- 综合排序
- 最热优先
- 最新优先
- 来自专栏刷题笔记
2-8 符号配对 (20 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/101175098 2-8 符号配对 (20 分) 请编写程序检查C语言源程序中下列符号是否配对
1K30发布于 2019-11-08 - 来自专栏Hank’s Blog
2-8 R语言基础 日期与时间
> x2 <- Sys.Date() > class(x2) [1] "Date"
53110发布于 2020-09-16 - 来自专栏雪碧君终将成长
C++程序设计 习题2-8
#include <iostream> using namespace std; int main() { char c1,c2,c3,c4,c5; c1='C', c2='h', c3='i', c4='n', c5='a'; c1+=4, c2+=4, c3+=4, c4+=4, c5+=4; cout << c1 << c2 << c3 << c4 << c5 << endl; return 0; } 这里可以考虑将某个特定数字改写为常量、或变量
35750编辑于 2023-02-15 - 来自专栏IT技术圈
练习2-8 计算摄氏温度 (10分)
给定一个华氏温度F，本题要求编写程序，计算对应的摄氏温度C。计算公式：C=5×(F−32)/9。题目保证输入与输出均在整型范围内。
1.3K20发布于 2021-02-24 - 来自专栏ypw
题目 1676: 算法2-8~2-11：链表的基本操作
题意：根据题意，意思就是实现插入，删除，展示，以及得到元素，并判断是否删除加入成功以及表内元素是否为空。
38400发布于 2021-03-04 - 来自专栏cwl_Java
C++编程之美-数字之魅(代码清单2-8)
代码清单2-8 Type Find(Type* ID, int N) { Type candidate; int nTimes, i; for(i = nTimes =
21150编辑于 2022-11-30 - 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
『智能算法』转载 作者：杨翠娥&王源 数据驱动的进化优化是什么，仅仅就是数据+优化算法吗？数据驱动的进化优化适用于哪些应用场景？传统的数学优化方法是否迎来了新一轮的挑战。 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？ Ⅱ 数据驱动进化优化算法 ---- 那么，数据驱动的进化优化是怎样进行的呢？过程如图1所示（来自文献[1]）。 Ⅲ 进化算法VS数学优化（以下的讨论均基于单目标优化问题） ---- 上面的章节对数据驱动的进化优化给出了一个简单介绍，看到这里大家可能想问一下进化算法和数学优化（如果不熟悉数学优化是什么可以参考这篇文章 由于进化算法本身天生具有良好的并行特性，基于GPU并行计算的进化算法是否能够在一定程度上解决进化算法速度慢的问题绝对是一个值得研究的topic。
1.6K30发布于 2018-07-30 - 来自专栏云前端
HTTP 的进化
原文： https://medium.com/platform-engineer/evolution-of-http-69cfe6531ba0
70420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。 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。 在文献中，传统神经进化(CNE)仍然存在许多问题，其中算法实际上失去了多样性，也收敛到局部极大解，而这个子领域的大量工作是寻找更先进的算法（在上文中，ESP和NEAT是命名）。 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。 差分进化算法被广泛应用于函数优化、参数优化、机器学习等领域，具有较好的鲁棒性和全局搜索能力。算法原理差分进化算法基于个体间的差异性来进行搜索和优化。 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。 鲁棒性：差分进化算法对初始解的选择和参数的设置相对不敏感，具有较好的鲁棒性。低内存消耗：差分进化算法仅需要存储当前个体和新解的信息，内存消耗较低。 总结差分进化算法是一种强大的全局优化算法，可以应用于各种优化问题。它通过模拟进化的过程，不断地生成和选择新的解，以寻找问题的最优解。
2.4K10编辑于 2023-09-29 - 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）。
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。
39100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
上一篇文章中，我们谈到了 InheritableThreadLocal，它解决了 ThreadLocal 针对父子线程无法共享上下文的问题。但我们可能听说过阿里的开源产品TransmittableThreadLocal，那么它又是做什么的呢？
75840发布于 2019-12-18 - 来自专栏呼延
打字进化史
首先给指定给大家推荐一个练习打字指法的网站,typingclub.以小游戏的模式来联系打字指法.
1.2K20发布于 2019-07-01 - 来自专栏算法协议
服务架构的进化
虽然在软件设计中划分了3层模型，但是对业务场景没有划分，一个典型的单体架构就是将所有的业务场景的表现层，业务逻辑层，数据访问层放在一个工程中最终经过编译，打包，部署在一台服务器上。
1K81编辑于 2022-07-18 - 来自专栏网页杂谈
Python制作《精灵进化》
通过项目《精灵进化》的制作，熟悉游戏过程中角色的移动和变化及游戏结束效果。 WIDTH - ball.width//2) ball.y = random.randint(ball.height//2, HEIGHT - ball.height//2) 波波的进化
71310编辑于 2022-11-11 - 来自专栏AI科技大本营的专栏
MobileNets进化史
为了处理移动和嵌入式视觉任务，本文提出了MobileNets模型。MobileNets基于流线型结构设计，利用深度可分离卷积来建立轻量级深度神经网络。MobileNets引入了两个超参数，让我们可以根据不同任务的条件约束，自由选择模型的尺度规模，通过这两个简单的全局超参数，MobileNets在速度和精度两方面实现了很好的均衡。实验证明，作为轻量级深度网络，MobileNets在诸如识别，定位，检测等计算机视觉任务中都具有普适性和有效性。
76210发布于 2019-11-19 - 来自专栏祝威廉
机器的自我进化
现在我们是人工去训练，我们也可以完全让机器自己去寻找标注好的数据训练出一个新的机器，实现自我设计和训练，也就是自己的进化。
31010发布于 2018-08-27
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