第一次博客作业

第一次博客作业

三次作业小结
  1. 第一次作业:简单多项式的构造和求导。【正则表达式】【利用容器惰性化简】
  2. 第二次作业:含三角函数因子的复杂多项式的构造、求导和化简。【接口】【项抽象】
  3. 第三次作业:含嵌套因子的复杂式的构造、求导和化简。【接口】【递归】
第一次作业
功能介绍

对多项式进行parsing,计算导数并输出。

多项式形如

[+|-]?[0-9]*(\\*)?x(\\^[+|-]?[0-9]+)?
类图

1590906-20190326221117324-416956518.png

第一次作业程序结构很简单,在单项式对象Monomial的基础上,对多项式Poly进行处理。

代码分析

1590906-20190326221515298-1348474544.png
1590906-20190326221523378-566233616.png

可知formatCheck复杂度较高,其原因是在parsing过程中,对每个单项式均会使用check方法。

另外除了单项式toString,以及多项式构造函数setPoly外,复杂度均不高。

这两个方法较多的用了面向过程思想,在第二次作业中有较大改进,在此暂且不表。

测试与BUG
公测

公测因为formatCheck方法中正则失误,导致错误,后经修改一次AC。

互测

笔者在第一次互测中出现了大量的WF错误,程序鲁棒性较差。究其原因,是因为笔者在第一次设计时因为数字求导为0而放弃了数字的输入处理(即遇到数字则跳过),导致涉及到纯数字输入(或无合规多项式)时会输出0,导致大量错误。

Bug分析与总结

以下为笔者在第一次作业互测中发现的BUG,

选取了房间内未被找到BUG同学的代码阅读,并没有找到他的BUG。

  • 输入时可能没有下一行,需要用Scanner.hasNextLine()判断

  • '\s'匹配所有的空白符,而指导书中空白符的定义只有空格和Tab

  • 正则表达式爆栈可能性

第二次作业
功能介绍

对含有sin(x)幂 cos(x)幂,以及x幂的多项式parsing并求导,按原格式输出。

类图

1590906-20190326221252742-1916844477.png

第二次作业的代码结构复杂了很多,

RegDeal对字符串进行处理得到Combination。Combination是sin/cos/num/monomial类的集合,即对该题项的抽象。

对于基本类型建立抽象Part,并分别implement得到cos sin monomial类。

Combination具有求导方法,返回combination数组。(这里借助这道题项的固定格式取巧,导致第三次作业重构)

继续使用FormatCheck类对程序鲁棒性进行处理。

代码分析

1590906-20190326221542220-1589457694.png

可以看到FormatCheck的复杂度仍然很高,这是笔者前三次设计的败笔,为了提高程序鲁棒性而专门设计类对串进行排错。

另外不出意外的是RegexDeal.find / RegexDeal.typeJudge / RegexDeal.getType 以及Regex.main方法复杂度较高,下面逐一分析。

find/typeJudge/getType都是因为在parsing中,涉及到多次大量循环调用。

main方法复杂度高是因为将化简代码写入main中,而未在类内部进行简化处理。

测试与Bug
公测

笔者公测因为优化失误导致BUG,后一次修改AC

互测

互测中,笔者仍因为化简失误导致了较多BUG,但大部分经过修改得到解决。

仍有一些鲁棒性问题,因为笔者使用FormatCheck暴力处理。

Bug分析与总结
  • 第二次互测,笔者学习了使用对拍器对待测代码进行处理。

  • 互测中笔者根据自己的BUG修改数据,发现同屋同学在建立项时出了同样的问题,即在建立减法项时,未对项内部系数进行处理。举个简单的例子,x-x,得到错误答案2。
  • 另外笔者根据正则表达式生成器测试了一些复杂数据,但对这类正则生成的数据,由于大多数人是使用类似的正则式处理,所以并没有太大收益。

第三次作业
功能介绍

对含有嵌套的复杂表达式parsing并进行求导,按相同格式输出。

在乘除基础上添加了嵌套运算。

类图

1590906-20190326221339123-29942619.png
延续第二次作业对基础元素的设计构造,听取指导书中助教建议,使用Element接口,并对加减乘除以及嵌套模式进行抽象,得到四个运算类。

最终对字符串进行递归分析,建立项。

代码分析

1590906-20190326221552208-2065818851.png

由于使用递归,使得InputHandler与StringHandler的复杂度较高,另外还是使用了FormatCheck对鲁棒性进行分析。

测试与Bug
公测

由于对括号递归的不正确性,导致错误。

互测

很遗憾,笔者此次因为递归问题未能进入互测阶段。

Bug分析与总结

由于未进入互测,仅做一些思考(只有自身实际经历。

此次由于大部分使用递归,且未进行优化,bug查找显得更加困难,重点应放在鲁棒性以及括号嵌套处理上

Applying Creational Pattern

从第一次到第三次作业,笔者对抽象、接口、继承、多态的应用更加熟练,但相关设计方法如工厂方法由于接触过少,并没有实际运用于作业中,此后会选择性查看更多相关资料并应用于设计中。

转载于:https://www.cnblogs.com/pandapan-buaa/p/10604206.html

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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