数学建模笔记—— 非线性规划

2024-09-09 06:52

本文主要是介绍数学建模笔记—— 非线性规划,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

数学建模笔记—— 非线性规划

  • 非线性规划
    • 1. 模型原理
      • 1.1 非线性规划的标准型
      • 1.2 非线性规划求解的Matlab函数
    • 2. 典型例题
    • 3. matlab代码求解
      • 3.1 例1 一个简单示例
      • 3.2 例2 选址问题
        • 1. 第一问 线性规划
        • 2. 第二问 非线性规划

非线性规划

非线性规划是一种求解目标函数或约束条件中有一个或几个非线性函数的最优化问题的方法。运筹学的一个重要分支。20世纪50年代初,库哈(H.W.Kuhn)和托克(A.W.Tucker)提出了非线性规划的基本定理,为非线性规划奠定了理论基础。这一方法在工业、交通运输、经济管理和军事等方面有广泛的应用,特别是在“最优设计”方面,它提供了数学基础和计算方法,因此有重要的实用价值。

非线性规划模型特点:

  • 模型中至少一个变量是非线性,即包含 x 2 , e x , 1 x , sin ⁡ x , log ⁡ 2 x x^2,e^x,\frac1x,\sin x,\log_2x x2,ex,x1,sinx,log2x等形式
  • 线性规划有通用求准确解的方法(单纯形法),它的最优解只存在于可行域的边界上;非线性规划的最优解(若存在)可能在其可行域的任一点达到,目前非线性规划还没有适合各种问题的一般解法,各种方法都有其特定的适用范围

1. 模型原理

1.1 非线性规划的标准型

m i n f ( x ) s.t. { A x ≤ b , A e q ⋅ x = b e q (线性) c ( x ) ≤ 0 , C e q ( x ) = 0 (非线性) l b ≤ x ≤ u b min\quad f(x)\\\text{s.t.}\begin{cases}Ax\leq b, Aeq\cdot x=beq&\text{(线性)}\\c\big(x\big)\leq0, Ceq\big(x\big)=0&\text{(非线性)}\\lb\leq x\leq ub\end{cases} minf(x)s.t. Axb,Aeqx=beqc(x)0,Ceq(x)=0lbxub(线性)(非线性)

1.2 非线性规划求解的Matlab函数

f m i n c o n fmincon fmincon函数: [ x f v a l ] = f m i n c o n ( f u n , x 0 , A , b , A e q , b e q , l b , u b , n o n l c o n , o p t i o n ) [x\:fval]=fmincon(fun,x0,A,b,Aeq,beq,lb,ub,nonlcon,option) [xfval]=fmincon(fun,x0,A,b,Aeq,beq,lb,ub,nonlcon,option)

  • f u n : fun: fun把目标函数定义为一个单独的函数文件(min)
  • x 0 : x0: x0:决策变量的初始值
  • A , b : A, b: A,b: 线性约束的不等式变量系数矩阵和常数项矩阵 ≤ 或 < \le或< <
  • A e q , b e q : Aeq, beq: Aeq,beq: 线性约束的等式变量系数矩阵和常数项矩阵
  • l b , u b : lb, ub: lb,ub:决策变量的最小取值和最大取值
  • n o n l c o n : nonlcon: nonlcon:非线性约束,包括不等式和等式
  • o p t i o n : option: option:求解非线性规划使用的方法

注意:

  • 非线性规划中对于初始值 x 0 x0 x0的选取非常重要,因为非线性规划的算法求解出来的是一个局部优化解。如果要求全局最优解,有两个思路:

    • 给定不同初始值,在里面找到一个最优解;

    • 先用蒙特卡罗模拟,得到一个蒙特卡罗解,然后将这个解作为初始值来求最优解。

  • o p t i o n option option选项可以给定求解的算法,一共有五种,interior-point(内点法)trust-region-reflective(信赖域反射法)sqp(序列二次规划法)sqp-legacy(约束非线性优化算法)active-set (有效集法)。不同的算法有其各自的优缺点和适用情况,我们可以改变求解的算法来对比求解的结果。

  • $ fun $表示目标函数,我们要编写一个独立的”m文件“储存目标函数

  • n o n l c o n nonlcon nonlcon表示非线性部分的约束,也要编写一个独立的”m文件“存储非线性约束条件

  • 决策变量的下表要改括号,比如 x 1 x_1 x1要改为 x ( 1 ) x(1) x(1),matlab才能识别

  • 若不存在某种约束,可以用”[]“代替,若后面全为"[]“且option使用默认,后面的”[]"可以省略

2. 典型例题

选址问题:

临时料场: A ( 5 , 1 ) A( 5, 1) A(5,1), A ( 2 , 7 ) ; A( 2, 7) ; A(2,7);日储量各20吨

工地位置坐标及日需求量
横坐标1.258.750.55.7537.25
纵坐标1.250.754.7556.57.25
日需求量3547611

(1)试制定每天的供应计划,即从两料场分别向各工地运送多少吨水泥,使总的地千米数最小?

(2)为了进一步减少吨千米数,打算舍弃两个临时料场,改建两个新的,日储量各为20吨,问应建在何处,节省的吨千米数为多大?

  1. 确定决策变量

    设第 i i i个工地的坐标 ( a i , b i ) (a_i,b_i) (ai,bi),水泥日用量 d i , i = 1 , 2 , … , 6 d_i,i=1,2,\dots,6 di,i=1,2,,6,料场位置 ( x j , y j ) (x_j,y_j) (xj,yj),日储量 e j , j = 1 , 2 e_j,j=1,2 ej,j=1,2;从料场 j j j向工地 i i i的运送量为 x i j x_{ij} xij

  2. 确定约束条件

    • 料场水泥运输总量不超过其日储量: ∑ i = 1 6 x i j ≤ e j , j = 1 , 2 \sum_{i=1}^{6}x_{ij}\leq e_{j} ,j=1 ,2 i=16xijej,j=1,2
    • 两个料场向某工地运输量之和等于该工地水泥日用量: ∑ j = 1 2 x i j = d i , i = 1 , 2 , ⋯ , 6 \sum_{j=1}^{2}x_{ij}=d_{i} ,i=1 ,2 ,\cdots,6 j=12xij=di,i=1,2,,6
  3. 确定目标函数

    求总吨千米数最小,即运送量乘运送距离求和最小: min ⁡ f = ∑ j = 1 2 ∑ i = 1 6 x i j ( x j − a i ) 2 + ( y j − b i ) 2 \min f=\sum_{j=1}^{2}\sum_{i=1}^{6}x_{ij}\sqrt{\left(x_{j}-a_{i}\right)^{2}+\left(y_{j}-b_{i}\right)^{2}} minf=j=12i=16xij(xjai)2+(yjbi)2

  4. 建立模型
    m i n f = ∑ j = 1 2 ∑ i = 1 6 x i j ( x j − a i ) 2 + ( y j − b i ) 2 s . t . { ∑ i = 1 6 x i j ≤ e j , j = 1 , 2 ∑ j = 1 2 x i j = d i , i = 1 , 2 , … , 6 x i j ≥ 0 , i = 1 , 2 , … , 6 ; j = 1 , 2 \begin{aligned}&min\quad f=\sum_{j=1}^{2}\sum_{i=1}^{6}x_{ij}\sqrt{\left(x_{j}-a_{i}\right)^{2}+\left(y_{j}-b_{i}\right)^{2}}\\&s.t.\begin{cases}\sum_{i=1}^{6}x_{ij}\leq e_{j},j=1,2\\\sum_{j=1}^{2}x_{ij}=d_{i},i=1,2,\ldots,6\\x_{ij}\geq0,i=1,2,\ldots,6;j=1,2\end{cases}\end{aligned} minf=j=12i=16xij(xjai)2+(yjbi)2 s.t. i=16xijej,j=1,2j=12xij=di,i=1,2,,6xij0,i=1,2,,6;j=1,2

  5. 求解

    • 对于第一问:因料场位置已知,故决策变量仅为 x i j x_{ij} xij,为线性规划模型

    • 对于第二问:新料场位置未知,所以 x j x_j xj y j y_j yj均为变量,且不是线性的,故为非线性规划模型

    • 共有8个约束
      m i n f = ∑ j = 1 2 ∑ i = 1 6 x i j ( x j − a i ) 2 + ( y j − b i ) 2 s . t . { ∑ i = 1 6 x i j ≤ e j , j = 1 , 2 ( x 11 + x 21 + … + x 61 ≤ e 1 , x 12 + x 22 + … + x 62 ≤ e 2 ) ∑ j = 1 2 x i j = d i , i = 1 , 2 , … , 6 ( x 11 + x 12 = d 1 , … , x 61 + x 62 = d 6 ) x i j ≥ 0 , i = 1 , 2 , … , 6 ; j = 1 , 2 \begin{aligned}&min\quad f=\sum_{j=1}^{2}\sum_{i=1}^{6}x_{ij}\sqrt{\left(x_{j}-a_{i}\right)^{2}+\left(y_{j}-b_{i}\right)^{2}}\\ &s.t.\begin{cases}\sum_{i=1}^{6}x_{ij}\leq e_{j},j=1,2\left(x_{11}+x_{21}+\ldots+x_{61}\leq e_{1},x_{12}+x_{22}+\ldots+x_{62}\leq e_{2}\right)\\ \sum_{j=1}^{2}x_{ij}=d_{i},i=1,2,\ldots,6\begin{pmatrix}x_{11}+x_{12}=d_1,\ldots, x_{61}+x_{62}=d_6\end{pmatrix}\\ x_{ij}\geq0,i=1,2,\ldots,6;j=1,2\end{cases}\end{aligned} minf=j=12i=16xij(xjai)2+(yjbi)2 s.t. i=16xijej,j=1,2(x11+x21++x61e1,x12+x22++x62e2)j=12xij=di,i=1,2,,6(x11+x12=d1,,x61+x62=d6)xij0,i=1,2,,6;j=1,2
      注意:在matlab里这些双角标的变量要改为单角标的变量,如 x 11 → x 1 , x 21 → x 2 , … , x 62 → x 12 x_{11}\to x_{1} ,\quad x_{21}\to x_{2} ,\quad\ldots ,\quad x_{62}\to x_{12} x11x1,x21x2,,x62x12

3. matlab代码求解

3.1 例1 一个简单示例

求解:
m i n y = x 1 2 + x 2 2 − x 1 x 2 − 2 x 1 − 5 x 2 , s . t . { − ( x 1 − 1 ) 2 + x 2 ≥ 0 , 2 x 1 − 3 x 2 + 6 ≥ 0 \begin{aligned}&min\quad\mathrm{y}=x_{1}^{2}+x_{2}^{2}-x_{1}x_{2}-2x_{1}-5x_{2},\\&\mathrm{s.t.}\begin{cases}-\left(x_1-1\right)^2+x_2\geq0,\\2x_1-3x_2+6\geq0\end{cases}\end{aligned} miny=x12+x22x1x22x15x2,s.t.{(x11)2+x20,2x13x2+60
非线性规划的目标函数fun1.m:

function f=fun1(x)
%FUN1 非线性规划的目标函数
%   这里的f实际上就是目标函数,函数的返回值也是f
%   输入值x实际上就是决策向量,由x1和x2组成的向量
% min f(x)=x1^2+x2^2-x1*x2-2x1-5x2f=x(1)^2+x(2)^2-x(1)*x(2)-2*x(1)-5*x(2);
end

非线性规划中的非线性约束nonlfun1.m:

function [c ceq]=nonlfun1(x)
%NONLFUN1 非线性规划中的非线性约束,c为非线性不等式约束,ceq为非线性等式约束
%   输入值x为决策变量
%   返回值为 c(非线性不等式约束),ceq(非线性等式约束)
%   -(x1-1)^2+x2>=0c=(x(1)-1)^2-x(2);ceq=[];
end

给定任意初始值进行求解:

clear;
clc;
format long g %将matlab的计算结果显示为一般的长数字格式(默认保留两位小数或者使用科学计数法)
% min f(x)=x1^2+x2^2-x1*x2-2x1-5x2
% s.t. -(x1-1)^2+x2>=0; 2x1-3x2+6>=0
x0=[0 0];%任意给定一个初始值
A=[-2 3];
b=6;
disp("使用内点法求解:")
[x,fval]= fmincon(@fun1,x0,A,b,[],[],[],[],@nonlfun1)% 默认使用内点法
disp("使用SQP求解:")
option=optimoptions('fmincon','Algorithm','sqp');
[x,fval]= fmincon(@fun1,x0,A,b,[],[],[],[],@nonlfun1,option)

输出:

使用内点法求解:找到满足约束的局部最小值。优化已完成,因为目标函数沿
可行方向在最优性容差值范围内呈现非递减,
并且在约束容差值范围内满足约束。<停止条件详细信息>x =2.99941592955142          3.99922426270024fval =-12.9999995101786使用SQP求解:找到满足约束的局部最小值。优化已完成,因为目标函数沿
可行方向在最优性容差值范围内呈现非递减,
并且在约束容差值范围内满足约束。<停止条件详细信息>x =3.00000000090774          4.00000000060516fval =-13

使用蒙特卡罗的方法来找初始值在进行非线性规划求解:

%% 使用蒙特卡罗的方法来找初始值(推荐)
clc;
clear;
n=10000000;%生成的随机数组数
x1=unifrnd(-100,100,n,1); %生成在[-100,100]之间均匀分布的随机数组成n行1列的向量构成x1
x2=unifrnd(-100,100,n,1); %生成在[-100,100]之间均匀分布的随机数组成n行1列的向量构成x1
fmin=+inf; % 初始化函数f的最小值为正无穷
for i=1:nx=[x1(i),x2(i)];%构造x向量if ((x(1)-1)^2-x(2)<=0) && (-2*x1(i)-3*x2(i)-6<=0)result=x(1)^2+x(2)^2-x(1)*x(2)-2*x(1)-5*x(2);if result<fminfmin=result;x0=x;endend
end
disp("蒙特卡罗选取的初始值为:")
disp(x0)
A=[-2,3];
b=6;
[x,fval]= fmincon(@fun1,x0,A,b,[],[],[],[],@nonlfun1)

输出:

蒙特卡罗选取的初始值为:3.00156691366464          4.03556138516905找到满足约束的局部最小值。优化已完成,因为目标函数沿
可行方向在最优性容差值范围内呈现非递减,
并且在约束容差值范围内满足约束。<停止条件详细信息>x =2.9992425325257          3.99899914772717fval =-12.9999991826508

3.2 例2 选址问题

模型:
m i n f = ∑ j = 1 2 ∑ i = 1 6 x i j ( x j − a i ) 2 + ( y j − b i ) 2 s . t . { ∑ i = 1 6 x i j ≤ e j , j = 1 , 2 ∑ j = 1 2 x i j = d i , i = 1 , 2 , … , 6 x i j ≥ 0 , i = 1 , 2 , … , 6 ; j = 1 , 2 \begin{aligned}&min\quad f=\sum_{j=1}^{2}\sum_{i=1}^{6}x_{ij}\sqrt{\left(x_{j}-a_{i}\right)^{2}+\left(y_{j}-b_{i}\right)^{2}}\\&s.t.\begin{cases}\sum_{i=1}^{6}x_{ij}\leq e_{j},j=1,2\\\sum_{j=1}^{2}x_{ij}=d_{i},i=1,2,\ldots,6\\x_{ij}\geq0,i=1,2,\ldots,6;j=1,2\end{cases}\end{aligned} minf=j=12i=16xij(xjai)2+(yjbi)2 s.t. i=16xijej,j=1,2j=12xij=di,i=1,2,,6xij0,i=1,2,,6;j=1,2

1. 第一问 线性规划

代码:

%% 第一问:线性规划
clear
clc
% 6个工地坐标
a=[1.25 8.75 0.5 5.75 3 7.25];
b=[1.25 0.75 4.75 5 6.5 7.75];
% 临时料场位置
x=[5,2];
y=[1,7];
% 6个工地水泥日用量
d=[3 5 4 7 6 11];
% 计算目标函数系数,即六个工地与两个料场的距离,总共12个值
l=zeros([6,2]);
for i=1:6for j=1:2l(i,j)=sqrt((x(j)-a(i))^2+(y(j)-b(i))^2);end
end
f=[l(:,1);l(:,2)]; % 目标函数系数向量,共12个值
% 不等式约束条件的变量系数和常数项
% 双下标转换成单下标:x11=x1,x21=x2,...,x62=x12
A=[ 1 1 1 1 1 1 0 0 0 0 0 00 0 0 0 0 0 1 1 1 1 1 1];
% 两个临时料场日储量
b=[20;20];% 矩阵的行数等于约束条件的个数,列是变量的个数
% 等式约束的变量系数和常数项
Aeq=[eye(6),eye(6)];
beq=[d(1);d(2);d(3);d(4);d(5);d(6)];
% 所有变量的下限全为0
Vlb=[0 0 0 0 0 0 0 0 0 0 0 0];
disp("第一问:")
[x,fval]=linprog(f,A,b,Aeq,beq,Vlb)

输出:

第一问:找到最优解。x =3507010040610fval =136.227519883182
2. 第二问 非线性规划

非线性规划的目标函数fun2.m定义如下:

function f = fun2(x)
%FUN2 非线性规划的目标函数
%   这里的f实际上就是目标函数,函数的返回值也是f
%   输入值x实际上就是决策向量,由x1和x2组成的向量
% x前面12个是每个工地运输多少,后面四个为料场坐标
% 6个工地坐标
a=[1.25 8.75 0.5 5.75 3 7.25];
b=[1.25 0.75 4.75 5 6.5 7.75];
n=0;
f=0;
for j=13:2:16for i=1:6 n=n+1;f=f+x(n)*(sqrt((a(i)-x(j))^2+(b(i)-x(j+1))^2));end
end
end

求解代码:

%% 第二问 非线性规划
%注意,第二问中求新料场的位置,所以两个料场的横纵坐标也是变量,所以多了四个变量
% 对新坐标没有不等式约束,所以其不等式约束条件里面的系数为0
A2=[1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 1 1 1 1 1 1 0 0 0 0];
B2=[20 ;20];
% 对新坐标也没有等式约束,所以相应项也为0
Aeq2=[eye(6),eye(6),zeros(6,4)];
beq2=[3 5 4 7 6 11]';
vlb2=[zeros(12,1);-inf;-inf;-inf;-inf];
% 非线性规划必须设置初始值,可以基于问题情况来设,设置rand()随机树等等
% 初始值设置为线性规划的计算结果,即临时料场的坐标
x0=[3 5 0 7 0 1 0 0 4 0 6 10 5 1 2 7]';
disp("第二问")
[x2,fval2]=fmincon(@fun2,x0,A2,B2,Aeq2,beq2,vlb2)
% 注意,若约束条件里面有非线性函数,可在fmincon里使用nonlcon项

输出:

第二问可能存在局部最小值。满足约束。fmincon 已停止,因为当前步长小于
步长容差值并且在约束容差值范围内满足约束。<停止条件详细信息>x2 =2.940992189650064.840558656820213.87793737832666.943070403079231.303130777556460.02206785079521080.05900781034994370.1594413431797950.1220626216734020.05692959692077314.6968692224435410.97793214920485.729798455203994.975789925150467.249999954976637.74999993108167fval2 =90.4919073875194

第二问中可以使用蒙特卡罗方法求得近似值作为初始值:

求解过程中的不等式约束函数constraint.m如下

function [g,k] = constraint(x)
%CONSTRAINT 不等式约束条件
%   sum(x(:,1:6),2)是对矩阵前6列按行求和,即对前6个元素求和
%   对于6个工地接收第一个料场的总量。再减去20,即把不等式右边常数项移到左边
g=[sum(x(:,1:6),2)-20sum(x(:,7:12),2)-20];
%   等式约束条件,6个工地从两个料场收到总量分别为3,5,4,7,6,11
k=[x(1)+x(7)-3x(2)+x(8)-5x(3)+x(9)-4x(4)+x(10)-7x(5)+x(11)-6x(6)+x(12)-11];
end

求解过程:

%% 若有条件,可使用蒙特卡罗法求一个近似的解作为初始值
p0=inf;
n=10^6;
ticfor i =1:n% 前12个数是6个工地从料场接收的量,不会超过日需求量,为了加速计算取整数% 后四个变量是料场的横纵坐标,根据题目工地的坐标都在0-9,这里也取该范围x_m=[randi(4)-1,randi(6)-1,randi(5)-1,randi(8)-1,randi(7)-1,randi(12)-1,...randi(4)-1,randi(6)-1,randi(5)-1,randi(8)-1,randi(7)-1,randi(12)-1,...9*rand(1,4)];% 约束条件[g,k]=constraint(x_m);if all(g<=0) % 等式约束难以满足,此处相差不大即可算近似if all(abs(k)<=1)ff=fun2(x_m); %目标函数if ff<p0x_m0=x_m;p0=ff;endendend
end
x_m0,p0,toc
disp("以蒙特卡罗求得近似值作为初始值的线性规划结果")
[x3,fval3]=fmincon(@fun2,x_m0,A2,B2,Aeq2,beq2,vlb2)

输出:

x_m0 =列 1 至 40                         0                         0                         5列 5 至 83                         9                         2                         4列 9 至 123                         1                         2                         1列 13 至 166.85179793730359          7.45156987818458          5.78450172159294          4.84001343131759p0 =87.3564817958772历时 2.518048 秒。
以蒙特卡罗求得近似值作为初始值的线性规划结果可能存在局部最小值。满足约束。fmincon 已停止,因为当前步长小于
步长容差值并且在约束容差值范围内满足约束。<停止条件详细信息>x3 =列 1 至 40.0267009295509488          4.82102444621973        0.0235678116431545         0.426803450498299列 5 至 80.0304197766741595           10.979350696337          2.97329907044905         0.178975553780268列 9 至 123.97643218835685           6.5731965495017          5.96958022332584         0.020649303662989列 13 至 167.2500000010943          7.74999998555883          3.22063993810178          5.66691666664995fval3 =85.9490103544715

这篇关于数学建模笔记—— 非线性规划的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1150462

相关文章

动态规划---打家劫舍

题目: 你是一个专业的小偷,计划偷窃沿街的房屋。每间房内都藏有一定的现金,影响你偷窃的唯一制约因素就是相邻的房屋装有相互连通的防盗系统,如果两间相邻的房屋在同一晚上被小偷闯入,系统会自动报警。 给定一个代表每个房屋存放金额的非负整数数组,计算你 不触动警报装置的情况下 ,一夜之内能够偷窃到的最高金额。 思路: 动态规划五部曲: 1.确定dp数组及含义 dp数组是一维数组,dp[i]代表

uva 10014 Simple calculations(数学推导)

直接按照题意来推导最后的结果就行了。 开始的时候只做到了第一个推导,第二次没有继续下去。 代码: #include<stdio.h>int main(){int T, n, i;double a, aa, sum, temp, ans;scanf("%d", &T);while(T--){scanf("%d", &n);scanf("%lf", &first);scanf

uva 10025 The ? 1 ? 2 ? ... ? n = k problem(数学)

题意是    ?  1  ?  2  ?  ...  ?  n = k 式子中给k,? 处可以填 + 也可以填 - ,问最小满足条件的n。 e.g k = 12  - 1 + 2 + 3 + 4 + 5 + 6 - 7 = 12 with n = 7。 先给证明,令 S(n) = 1 + 2 + 3 + 4 + 5 + .... + n 暴搜n,搜出当 S(n) >=

uva 11044 Searching for Nessy(小学数学)

题意是给出一个n*m的格子,求出里面有多少个不重合的九宫格。 (rows / 3) * (columns / 3) K.o 代码: #include <stdio.h>int main(){int ncase;scanf("%d", &ncase);while (ncase--){int rows, columns;scanf("%d%d", &rows, &col

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

软考系统规划与管理师考试证书含金量高吗?

2024年软考系统规划与管理师考试报名时间节点: 报名时间:2024年上半年软考将于3月中旬陆续开始报名 考试时间:上半年5月25日到28日,下半年11月9日到12日 分数线:所有科目成绩均须达到45分以上(包括45分)方可通过考试 成绩查询:可在“中国计算机技术职业资格网”上查询软考成绩 出成绩时间:预计在11月左右 证书领取时间:一般在考试成绩公布后3~4个月,各地领取时间有所不同

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

poj 2976 分数规划二分贪心(部分对总体的贡献度) poj 3111

poj 2976: 题意: 在n场考试中,每场考试共有b题,答对的题目有a题。 允许去掉k场考试,求能达到的最高正确率是多少。 解析: 假设已知准确率为x,则每场考试对于准确率的贡献值为: a - b * x,将贡献值大的排序排在前面舍弃掉后k个。 然后二分x就行了。 代码: #include <iostream>#include <cstdio>#incl

基于UE5和ROS2的激光雷达+深度RGBD相机小车的仿真指南(五):Blender锥桶建模

前言 本系列教程旨在使用UE5配置一个具备激光雷达+深度摄像机的仿真小车,并使用通过跨平台的方式进行ROS2和UE5仿真的通讯,达到小车自主导航的目的。本教程默认有ROS2导航及其gazebo仿真相关方面基础,Nav2相关的学习教程可以参考本人的其他博客Nav2代价地图实现和原理–Nav2源码解读之CostMap2D(上)-CSDN博客往期教程: 第一期:基于UE5和ROS2的激光雷达+深度RG