高考之后的毕业生可以靠这些兼职副业赚取你的第一桶金

高考结束后,毕业生可以尝试寻找一份暑期兼职工作,努力赚钱来支付自己即将面临的大学学费和生活费。高考并不是终点,而是新生活的起点。通过提前适应生活和工作,可以更好地为大学学习生活做好心理准备。

那么,如何轻松地赚到高考结束后的第一笔资金呢?

首先,不要将高考复习资料以低价卖给垃圾站或者废品收购站。换个思路,你可以将这些你希望尽快告别的“废品”变成赚取毕业旅游经费的机会。

高考结束后,我和朋友决定在学校门口摆摊卖书给学弟学妹们。我们还帮助老师清理办公室,老师给了我们一些全新的但不需要的书籍和习题资料。我们一共摆摊了三天,卖出了很多书籍。

我们在摆摊前和校长合影,并在放学时间摆摊半个小时。我们定价比较灵活,最贵的图书卖了30元,而已经写过一半的练习册则卖了5元或3元。我们还卖了一些教辅手写笔记和学霸笔记,每本售价为25元或15元。还有一些没被使用过的练习册,我们以半价出售。我们一共卖了七百多元的图书。

剩下的一些书籍我在闲置物品交易平台上挂出去卖,比如小H书、试题调研资料以及我自己的补课资料和报考志愿的书籍。另外,很多同学丢了课本,所以我把自己的课本也放上去出售,特别是有我自己笔记的课本更受欢迎。我还卖了整理好的各科笔记本和错题本。卖掉我的课本和笔记的收入加起来一共是五百多元。

最后,剩下的一些练习册都已经写了一大半,属于废品的,我把它们卖给了废品站,收入是21元。

我的教辅和练习册比较少所有的加起来我一共是靠这些资料赚了一千五左右,我盆友她是学霸,复习资料超多笔记总结也贼好,一共将近两千块,还有就是平时兼职就在网上做做启梦树里面发布的各种活动任务和一些小项目,一直做到现在,一月也有一两千,我比较佛系就做些简单的,类型很多,算是打开了一些我眼界了,网络世界水真的深哦。

还记得去年高考结束后,18岁的女孩子兼职跑外卖吗。也都挺好的,可以提前感受赚钱的不容易,体会父母的辛苦。

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