深圳杯2020数学建模C题 遗传算法
2024-06-16 04:04:34
第一问
参考司守奎老师《python数学实验与建模》（其实就是改了改数据）
1. import numpy as np
2. import pandas as pd
3. from numpy.random import randint, rand, shuffle
4. from matplotlib.pyplot import plot, show, rc
5. from numpy import loadtxt,radians,sin,cos,inf,exp
6. from numpy import array,r_,c_,arange,savetxt
7. from numpy.lib.scimath import arccos
8. data=pd.read_excel(r"D:\数学建模\赛题\20深圳杯\C题附件2.xlsx",encoding="gbk")
9.
10. x=data["传感器经度"];y=data["传感器纬度"];
11. d1=([[120.7015202,36.37423]]); xy=c_[x,y]
12. xy=r_[xy,d1]; N=xy.shape[0]
13. t=radians(xy) #转化为弧度
14. d=array([[6370*arccos(cos(t[i,0]-t[j,0])*cos(t[i,1])*cos(t[j,1])+
15. sin(t[i,1])*sin(t[j,1])) for i in range(N)]
16. for j in range(N)]).real
17. savetxt('各节点间的实际距离.txt',c_[xy,d]) #把数据保存到文本文件，供下面使用
18.
19.
20. a=np.loadtxt("各节点间的实际距离.txt")
21. xy,d=a[:,:2],a[:,2:]; N=len(xy)
22. w=50; g=10 #w为种群的个数，g为进化的代数
23. J=[];
24.
25. for i in np.arange(w):
26. c=np.arange(1,N-1); shuffle(c)
27. c1=np.r_[1,c,N-1]; flag=1
28. while flag>0:
29. flag=0
30. for m in np.arange(1,N-3):
31. for n in np.arange(m+1,N-2):
32. if d[c1[m],c1[n]]+d[c1[m+1],c1[n+1]]<d[c1[m],c1[m+1]]+d[c1[n],c1[n+1]]:
33. c1[m+1:n+1]=c1[n:m:-1]; flag=1
34. c1[c1]=np.arange(N); J.append(c1)
35. J=np.array(J)/(N-1)
36. for k in np.arange(g):
37. A=J.copy()
38. c1=np.arange(w); shuffle(c1) #交叉操作的染色体配对组
39. c2=randint(2,100,w) #交叉点的数据
40. for i in np.arange(0,w,2):
41. temp=A[c1[i],c2[i]:N-1] #保存中间变量
42. A[c1[i],c2[i]:N-1]=A[c1[i+1],c2[i]:N-1]
43. A[c1[i+1],c2[i]:N-1]=temp
44. B=A.copy()
45. by=[] #初始化变异染色体的序号
46. while len(by)<1: by=np.where(rand(w)<0.1)
47. by=by[0]; B=B[by,:]
48. G=np.r_[J,A,B]
49. ind=np.argsort(G,axis=1) #把染色体翻译成0,1，…，101
50. NN=G.shape[0]; L=np.zeros(NN)
51. for j in np.arange(NN):
52. for i in np.arange(30):
53. L[j]=L[j]+d[ind[j,i],ind[j,i+1]]
54. ind2=np.argsort(L)
55. J=G[ind2,:]
56. path=ind[ind2[0],:]; zL=L[ind2[0]]
57. xx=xy[path,0]; yy=xy[path,1]; rc('font',size=16)
58. xx_yy=c_[xx,yy]
59. plot(xx,yy,'-*'); show() #画路径
60. print("所求的路径长度为：",zL)
61.
62.
63. from scipy.integrate import quad
64. data1=pd.DataFrame(xx_yy)
65. data1.columns = ['传感器经度','传感器纬度']
66. a=[]
67. for i in range(0,31): a.append(i)
68. data1['顺序']=a
69.
70. data2 = pd.merge(data,data1,how = 'left',on=['传感器经度','传感器纬度'])
71. data2=data2.sort_values(by='顺序')
72. row={'节点':'数据中心','传感器经度':120.701520 ,'传感器纬度':36.374227,'能量消耗速率(mA/h)':'/','顺序':30}
73. data2=data2.append(row,ignore_index=True)
74. data2.to_excel('path.xls') #保存到excel 第二问
1. import numpy as np
2. import pandas as pd
3. from numpy.random import randint, rand, shuffle
4. from matplotlib.pyplot import plot, show, rc
5. from numpy import loadtxt,radians,sin,cos,inf,exp
6. from numpy import array,r_,c_,arange,savetxt
7. from numpy.lib.scimath import arccos
8.
9. data=pd.read_excel(r"D:\数学建模\赛题\20深圳杯\path.xls",encoding="gbk")
10.
11.
12. data.iloc[0,4] = 0
13. data.iloc[30,4] = 0
14.
15. seit = data['能量消耗速率(mA/h)']/3600
16.
17. from sympy import *
18. E=symbols('E')
19. # r=symbols('r')
20. v=4.167
21. r=0.5
22. f=40
23. data['ta'] = data['距离']/v #每一段路上的时间
24.
25. tb = [0 for index in range(31)]
26. tb[1] = seit[1]*data['ta'][1]/r
27.
28. def tb_(x):
29. t_1=data['ta'][1]; t_2=0
30. for i in range(2,x):
31. for n in range(1,i+1):
32. t_1 += data['ta'][n]
33. for m in range(1,i):
34. t_2 += tb[i-1]
35. tb[i]=together((seit[i]*(t_1+t_2))/r)
36. tb_(30)
37.
38. data['tb'] = tb
39.
40. # 第一次充电
41. a = []
42. for i in range(1,30):
43. a_ = v*(sum(data['ta'][1:i])+sum(tb[0:i-1]))+f
44. a.append(a_)
45.
46. data2 = {
47. "节点":data['节点'][1:30],
48. "需要的最小电容":a}
49. data2=pd.DataFrame(data2)
50.
51. data2.to_excel('第一次充电各传感器需要的最小电容.xls')
52.
53. # 第二次充电
54. b = []
55. for i in range(1,31):
56. b_ = v*(sum(data['ta'][1:i])+sum(tb[0:i-1]))+f
57. b.append(b_)
58. b[29]
59.
60. max(a) 第三问
就费劲了
前两问做了一天半，第三问做了一周，他们俩到处给我找文献分析，撸了一套遗传算法出来
1. #导包
2. import numpy as np
3. import pandas as pd
4. from matplotlib import pyplot as plt
5. import math
6. import copy
7. import random
8.
9. from numpy.random import randint, rand, shuffle
10. from matplotlib.pyplot import plot, show, rc
11. from numpy import loadtxt,radians,sin,cos,inf,exp
12. from numpy import array,r_,c_,arange,savetxt
13. from numpy.lib.scimath import arccos
14. from math import radians, cos, sin, asin, sqrt
15.
16. data=pd.read_excel(r"C题附件2.xlsx")
17.
18. # 初始化
19. def xy():
20. li = []
21. data=pd.read_excel(r"C题附件2.xlsx")
22. data=pd.DataFrame(data)
23. x=data['传感器经度'];y=data['传感器纬度']
24. for i in range(30):
25. li.append(np.array([x[i],y[i]]))
26. li.append(np.array([x[0],y[0]]));li.append(np.array([x[0],y[0]]));li.append(np.array([x[0],y[0]])) #增设三个虚点
27. li = np.array(li)
28. return li
29. li = xy()
30.
31. # 计算距离
32. def haversine(lon1, lat1, lon2, lat2): # 经度1，纬度1，经度2，纬度2 （十进制度数）
33.
34. # 将十进制度数转化为弧度
35. lon1, lat1, lon2, lat2 = map(radians, [lon1, lat1, lon2, lat2])
36.
37. # haversine公式
38. a = sin((lat2-lat1)/2)**2 + cos(lat1) * cos(lat2) * sin((lon2-lon1)/2)**2
39. c = 2 * asin(sqrt(a))
40. r = 6370 # 地球平均半径，单位为公里
41. return c * r#输出单位km
42.
43. def DMAT():
44. data=pd.read_excel(r"C题附件2.xlsx")
45. D=np.zeros((len(li),len(li)))
46. for i in range(0,len(li)):
47. for j in range(0,len(li)):
48. D[i][j]=haversine(li[:,0][i],li[:,1][i],li[:,0][j],li[:,1][j])
49. # print(D[i][j])
50. D[0][30]=float('inf');D[0][31]=float('inf');D[0][32]=float('inf')
51. D[30][0]=float('inf');D[31][0]=float('inf');D[32][0]=float('inf')
52. D[30][31]=float('inf');D[30][32]=float('inf')
53. D[31][30]=float('inf');D[31][32]=float('inf')
54. D[32][30]=float('inf');D[32][31]=float('inf') #各虚点与数据中心之间，虚点与虚点之间距离设为无穷大
55. return D
56. # DMAT=pd.DataFrame(DMAT())
57. DMAT = DMAT()
58.
59. li = [i for i in range(1,33)]
60. print(li[1:33])
61.
62. # 初始化，随机排列生成100条路径，以3个0为切断点将每条路径分为4条路径,给每条路径加上起点终点
63. def population():
64. num=100
65. population=[]
66. for i in range(num):
67. random.shuffle(li)
68. population.append(copy.deepcopy(li))
69. for i in range(num):
70. population[i].insert(0,0)
71. population[i].append(0)
72. return population
73. population=population()
74.
75. # 适应度计算
76. def aimFunction(routes, DMAT):
77. distance = 0
78. for i in range(len(routes)-1):
79. distance += DMAT[routes[i]][routes[i+1]]
80. return 1.0/distance
81.
82. def fitness(population):
83. value=[]
84. for i in range(len(population)):
85. value.append(aimFunction(population[i],DMAT))
86. if value[i]<0:
87. value[i]=0
88. return value
89. value = fitness(population)
90.
91. # 选择
92. def selection(population, value): # 轮盘赌选择
93. fitness_sum = []
94. for i in range(len(value)):
95. if i == 0:
96. fitness_sum.append(value[i])
97. else:
98. fitness_sum.append(fitness_sum[i - 1] + value[i])
99. for i in range(len(fitness_sum)):
100. fitness_sum[i] /= sum(value)
101. # select new population
102. population_new = []
103. for i in range(len(value)):
104. rand = np.random.uniform(0, 1)
105. for j in range(len(value)):
106. if j == 0:
107. if 0 < rand and rand <= fitness_sum[j]:
108. population_new.append(population[j])
109. else:
110. if fitness_sum[j - 1] < rand and rand <= fitness_sum[j]:
111. population_new.append(population[j])
112. return population_new
113. population_new = selection(population, value)
114.
115.
116. # 交叉
117. def amend(entity, low, high):
118. """
119. 修正个体
120. :param entity: 个体
121. :param low: 交叉点最低处
122. :param high: 交叉点最高处
123. :return:
124. """
125. length = len(entity)
126. cross_gene = entity[low:high] # 交叉基因
127. not_in_cross = [] # 应交叉基因
128. raw = entity[0:low] + entity[high:] # 非交叉基因
129.
130. for i in range(1,length+1):
131. if not i in cross_gene:
132. not_in_cross.append(i)
133.
134. error_index = []
135. for i in range(len(raw)):
136. if raw[i] in not_in_cross:
137. not_in_cross.remove(raw[i])
138. else:
139. error_index.append(i)
140. for i in range(len(error_index)):
141. raw[error_index[i]] = not_in_cross[i]
142.
143. entity = raw[0:low] + cross_gene + raw[low:]
144. return entity
145.
146.
147.
148. def crossover(population_new, pc):
149. """
150. 交叉
151. :param population_new: 种群
152. :param pc: 交叉概率
153. :return:
154. """
155. half = int(len(population_new) / 2)
156. father = population_new[:half]
157. mother = population_new[half:]
158. np.random.shuffle(father)
159. np.random.shuffle(mother)
160. offspring = []
161. for i in range(half):
162. if np.random.uniform(0, 1) <= pc:
163. cut1 = 0
164. cut2 = np.random.randint(0, len(population_new[0]))
165. if cut1 > cut2:
166. cut1, cut2 = cut2, cut1
167. if cut1 == cut2:
168. son = father[i]
169. daughter = mother[i]
170. else:
171. son = father[i][0:cut1] + mother[i][cut1:cut2] + father[i][cut2:]
172. son = [0]+amend(son[1:(len(son)-1)], cut1, cut2)+[0]
173. daughter = mother[i][0:cut1] + father[i][cut1:cut2] + mother[i][cut2:]
174. daughter = [0]+amend(daughter[1:(len(daughter)-1)], cut1, cut2)+[0]
175. else:
176. son = father[i]
177. daughter = mother[i]
178. offspring.append(son)
179. offspring.append(daughter)
180. return offspring
181.
182.
183. # 变异
184. def mutation(offspring, pm):
185. for i in range(len(offspring)):
186. if np.random.uniform(0, 1) <= pm:
187. position1 = np.random.randint(1, len(offspring[i])-1)
188. position2 = np.random.randint(1, len(offspring[i])-1)
189. offspring[i][position1],offspring[i][position2] = offspring[i][position2],offspring[i][position1]
190. return offspring
191.
192.
193. import numpy as np
194.
195.
196. #主逻辑代码
197. def show_population(population):
198. # x = [i / 100 for i in range(900)]
199. x = [i / 100 for i in range(-450, 450)]
200. y = [0 for i in range(900)]
201. for i in range(900):
202. y[i] = aimFunction(x[i])
203.
204. population_10 = [decode(p) for p in population]
205. y_population = [aimFunction(p) for p in population_10]
206.
207. plt.plot(x, y)
208. plt.plot(population_10, y_population, 'ro')
209. plt.show()
210.
211.
212. if __name__ == '__main__':
213.
214. locations = xy()
215.
216. t = []
217. route = []
218. for i in range(4001):
219. # selection
220. value = fitness(population)
221. population_new = selection(population, value)
222. # crossover
223. offspring = crossover(population_new, 0.65)
224. # mutation
225. population = mutation(offspring, 0.02)
226. result = []
227. for j in range(len(population)):
228. result.append(1.0 / aimFunction(population[j], DMAT))
229. route.append(population[j])
230. t.append(min(result))
231. if i % 400 == 0:
232. min_entity = population[result.index(min(result))]
233. print(min_entity)
234. plt.show()
235. plt.plot(t)
236. plt.show()
237.
238.
239. # 总距离
240. route_f=[0, 20, 18, 7, 9, 8, 15, 11, 14, 6, 16, 27, 13, 3, 31, 4, 32, 5, 10, 12, 2, 1, 30, 17, 29, 26, 25, 19, 21, 23, 28, 24, 22, 0]
241. distance = 1.0/aimFunction(route_f, DMAT)
242. distance
243.
244.
245. distance_e = []
246. for i in range(1,len(route_f)):
247. if i>0:
248. distance_e.append(DMAT[route_f[i-1]][route_f[i]])
249. distance_e.insert(0,0)
250.
251. n = []
252. for i in range(30):
253. n.append(i)
254. data['节点']=n
255.
256. x = []
257. for i in range(34):
258. x.append(i)
259.
260. # data1 = pd.DataFrame({'节点':pd.Series(route_f),'距离':pd.Series(distance_e),'顺序':pd.Series(x)})
261. data1 = pd.DataFrame({'节点':(route_f),'距离':(distance_e),'顺序':(x)})
262.
263. data1 = pd.merge(data1,data,how = 'left',on='节点')
264. data1 = data1.sort_values(by='顺序',ascending=True)
265.
266. data1['传感器经度'].fillna(120.7015202, inplace=True)
267. data1['传感器纬度'].fillna(36.37423 , inplace=True)
268.
269.
270. from sympy import *
271.
272. E=symbols('E')
273. # r=symbols('r')
274. v=4.167
275. r=0.5
276. f=40
277.
278. data1['ta'] = data1['距离']/v #每一段路上的时间
279.
280. data1['能量消耗速率(mA/h)'].fillna(0, inplace=True)
281. seit = list(data1['能量消耗速率(mA/h)'])
282. seit[0]=0;
283. seit[33]=0
284.
285. for i in range(len(seit)):
286. seit[i]/=3600
287.
288. data_1 = data1.loc[0:14]
289. data_1['节点'][14]=0
290.
291. # 充电时间1
292. tb = [0 for index in range(len(data_1))]
293. tb[1] = seit[1]*data_1['ta'][1]/r
294. tb[1]
295.
296. def tb_(x):
297. t_1=data_1['ta'][1]; t_2=0
298. for i in range(2,x):
299. for n in range(1,i+1):
300. t_1 += data_1['ta'][n]
301. for m in range(1,i):
302. t_2 += tb[i-1]
303. tb[i]=together((seit[i]*(t_1+t_2))/r)
304. tb_(len(data_1))
305. data_1['tb'] = tb
306. data_1['节点'][14]=0
307. data_1.to_excel('第一辆移动充电器路径资料.xls')
308.
309. # 第一次充电 第一辆车
310. a = []
311. for i in range(1,len(data_1)-1):
312. a_ = E-v*(sum(data_1['ta'][1:i])+sum(tb[0:i-1]))-f
313. a.append(a_)
314.
315. # 第二次充电 第一辆车
316. b = []
317. for i in range(1,len(data_1)):
318. b_ = E-v*(sum(data_1['ta'][1:i])+sum(tb[0:i-1]))-f
319. b.append(b_)
320. b[len(data_1)-2]
321.
322. data_2=data1.loc[14:16]
323.
324. # 充电时间2
325. tb = [0 for index in range(len(data_2))]
326. tb[1] = seit[15]*0.099537/r
327. tb[1]
328. data_2['tb'] = tb
329. data_2['节点'][0]=0
330. data_2['节点'][2]=0
331. data_2.to_excel('第二辆移动充电器路径资料.xls')
332.
333. # 第一次充电 第二辆车
334. a = []
335. for i in range(1,len(data_2)-1):
336. a_ = E-v*(sum(data_2['ta'][1:i])+sum(tb[0:i-1]))-f
337. a.append(a_)
338.
339. # 第二次充电 第二辆车
340. b = []
341. for i in range(1,len(data_2)):
342. b_ = E-v*(sum(data_2['ta'][1:i])+sum(tb[0:i-1]))-f
343. b.append(b_)
344. b[len(data_2)-2]
345.
346. data_3 = data1.loc[16:22]
347.
348. # 充电时间3
349. seit3=seit[16:23]
350. tb = [0 for index in range(len(data_3))]
351. tb[1] = seit3[1]*list(data_3['ta'])[1]/r
352. tb[1]
353.
354. def tb_(x):
355. t_1=list(data_3['ta'])[1]; t_2=0
356. for i in range(2,x):
357. for n in range(1,i+1):
358. t_1 += list(data_3['ta'])[n]
359. for m in range(1,i):
360. t_2 += tb[i-1]
361. tb[i]=together((seit3[i]*(t_1+t_2))/r)
362. tb_(len(data_3))
363. data_3['tb'] = tb
364. data_3['节点'][16]=0
365. data_3['节点'][22]=0
366. data_3.to_excel('第三辆移动充电器路径资料.xls')
367.
368. # 第一次充电 第三辆车
369. a = []
370. for i in range(1,len(data_3)-1):
371. a_ = E-v*(sum(data_3['ta'][1:i])+sum(tb[0:i-1]))-f
372. a.append(a_)
373.
374. # 第二次充电 第三辆车
375. b = []
376. for i in range(1,len(data_3)):
377. b_ = E-v*(sum(data_3['ta'][1:i])+sum(tb[0:i-1]))-f
378. b.append(b_)
379. b[len(data_3)-2]
380.
381. data_4=data1.loc[22:33]
382.
383. # 充电时间4
384. seit4=seit[22:]
385. tb = [0 for index in range(len(data_4))]
386. tb[1] = seit4[1]*list(data_4['ta'])[1]/r
387. tb[1]
388.
389. def tb_(x):
390. t_1=list(data_4['ta'])[1]; t_2=0
391. for i in range(2,x):
392. for n in range(1,i+1):
393. t_1 += list(data_4['ta'])[n]
394. for m in range(1,i):
395. t_2 += tb[i-1]
396. tb[i]=together((seit4[i]*(t_1+t_2))/r)
397. tb_(len(data_4))
398. data_4['tb'] = tb
399. data_4['节点'][22]=0
400. data_4.to_excel('第四辆移动充电器路径资料.xls')
401.
402. # 第一次充电 第四辆车
403. a = []
404. for i in range(1,len(data_4)-1):
405. a_ = E-v*(sum(data_4['ta'][1:i])+sum(tb[0:i-1]))-f
406. a.append(a_)
407.
408. # 第二次充电 第四辆车
409. b = []
410. for i in range(1,len(data_4)):
411. b_ = E-v*(sum(data_4['ta'][1:i])+sum(tb[0:i-1]))-f
412. b.append(b_)
413. b[len(data_4)-2]
414.
415. #路径图
416. x1=data_1['传感器经度'];y1=data_1['传感器纬度']
417. x2=data_2['传感器经度'];y2=data_2['传感器纬度']
418. x3=data_3['传感器经度'];y3=data_3['传感器纬度']
419. x4=data_4['传感器经度'];y4=data_4['传感器纬度']
420.
421. plot(x1,y1,'-*',color='lightcoral'); plot(x2,y2,'-*',color='green');
422. plot(x3,y3,'-*',color='gold'); plot(x4,y4,'-*',color='royalblue');
423. show() #画路径 有时间再来写思路
深圳杯2020数学建模C题 遗传算法相关推荐
- 2023深圳杯(东三省)数学建模A题思路 - 影响城市居民身体健康的因素分析
1 赛题 A题 影响城市居民身体健康的因素分析 以心脑血管疾病.糖尿病.恶性肿瘤以及慢性阻塞性肺病为代表的慢性非传染性疾病(以下简称慢性病)已经成为影响我国居民身体健康的重要问题.随着人们生活方式的改 ...
- 2023深圳杯(东三省)数学建模C题思路 - 无人机协同避障航迹规划
1 赛题 C题 无人机协同避障航迹规划 平面上A.B两个无人机站分别位于半径为500 m的障碍圆两边直径的延长线上,A站距离圆心1 km,B站距离圆心3.5 km.两架无人机分别从A.B两站同时出发, ...
- 2022数维杯国际数学建模C题代码+思路+报告
2022数维杯国际数学建模C题 目录 2022数维杯国际数学建模C题 数据说明 Task1 数据分析 Task2 筛选出脑结构特征和行为结构特征 两表合并 随机森林分类 随机森林参数输出 Task3 ...
- 2020年9月份华为杯研究生数学建模C题
报名 总共3个小组成员,超越cy队还有一位指导老师 下载压缩包文件,是MD5加密的 试题发布以后会有MD5码可以解密之前下载的题. 开始分析题目并建模 1 小组讨论,分析每个题,然后选题. 2 我们小 ...
- 2020年大学生数学建模A题：炉温曲线
前言 比赛完第一天就开始着手写这篇文章,思维可能有点局限性,如果有更好的思路和想法可以评论出来,一起讨论学习. 完整所有的题目下载(无需积分):2020数学建模赛题 题目整理: 同时已经对该题目给出如 ...
- 2020年数维杯数学建模A题舆情监测情感倾向分析建模求解全过程文档及程序
2020年数维杯数学建模 A题 舆情监测情感倾向分析建模 原题再现: 公共危机事件爆发时,如拍石击水,相关信息在短时间内迅速传播,引起群众的广泛关注.其中负面报道或者主观片面的一些失实评判常常在一 ...
- 2020华数杯数学建模C题脱贫帮扶绩效评价求解全过程文档及程序
2020华数杯数学建模 C题 脱贫帮扶绩效评价 原题再现: 消除贫困.改善民生.逐步实现共同富裕,是社会主义的本质要求,是我们党的重要使命.党的十八大以来,国家把扶贫开发工作纳入"四个全 ...
- 2020华为杯数学建模D题交流2群
2020华为杯数学建模D题交流2群
- 2020年数维杯国际大学生数学建模A题中国螺纹钢需求预测求解全过程文档及程序
2020年数维杯国际大学生数学建模 A题 中国螺纹钢需求预测 原题再现: 螺纹钢是我国产量最大的钢铁产品之一.钢筋广泛应用于房屋.桥梁.道路等土木工程建设中.它是基础设施建设不可缺少的结构材料.合 ...
- 2020年高教社杯全国大学生数学建模C题思路讲解
2020年高教社杯全国大学生数学建模C题 2020年国赛C题国二,三个菜鸟属实沾了很多运气成分,有哪里讲的不好的地方,还请各位大佬勿喷(呜呜呜). C题 中小微企业的信贷决策 在实际中,由于中小微企业 ...
最新文章
- RISC-V与DSA计算机架构
- [原创].七段数码管驱动，Verilog版本
- import _winreg：用python操作修改windows注册表
- 能在微软的网站找到IeWebcontrols的安装文件吗
- Microsoft宣布.NET Core支持计划
- VScode Python no module的解决方法
- 针对 Java 开发人员的 C# 编程语言
- 高效使用使用SQL缓存依赖
- mysql5.6 table cache_MySQL 5.6下table_open_cache参数优化合理配置详解
- 拓端tecdat|R语言使用马尔可夫链对营销中的渠道归因建模
- android studio 2.2 preview 3,Android Studio 2.2 Preview 3 发布，优化图片支持
- 计算机的显卡控制面板在哪里,nvidia控制面板在哪里打开
- 术语-PM：PM/项目管理 百科
- iOS可持续化集成: Jenkins + bundler + cocoapods + shenzhen + fastlane + pgyer
- [C语言] 混合or连续使用getchar,scanf所出现的错误
- java 假设检验_据说假设检验是个很难的题
- 使用Scrapy爬取链家二手房
- 针对儿子买的将近一万的笔记本电脑
- 优雅编程之这样使用枚举和注解，你就“正常”了（二十九）
- CSS中margin属性详解