混日子“老司机”和上进的“老司机”一天的工作飚车日常

文 / 王不留(微信公众号:程序员生存指南)

 

 

作为一名开发人员,刚开始憧憬过,激情过,奋斗过,工作几年之后,开始出现迷茫和失落。

 

这时候的人生阶段开始分叉成两个方向:或沉沦或奋进。

01

一部分程序员,通过锤炼后,感觉自己开发能力还可以,但很难再有能力提升或晋升,觉得工作已经没什么特别的意义,只有每月的那点儿薪水。

 

因为心有不平,失去了目标,浑浑噩噩,得过且过,这部分人员,变成了混日子的“老司机”。

 

他们的一天可能是这么度过的。

 

8:00-9:00 急忙起床,赶往公司。

 

9:00-9:30 吃早餐,上厕所。

 

9:30-11:00 浏览网站,刷朋友圈、看公众号,关注一下国家大事。

 

11:00  哎呀,11点了,做点啥呢?看看有没有什么工作上的事吧。

 

11:40  招呼小伙伴们提前去食堂占位。

 

13:00-14:00  吃饱饭,小睡一会儿。

 

14:00-14:40  来事了,QQ弹出消息,有个BUG要处理。随手回了句:今天好忙,正在研究。先浏览浏览网页,打盘手机游戏再说。抽根烟去,因死了。

 

14:40-16:30  看看BUG,告诉对方描述不清晰,无法重现,让对方把日志发来再研究。

 

16:30-17:30  看了不少新闻,再玩会游戏。

 

17:30-18:00  出去抽根烟,回到座位上又玩了几分钟游戏,准备下班。

 

18:00-0:00 个人时间,不再属于公司,享受属于自己的开心快乐的时光。

 

0:00  要睡了,今天工作好累,再刷一会抖音。

 

以上刷朋友圈、玩游戏、浏览网页、看新闻......可以被其他形式替换,例如找人闲扯、刷电视刷、逛淘宝、看小视频。

02

还有一部分程序员,不为每月的点滴薪水,而是寻求让自己能力更强,等待被重用的机会,防止被社会所淘汰。

 

他们的一天可能是这么度过的。

 

4:00-4:30 准时起床,洗漱。喝一杯温白开水,养生学上说可以清理肠道;用高压锅熬粥;开始新一天生活。

 

4:30-8:00  把昨天工作上遗留的或今天需要静心思考才能处理的事情,留在这个时间集中解决。这是一天之中不会被打扰,真正属于自己的非常宝贵的时间。

 

9:00-9:30   处理邮件上的一些事情,将任务进行分配或自己的工作进行处理。

 

9:30-12:00  了解项目情况、找相关部门协调资源、找领导汇报工作、找员工沟通谈心、开会、写材料等等。根据早晨的工作计划,提前分配安排。

 

12:00-13:30 吃午饭,摊开躺椅午休。期间刷刷twitter,看看Hacker News、BusinessInsider、Quora,增加业余知识,了解行业最新动向。

 

13:30-18:00 继续上午剩余事项。如有空闲时间看技术书籍,增加自己的知识储备。

 

18:00-21:30 吃饭,生活上的交际,业余学习,处理工作遗留的问题。能者多劳,想把当天的工作完成。

 

21:30-22:00  准备休息,迎接崭新美好一天的到来。

 

4:00 闹铃准时响起,重复一天生活。

03

从两个典型人员的日常的对比,可以看到明显差距:

 

1、工作的激情还在吗?

 

2、时间管理合理吗?

 

我们不能成为一个混日子的程序员!

 

一旦进入这种被动工作,消极怠工的状态,很快就会失去性价比,被后来的年轻人替代,不得不另谋出路。

 

我们要做一个阳光上进的程序员!

 

通过不断突破舒适区,持续提升自己的技能,建立自己的价值高地,从而获得更大的晋升机会和丰厚的薪资回报! 

* 作者简介:王不留(微信: wbliu85),早晨四点开启奔跑人生的一枚非典型程序员。

关注微信公众号「程序员生存指南」,收看更多精彩内容

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。 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等模型行风电功率预测。
评论 3
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