redis基础

redis基础

redis数据结构

redis存储的是key,value形式的数据,其中key都是字符串,value有以下5种数据类型

  1. string 字符串
  2. hash 哈希类型 map集合
  3. list 列表类型 有序、可重复
  4. set 集合类型 无序,不可重复
  5. sortedset 有序集合类型 不可重复,且元素有顺序。每个元素都会关联一个double类型的分数,通过该分数进行从小到大排序

redis常用命令

  1. string
    • 存储: set key value
    • 获取: get key
    • 删除: del key 此命令所有类型通用
  2. hash
    • 存储: hset key field value
    • 获取:
      • hget key field 获取指定的field谁对应的值
        eg:hset myhash username
      • hgetall key 获取所有的field和value
    • 删除: hdel key field
  3. list
    • 存储
      • lpush key value 将元素加入列表左边
      • rpush key value 将元素加入列表右边
    • 获取 lrange key start end 范围获取
      • eg lrange myList 0 -1 表示查找从列表左边第一个到最后一个
      • lrange mylist 1 -1 列表第二个到最后一个
      • lrange mylist 1 9 列表第一个到第10个
    • 删除
      • lpop key 删除列表最左边的元素,并将元素返回
      • rpop key 删除列表最右边的元素,并将元素返回
  4. set 不允许重复
    • 存储 sadd key value
    • 获取 smembers key获取set集合中所有的元素
    • 删除 srem key value删除set集合中的某个元素
  5. sortedset
    • 存储 zadd key score value
      zadd mysort 60 zhangsan
      zadd mysort 50 list
      zadd mysort 80 wangwu
      
    • 获取 zrange key start end [withscores]
    • 删除 zrem key value
  6. 通用命令
    • key *: 查询所有的键
    • type key: 获取键对应的value的类型
    • del key :删除指定的key value

持久化

所谓的持久化就是将redis内存中数据存入磁盘中,redis有两种持久化机制,分别是RDB和AOF

  • RDB (默认方式)在一定的间隔时间中,检测key的变化情况,然后持久化数据
  • AOF 日志记录的方式,可以记录每一条命令的操作。可以每一次命令操作后,持久化数据

速查表

在这里插入图片描述

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