
我们今天认真的谈一下，企业级的“龙虾”该怎么养，又会如何进化。 和AI Coding一样，现在小龙虾是给个人用的产品，还没有看到成熟的企业产品出现。 这也是小龙虾的终极进化目的：企业数字员工（主管）。总结一下：从个人应用到企业级应用，我们要做的就是：安全、健壮、可控、可持续迭代、可持续学习，经验持久化。
968130编辑于 2026-03-12 - 来自专栏图灵技术域
随机固定分组合作协同进化NSGA2算法（CCNSGA2）
合作协同进化（Cooperative Coevolution）是求解大规模优化算法一个有效的方法。将大规模问题分解为一组组较小的子问题。而合作协同进化的关键是分解策略。 合作协同进化算法请见：https://www.omegaxyz.com/2017/10/14/cooperative_coevolution/ NSGA2算法是一种多目标遗传算法。 此文章是随机固定分组的合作协同进化利用NSGA2来优化。 比如有12个决策变量，我们固定随机优化3个决策变量，那么就将决策变量分成了4组。 %迭代次数 global M M = 2; %目标数量 Dim=22; %搜索空间维数（未知数个数） sub_dim= 2 ; global min_range global https://www.omegaxyz.com/2018/01/22/new_nsga2/
1.2K10发布于 2021-05-21 JavaScript 的进化之旅 Part 2：现代特性与算法优化实战
换句话说，如果上一篇是“JavaScript 的进化史”，那么这一篇就是 “现代特性+算法优化实战指南”。 2️⃣ 算法优化与现代特性2.1 数组与集合操作传统 JavaScript：let numbers = [1,2,3,4,5,6];let sum = 0;for (let i = 0; i < numbers.length ，用 链式方法 + 箭头函数：const numbers = [1,2,3,4,5,6];const sum = numbers .filter(n => n % 2 === 0) .map(n = 2.2 异步算法 & async/await回调地狱示例：fetch(url1, function(r1){ fetch(url2, function(r2){ fetch(url3, function (url1); const r2 = await fetch(url2); const r3 = await fetch(url3); console.log(r1, r2, r3);}fetchAll
52410编辑于 2025-09-01- 来自专栏数据科学（冷冻工厂）
生信教程：使用拓扑加权探索基因组进化（2）
使用 Twisst 探索整个基因组的进化关系的拓扑加权教程[1]。 简介 拓扑加权是量化不一定是单系群之间关系的一种方法。 在大多数情况下，我们拥有的只是序列数据，并且必须推断其进化历史。 x.phyml_bionj.trees.gz \ -w msms_4of10_l50k_r500_sweep.seqgen.SNP.w$x.phyml_bionj.weights.tsv \ -g A 1,2,3,4,5,6,7,8,9,10
81230编辑于 2023-10-10 - 来自专栏机器学习实战
从 YOLOv1 到 YOLOv2：目标检测的进化之路
因为每个格子预测 2 个边界框（每个框有 5 个数：x, y, w, h + 置信度），加上 20 个类别的概率，所以是 2×5 + 20 = 30。 第二部分：YOLOv2——更快更准的升级版 YOLOv2 的诞生 YOLOv1 虽然快，但精度不高，漏检多。 损失函数详解 YOLOv2 的损失函数和 YOLOv1 类似，但优化了细节： 解释一下： 通俗解释 YOLOv2 的损失函数更聪明了。 YOLOv2：预测锚框偏移量，用 IoU 优化置信度。 检测能力 YOLOv1：2 个框/格子，适合大物体。 YOLOv2：5 个锚框/格子，小物体检测更好。 YOLOv1 和 YOLOv2 是目标检测的里程碑。YOLOv1 用“快”打开新思路，YOLOv2 在速度和精度上找到平衡。
52700编辑于 2025-03-15 - 来自专栏云前端
HTTP 的进化
</HTML>
(连接1关闭 - 断掉 TCP)
------------------------------------------
(连接2建立 1997 16:00:00 GMT
Last-Modified: Wed, 1 May 1996 12:45:26 GMT
Server: Apache 0.84
[image content]
(连接2关闭 00:59:33 GMT
Server: Apache
Transfer-Encoding: chunked
Vary: Cookie, Accept-Encoding
[content]
(请求2) Accept-Encoding: gzip, deflate, br
Referer: https://developer.mozilla.org/en-US/docs/Glossary/Simple_header
(响应2) HTTPS 加密数据传输
SSL/TLS 握手 — HTTPS 中的主要问题
尽管 HTTPS 设计上是安全的，但 SSL/TLS 握手过程在 HTTPS 连接之前消耗了显著的时间；通常会耗费 1 至 270420发布于 2020-06-16 神经进化算法
即使是最简单的神经进化算法（“传统神经进化”），没有多余的花里胡哨的普通算法，也许能够解决许多有趣的问题。 重复任务（2） - >（4），直到最佳网络的所需分数令人有些满意。 crossover999.jpg 交叉和变异的例子 这是传统神经进化(CNE)算法的要点。 我在包含许多局部最大值的系统中更喜欢这个方法，所以对于随机梯度下降(SGD)，你最终会得到局部最大值，而神经进化(NE)算法有更大的可能性找到一个更好的局部甚至全局最大值。 另外，使用传统神经进化(CNE)复合循环神经网络结构相对简单。 我会试着去攻击convnet.js，并实现一个简单的、可以训练神经网络获得一些分数的传统神经进化(CNE)训练器，然后把它用来测试钟摆问题是否会被这些方法攻击。
1.7K100发布于 2018-02-05- 来自专栏软件研发
进化算法中的差分进化算法（Differential Evolution）
引言差分进化算法（Differential Evolution，DE）是一种全局优化算法，可用于解决复杂的优化问题。它源于遗传算法和进化策略，通过模拟自然界中的进化过程来搜索最优解。 算法特点差分进化算法具有以下特点：简单有效：差分进化算法不依赖于问题的具体性质，适用于各种优化问题。全局搜索：差分进化算法具有较好的全局搜索能力，能够找到问题的全局最优解。 best_solution, best_fitness# 示例函数：Rastrigin函数def rastrigin(x): n = len(x) return 10 * n + sum([(xi ** 2 - 10 * np.cos(2 * np.pi * xi)) for xi in x])# 设置函数的边界和参数bounds = [(-5.12, 5.12)] * 10population_size = 0.7differential_weight = 0.5bounds = [(0, 1)] * num_features# 初始化种群population = np.random.randint(2,
2.4K10编辑于 2023-09-29 - 来自专栏刘悦的技术博客
用户认证(Authentication)进化之路：由Basic Auth到Oauth2再到jwt
严格意义上来讲，OAuth2不是一个标准协议，而是一个安全的授权框架。它详细描述了系统中不同角色、用户、服务前端应用（比如API），以及客户端（比如网站或移动App）之间怎么实现相互认证。 JWT 特点: 1 体积小，因而传输速度快 2 传输方式多样，可以通过URL/POST参数/HTTP头部等方式传输 3 严格的结构化。 eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.eyJzdWIiOiIxMjM0NTY3ODkwIiwibmFtZSI6IkpvaG4gRG9lIiwiYWRtaW4iOnRydWV9.TJVA95OrM7E2cBab30RMHrHDcEfxjoYZgeFONFh7HgQ {"alg":"AES256","typ":"JWT"} 2 playload(载荷)中的Claims声明部分是整个token的核心，表示要发送的用户详细信息。
1.4K30编辑于 2022-08-08 - 来自专栏小明的数据分析笔记本
文献笔记五十六：武汉新型冠状病毒的进化分析2
of its spike protein for risk of human transmission 传播风险建模（这部分内容自己暂时还没有看懂） 本篇笔记重点关注论文中对进化树的解释 ? 根据进化分析的结果，武汉新型冠状病毒可能与SARS/SARS-like 冠状病毒存在共同的祖先，这个共同祖先与 bat冠状病毒HKU9-1相似。 ggtree操作进化树 library(ggtree) tree<-read.tree("../.. df$isTip),] df1$bootstrap<-ifelse(df1$label>=50,">=50","<50") df2<-df[which(df$isTip),] df3_1<-df2[20 :25,] df3_1 df3_2<-df2[c(1:19,26:64),] df3_1$color<-"A" df3_2$color<-"B" df3<-rbind(df3_1,df3_2) library
65110发布于 2020-03-03 - 来自专栏DrugOne
. | 用深度学习预测SARS-CoV-2的进化
在这里，作者引入了机器学习引导的抗原进化预测（MLAEP）方法，它结合了结构建模、多任务学习和遗传算法，通过体外定向进化模拟来预测病毒的适应性景观并探索抗原进化。 通过分析现有的SARS-CoV-2变异，MLAEP准确地推断了抗原进化轨迹上的变异顺序，与相应的采样时间相关联。 多目标学习的有效性 图 2 MLAEP遵循机器学习引导的定向进化范例，而生成序列的质量在很大程度上取决于序列到功能模型。首先，作者通过五折交叉验证验证了模型对新观察到的变异的泛化能力。 结论 作者提出了一种机器学习引导的抗原进化预测范式，用于预测SARS-CoV-2的抗原进化。作者训练了一个多任务深度学习模型，使用变异序列和结合目标结构来预测ACE2/抗体结合特异性。 预测ACE2结合特异性是一个相对简单的任务，因为可以使用无监督学习的模型来捕捉结合特异性。然而，预测抗体结合特异性要困难得多。通过各种验证实验，模型可以预测由高免疫压力导致的抗原进化潜力。
57920编辑于 2023-09-19 - 来自专栏猿人工厂
猿进化系列4——超速进化，一发入魂
我们再看下面这个代码： int b[] = {1,2,3,4,5}; 我们也可以直接定义一个数组，使用大括号初始化数组，直接将数字1,2,3,4,5存放在了数组b中。 划重点！！！ 数组里的数据类型，不仅仅是int噢，它可以是任意类型的，比如 String strs[]={"1","2","3","4","5"}; 就是字符串类型的数组，长度是5！ 存放了"1","2","3","4","5"共5个字符串！ 悄悄的告诉你，以后你会慢慢发现，数组里存放的其实是薛定谔的猫！ 数组的访问 我们已经学会了数组的声明和创建，但是我们怎样才能使用数组呢？ 比如int a={1,2,3,4,5}那边反转后就是{5，4，3，2，1} ? 代码可以给你，好好的看看，但是想要使用嘛，还是自己敲代码吧。 小思考： 思考下还有没有其他实现方式？
73520发布于 2020-07-28 - 来自专栏MixLab科技+设计实验室
工具进化简史
关于进化史，GET写作计算出的写作角度非常多，比如： 蒸菜工具的进化史 程序媛进化史 睡衣的进化史 挖矿机进化史 毒品的魔鬼进化史 库里的投篮进化史 迪士尼公主进化史 中产阶级水果进化史 锦鲤本鲤の进化史 公众号标题党进化史 太空垃圾进化史 粉红色的进化史 …… 可以蹭的热点就比较少，在GET写作的热点库里，只有2条： 编辫子小工具 男性造型百年进化史 所以，本文没有值得蹭的热点，从这个角度来说，本文是一篇干货文 01 创造工具是为了提高生存机率 猿人到智人的进化有很大因素来自工具的创造，当一个生命体自我生存方式可以通过外界物质的提升，那么这个时候这个生命体的存活机率就会大提升（寿命增长）。 如果你今天要制作一台手机，那么按照一天八个小时计算，平时能够生产2台手机，如果给你提供某个工具使你能够每天生产6台。这个就是单位时间不变的效率提升。 另一种就是你要完成一辆汽车生产，过去你需要20个小时，现在只需要2个小时，也是效率提升。最合理的解释就是以时间作为基础比值来计算单位时间产量并对比之前的。
1.2K30发布于 2019-06-20 - 来自专栏喔家ArchiSelf
抽象的进化：AgentOps
1.抽象的进化 我们可以将计算机历史视为一系列的抽象，每一层都将开发人员从较低层次的关注中解放出来。从二进制语言转向汇编语言，然后是过程语言和面向对象程序设计语言。 使 Puppet 和 Ansible 工作的工具还需要在其设计中嵌入特定的领域知识，例如，知道 ec2 如何工作。 2.新的开发体验 在 AgentOps 中，开发人员关注三个核心要素： 设置明确的目标、给予Agent适当的工具以及启用有效的护栏。
39000编辑于 2025-06-08 - 来自专栏健程之道
ThreadLocal的进化——InheritableThreadLocal
之前有介绍过 ThreadLocal，JDK 后来针对此做了一个升级版本 InheritableThreadLocal，今天就来好好介绍下。
46340发布于 2019-12-18 - 来自专栏健程之道
ThreadLocal的进化——TransmittableThreadLocal
然而，实际的结果却出乎所料，我将结果整理一下： Thread1 produce task 21 // 省略8行 Thread1 produce task 30 Thread2 produce task 41 // 省略8行 Thread2 produce task 50 pool-1-thread-1 execute task, name : Thread2 name value : 40 // 省略 47行 pool-1-thread-1 execute task, name : Thread2 name value : 40 Thread3 produce task 61 // 省略8行 Thread3 行 Thread6 produce task 130 Thread7 produce task 141 // 省略8行 Thread7 produce task 150 pool-1-thread-2 execute task, name : Thread7 name value : 140 // 省略6行 pool-1-thread-2 execute task, name : Thread7 name
75840发布于 2019-12-18 - 来自专栏Linux云计算网络
容器进化史
和虚拟机一样，容器技术也是一种资源隔离的虚拟化技术。我们追溯它的历史，会发现它的技术雏形早已有之。 容器简史 容器概念始于 1979 年提出的 UNIX chroot，它是一个 UNIX 操作系统的系
1.6K70发布于 2018-04-18
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