机器人工程的工作与考研之困惑“卷”补充

年轻人是未来,善待年轻人才有未来。

之前一篇:

机器人工程的工作与考研之困惑“卷”_zhangrelay的博客-CSDN博客

 


和很多朋友交流过,这里再做一点总结,供需要的朋友参考。

“卷”不是过程,而是结果。

供大于求导致的结果。

行业趋势如何?

机器人行业的信息孤岛(2020)_zhangrelay的博客-CSDN博客

这些都是老黄历了,不过近期看也都是必然事件。

如下引用,具体请参考甲子光年的文章:

 


如何破局,改变这种“卷”的现状?

很难,基本不可能。

隔壁两个国家都努力过,也都全部失败了。

宽松模式破除不可行……

卷到极致模式也不可行……

最终的结果非常类似: 

 

年轻人会越来越少,然后……社会负担会越来越重,所有的压力最终都是年轻人扛起来的

线性思维是:年轻人减少,竞争少,就不那么“卷”了。

但是,实际情况是,“卷”和年轻人关系不大,80后,90后,比00后要多,高考也难,名校比例低于00后,为何那时候没喊“卷”。

年轻人或者说年轻的社会才能实现不卷。

“卷”其实从这个意义上来讲就是“倦”,社会化过劳而已。

当然,其他年龄段也会进入到永不退休模式。

机器人工程终身学习和工作计划-2022-_zhangrelay的博客-CSDN博客_机器人工程师学习计划 


“年轻人是未来,善待年轻人才有未来。”

说起来容易,做起来难。

知易行难……


 

 

 

使用优化算法,以优化VMD算法的惩罚因子惩罚因子 (α) 和分解层数 (K)。 1、将量子粒子群优化(QPSO)算法与变分模态分解(VMD)算法结合 VMD算法背景: VMD算法是一种自适应信号分解算法,主要用于分解信号为不同频率带宽的模态。 VMD的关键参数包括: 惩罚因子 α:控制带宽的限制。 分解层数 K:决定分解出的模态数。 QPSO算法背景: 量子粒子群优化(QPSO)是一种基于粒子群优化(PSO)的一种改进算法,通过量子行为模型增强全局搜索能力。 QPSO通过粒子的量子行为使其在搜索空间中不受位置限制,从而提高算法的收敛速度与全局优化能力。 任务: 使用QPSO优化VMD中的惩罚因子 α 和分解层数 K,以获得信号分解的最佳效果。 计划: 定义适应度函数:适应度函数根据VMD分解的效果来定义,通常使用重构信号的误差(例如均方误差、交叉熵等)来衡量分解的质量。 初始化QPSO粒子:定义粒子的位置和速度,表示 α 和 K 两个参数。初始化时需要在一个合理的范围内为每个粒子分配初始位置。 执行VMD分解:对每一组 α 和 K 参数,运行VMD算法分解信号。 更新QPSO粒子:使用QPSO算法更新粒子的状态,根据适应度函数调整粒子的搜索方向和位置。 迭代求解:重复QPSO的粒子更新步骤,直到满足终止条件(如适应度函数达到设定阈值,或最大迭代次数)。 输出优化结果:最终,QPSO算法会返回一个优化的 α 和 K,从而使VMD分解效果最佳。 2、将极光粒子(PLO)算法与变分模态分解(VMD)算法结合 PLO的优点与适用性 强大的全局搜索能力:PLO通过模拟极光粒子的运动,能够更高效地探索复杂的多峰优化问题,避免陷入局部最优。 鲁棒性强:PLO在面对高维、多模态问题时有较好的适应性,因此适合海上风电时间序列这种非线性、多噪声的数据。 应用场景:PLO适合用于优化VMD参数(α 和 K),并将其用于风电时间序列的预测任务。 进一步优化的建议 a. 实现更细致的PLO更新策略,优化极光粒子的运动模型。 b. 将PLO优化后的VMD应用于真实的海上风电数据,结合LSTM或XGBoost等模型进行风电功率预测。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

zhangrelay

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值