田志刚:朋友既要志同道合又要性格迥异

“管宁、华歆共园中锄菜,见地有片金,管挥锄与瓦石不异,华捉而掷去之。又尝同席读书,有乘轩冕过门者,宁读如故,歆废书出看。宁割席分坐③,曰:" 子非吾友也!" ”

    这就是“割席断交”的故事。古人教给我们朋友要选志同道合的、情趣相投的,不能跟“坏人”做朋友,否则你也就慢慢学坏了!这很是有一番道理,如果一个未成年人整天跟一帮痞子混在一起,难免不学坏。我们长大后也秉承着这个理念,找与自己背景、文化、个性、工作相同或类似的人做朋友,形成我们自己的圈子,并在其中如鱼得水。

    但从学习的角度讲,从从别人身上学习的观点来看,人不仅要从跟自己相同或类似的人身上学习,即从自己志同道合的人身上学习;更要从与自己性格、背景、学识、工作无关甚至加迥异的人身上学习,正因为不同,他们身上才有我自己、我的圈子所缺少的东西,而也许正是这种东西制约了我的进步、成功。

    看看你周围的朋友都是干什么的?是不是都跟你一样?

    从跟自己迥异的人身上,总是能够有不同的发现,每次交流和沟通总能得到更多的启发,并能发现自己的不足和无知,不信你试试!

    当然,愿意去结识不同行业、背景迥异的朋友必须有良好的心态,要怀着尊敬、宽容、理解的心去真诚的交往,发现对方的优点学习之!(本文内容已收录在《你的知识需要管理》,更多了解田志刚,田志刚最新的知识管理培训)

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