关于电脑上面的时间利用

刚刚整理了一下这几天( 8 15 ~11 29 日)的时间记录,发现花在电脑上面的时间惊人地高,但效率惊人地低。

 

一定要清楚自己要做什么,不然完全把时间浪费掉了都浑然不知。

看看大致的时间统计情况:(一下时间统计仅仅记录 CPU 活动的时间

 

应用程序

时间

firefox.exe

235:47:50

iexplore.exe

44:27:16

winword.exe

42:57:51

qq.exe

37:11:09

Other

172:01:02

总计使用时间

532:25:08

 

 

浏览网页,虽然就是几分钟的事情,但积少成多—— Firefox IE 加起来,近 300 小时——而这仅仅是 CPU 活动时间里面的;如果在加上应用其它浏览器的时间, 350 小时应该是足足有的。假设每天醒着的时间是 16 个小时,这样,我光用浏览器,就花了 21 天!!记录的周期是 3.5 个月……我用了 21 天在浏览器上!

 

在用人人的时间,仅仅是人人桌面,加起来有 14 个小时,二十分钟。

 

PDF 的时间,应该是我学习的时间了吧……才 28.5 个小时。

 

编程的时间(用 wxDev 的时间)(实际占用 CPU 的时间)( wxDev-C++ 18 个小时。

 

QQ 的时间,一天零 13 个小时,仅是占用 CPU 的时间(实际比这个时间多多了)

 

 

仅仅是这样,算算我总共用电脑的时间是多少? 532 个小时!这仅仅是记录的 CPU 活动时间。

532 个小时,已经相当于 33 天了——是多于一个月的时间!我有在 3.5 个月里面,有多余一个月的时间花在电脑上面!

 

我上课的情况呢?假设 我所有课都去了——

数学: 13 * 4h = 52h ;物理: 13 *4h = 52h ;英语: 10 *4h=40

经济: 13 *3h=39h ;市场学: 13 *3h=39h ;计算机: 13 *3h=39h

这样,加起来才 261 小时——仅仅是我用电脑时间的一半!

 

我还在一直讲,现在的学生怎么怎么目标缺失,怎么怎么不珍惜时间……我自己的时间利用已经这么凄惨了

 

零碎的时间,零碎的时间!

 

每天需要记录下自己的时间利用情况,上网只做必要的事情。

牛不是一天炼成的,也不是每天看新闻连成的。

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
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