鱿鱼串 [转自 Tk's Blog]

今天在超市看到一堆冰碴上插着个牌子:深海鱿鱼。下面摆着一块块类似豆腐的东西。边上是普通鱿鱼、墨鱼仔之类。

仔细一看,那些足有两寸厚,大块大块的“豆腐”居然是鱿鱼切成的块!寻常鱿鱼最多也不会超过一厘米,很难想象这样完整的一条该有多大。

以前在恐怖电影里看到过大鱿鱼、大乌贼吃人,今天叫我撞上了自然不能放过,得替死难的船员们报仇!寻常的烹饪方式是难解我心头之恨了,对,一定要烤!顺便买一包竹签回去。

洗干净之后,切成五厘米长,两厘米宽,半厘米厚的片。再把一个洋葱切成一厘米见方的片。

因为我的烤箱是袖珍型的,而买来的竹签比较长,所以得把竹签从中间切开,半截半截地用。先用竹签穿一片鱿鱼,再穿几片洋葱,然后再穿一片鱿鱼……这样每根竹签上穿三片鱿鱼,三层洋葱。我买的那块鱿鱼大概七八两,穿了一大堆串出来。

穿好之后是这样:

我没买彩椒是一个失误,如果能穿上点彩椒,卖相就好看多了。

然后用酱油、料酒、胡椒粉、孜然粉、葱粉、辣椒粉混合成调味汁,浇一下:

放到烤箱里,低温烤7分钟就好了,吃的时候还可以加点番茄酱:



  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
鱿鱼算法(Squid algorithm)是一种用于解决优化问题的启发式算法,它模拟了鱿鱼捕食的行为。在Python中实现鱿鱼算法,需要定义问题的目标函数和约束条件,并根据问题的特点设计适应度函数。 以下是一个简单的示例,演示如何使用鱿鱼算法求解一个简单的目标函数的最小值: ```python import random # 目标函数 def objective_function(x): return x ** 2 # 适应度函数 def fitness(x): return 1 / (objective_function(x) + 1) # 鱿鱼算法 def squid_algorithm(bounds, max_iter, num_squids): # 初始化种群 population = [random.uniform(bounds[0], bounds[1]) for _ in range(num_squids)] for _ in range(max_iter): # 更新每个个体的位置 for i in range(num_squids): old_position = population[i] new_position = old_position + random.uniform(-1, 1) # 边界处理 new_position = max(bounds[0], min(bounds[1], new_position)) # 若新位置更好,则更新个体位置 if fitness(new_position) > fitness(old_position): population[i] = new_position # 找到适应度最好的个体 best_squid = max(population, key=fitness) best_fitness = fitness(best_squid) return best_squid, best_fitness # 示例运行 bounds = [-10, 10] # 变量范围 max_iter = 100 # 最大迭代次数 num_squids = 50 # 鱿鱼个体数量 best_squid, best_fitness = squid_algorithm(bounds, max_iter, num_squids) print(f"Best Squid: {best_squid}") print(f"Best Fitness: {best_fitness}") ``` 请注意,这只是一个简单的示例,实际问题的求解可能需要更复杂的逻辑和调整参数。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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