前后端怎样联调？前端需要后端提供什么？

最新推荐文章于 2025-04-10 14:30:00 发布

九方.

最新推荐文章于 2025-04-10 14:30:00 发布

阅读量1.9k

点赞数 4

分类专栏：工作随写文章标签：前端 java 后端功能测试模块测试 spring intellij-idea

本文链接：https://blog.csdn.net/2301_79438441/article/details/133763901

版权

工作随写专栏收录该内容

4 篇文章

订阅专栏

本文介绍了前端在测试后端编写的代码时，后端需要提供的关键信息，包括本地IP地址、IPv4地址、接口端口号。作者以自身经验分享，强调了这些配置对双方协作的重要性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前端需要测试后端写的代码，后端需要提供什么东西给前端呢？

1.后端本地的ip

打开本地命令窗口输入 ipconfig

2.输入后会出现 Windows ip 设置如下图：

因为我是连接的wifi 所以查找的是图中标红的网络适配器下的 IPv4地址，将这个地址复制下来发送给前端。

3.将后端接口端口号发送给前端比如：8080等（端口不固定根据自己的情况来）

4.然后前端将这些配置好后，后端将服务跑起来就可以了。

（注：本人小菜鸟一枚，只是分享下自己遇到的情况，随手写的不是太详细，欢迎指正）

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

九方.

关注关注

4
点赞
踩
6

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

解析AI人工智能领域多智能体系统的自适应决策

热门推荐

Test_tju的博客

11-18

2万+

参考 1、多智能体强化学习入门（一）——基础知识与博弈 2、《Multi-Agent Actor-Critic for Mixed Cooperative-Competitive Environments》论文解读

多智能体强化学习算法MADDPG（一：由单智能体强化学习到多智能体强化学习）

qq_40089637的博客

09-05

1万+

我，菜拐拐，今天又来了！废话少说，上重点。准备好课堂笔记┗|｀O′|┛ 嗷~~ 多智能体强化学习背景知识为什么提出多智能体DDPG（MADDPG）？学习MADDPG算法的先验知识？Q-LearningDQNSPGDPGDDPG由DDPG算法到MADDPG算法？MADDPG算法的巧妙之处？为什么提出多智能体DDPG（MADDPG）？ 多智能体环境下传统算法的短板传统的Q-Learning算法不适用：随着训练的进行，每个智能体的策略都在发生变化。从任何一个单独的智能体的角度来看，环境都变得不稳定，这带来.

多智能体深度强化学习算法-MADDPG-PettingZoo环境-02MPE环境

NACYHAN01的博客

02-18

850

多粒子环境Multi Particle Environments (MPE) 是一组面向通信的环境，其中粒子代理可以（有时）移动，通信，看到彼此，推动彼此，并与固定的地标交互。

MADDPG技术分析

weixin_73605337的博客

03-07

334

传统的单智能体强化学习算法在面临多智能体环境时往往表现欠佳，主要面临环境非稳态、信用分配困难等挑战。随着多智能体系统在智能制造、智慧城市等领域的深化应用，MADDPG及其改进算法将持续推动群体智能决策技术的发展。1. **环境非稳态**：多个智能体同时学习导致环境动态持续变化。3. **维度灾难**：联合状态-动作空间随智能体数量指数级膨胀。2. **信用分配**：难以评估单个智能体对全局奖励的贡献程度。4. **通信约束**：智能体间的信息交互面临带宽和延迟限制。

多智能体通信：基于通信的多智能体强化学习研究综述

燕双嘤

04-09

1万+

题目：A Survey of Multi-Agent Reinforcement Learning with Communication 出处：arXiv 2022 摘要：通信是协调多个智能体行为的有效机制。在多智能体强化学习领域，智能体可以通过通信来提高整体学习性能并实现其目标。此外，智能体可以通过特定渠道向所有智能体或特定智能体组传递各种类型的消息。随着越来越多的通讯研究工作（Comm MARL），缺乏一种系统和结构化的方法来区分和分类现有的通信系统。在本文中，我们调查在COMM MARL领域最近的

多智能体通信：多智能体强化学习中的交流-意图共享

燕双嘤

04-18

3156

题目：Communication in Multi-Agent Reinforcement Learning: Intention Sharing 出处：International Conference on Learning Representations （ICLR，2021），深度学习顶级会议。摘要：在多智能体系统中，通信是学习协调行为的核心组件之一。在本文中，我们提出了一种新的通信方案，名为意图共享（IS），用于多智能体强化学习，以增强智能体之间的协调。在提出的IS方案中，每个agent通过对

强化学习—— 多智能体强化学习

Cyrus_May的博客

04-11

1万+

强化学习—— 多智能体强化学习1. 多智能体关系分类1.1 合作关系（Fully Cooperative）1.2 竞争关系（Fully Competitive）1.3 混合关系（Mixed Cooperative & Competitive）1.4 利己关系（self-interested）2. 专业术语（Terminologies）2.1 假设agent个数为2.2 状态为2.3 第i个agent的动作为2.4 状态转移函数2.5 奖励（Reward）2.6 回报（Return）2.7 策略

多智能体强化学习：多智能体系统

qq_40206371的博客

06-01

8658

智能体的利益一致，获得的奖励相同，有共同的目标。奖励 (Reward) 是环境反馈给智能体的数值。把第 i 号智能体的奖励随机变量记作，把奖励的实际观测值记作 t时刻的奖励由状态St和所有智能体的动作共同决定折扣回报，定义和单智能体类似智能体i在时刻t的（折扣）回报依赖于未来所有的状态和所有智能体未来的动作其中：很显然第i号智能体的状态价值依赖于所有智能体的策略：

多智能体通信：通过深度多智能体强化学习学习交流

燕双嘤

04-16

1928

题目：Learning to Communicate with Deep Multi-Agent Reinforcement Learning 出处：Neural Information Processing Systems 29 (NIPS，2016) 摘要：我们考虑的问题是多智能体在环境中的感知和行动，目的是最大限度地发挥其共享效用。在这些环境中，智能体必须学习通信协议，以便共享解决任务所需的信息。通过采用深度神经网络，我们能够在复杂环境中演示协议的端到端学习，其灵感来自通信谜题和具有部分可观测性的

IPPO：在《星际争霸》多智能体挑战赛中，你只需要独立学习吗？

wq6qeg88的博客

03-30

1387

最近开发的在集中式训练中使用分散式执行设置的协作式多智能体强化学习方法涉及估计集中式联合价值函数。在本文中，我们证明，尽管存在各种理论缺陷，但独立 PPO （IPPO）是一种独立学习形式，其中每个智能体只需估计其局部值函数，在流行的多智能体基准测试套件 SMAC 上，其性能与最先进的联合学习方法一样好或更好，几乎没有超参数调整。我们还将IPPO与几种变体进行了比较;结果表明，IPPO的强劲性能可能是由于其对某些形式的环境非平稳性的鲁棒性。1 引言。

多智能体强化学习笔记

无无

04-29

961

多智能体强化学习

MAPPO：PPO在合作多智能体博弈中的惊人效果

wq6qeg88的博客

03-30

1922

Abstract 摘要 Proximal Policy Optimization (PPO) is a ubiquitous on-policy reinforcement learning algorithm but is significantly less utilized than off-policy learning algorithms in multi-agent settings. This is often due to the belief that PPO is sig

多智能体近端策略优化（MAPPO）算法详解

qq_42568323的博客

12-27

2393

多智能体近端策略优化（MAPPO, Multi-Agent Proximal Policy Optimization）是对PPO（Proximal Policy Optimization）算法的扩展，用于处理多智能体（Multi-Agent）系统中的强化学习问题。MAPPO基于PPO的思想，设计了适应多智能体环境的算法框架，能够有效解决多个智能体在同一环境中进行协作或竞争的任务。在MAPPO中，每个智能体学习一个独立的策略，同时共享一个全局奖励信号或根据任务设计的个体奖励信号。

多智能体系统的通信

学习日常分享

05-02

2704

两个Agent之间的通信过程如下：发送方将自己的思想翻译成通信所用语言的格式；发送方将语言格式加载到通信传播媒体，如声音、文字和图像；传播载体到达接收方；接收方读取载体中的语言代码；接收方在思维空间中将语言代码按其格式翻译为思想，从而熟悉发送方的意识状态。智能体通信的类型使用Tell和Ask通信： Agent分享共同内部表示语言，并通过界面Tell和Ask直接访问相互的知识库。使用形式语言通信：大多数Agent的通信是通过语言而不是通过直接访问知识库而实现的。 Agent通信的方式

多智能体强化学习

Trony的博客

08-12

1467

Multi-Agent Reinforcement Learning Concepts and Challenges Setting 多智能体强化学习通常有四种设定 Fully cooperative 完全合作关系，这种设定里面，Agents的利益一致，获得的奖励相同，有共同的目标。 Fully competitive 完全竞争关系，一方的收益是另一方的损失。典型的代表就是0和博弈，双方获得的奖励的总和为0. Mixed Cooperative & comepetitive 既有竞

强化学习IPPO伪代码

06-08

强化学习的算法有很多种，其中IPPO是一种基于策略优化的强化学习算法。其伪代码如下： 1. 初始化策略参数θ，价值函数参数V，优势函数参数A 2. 循环执行以下步骤： 1）收集一组样本轨迹{τ}，包含状态、动作、回报和下一个状态 2）计算样本轨迹的价值函数和优势函数： a) 对于每个状态 s ∈ τ，计算 V(s;θ) 和 A(s,a;θ) b) 对于每个时间步 t ∈ τ，计算回报的累计折扣 Gt 3）更新策略参数θ： a) 计算策略梯度 ∇θ logπ(a|s;θ) A(s,a;θ) b) 使用SGD方法更新参数：θ ← θ + α∇θ logπ(a|s;θ) A(s,a;θ) 4）更新价值函数参数V： a) 计算价值函数的均方误差 L = (V(s;θ) - Gt)^2 b) 使用SGD方法更新参数：θ ← θ + β∇V(s;θ)L 5）更新优势函数参数A： a) 计算优势函数的均方误差 L = (A(s,a;θ) - Q(s,a)) ^2 b) 使用SGD方法更新参数：θ ← θ + γ∇A(s,a;θ)L 其中，α, β, γ为学习率，logπ(a|s;θ)为策略在状态s下选择动作a的对数概率。以上是IPPO的基本伪代码，但具体实现还需要结合具体问题进行调整和修改。