MongoDB基础安装

概念:
数据库是按照数据结构来组织、存储和管理数据的仓库
MongoDB属于文档型数据库,归属于NoSQL()数据库产品,它的数据模型是版本化的文档,半结构化的文档以特定的格式存储,比如JSON。文档型数据库允许之间嵌套键值。

  • NoSQL数据库没有执行复杂查询的标准接口
  • NoSQL数据库可以很好地存储分层次的数据,适用于大数据
  • NoSQL数据库对事务的处理能力有限
  • NoSQL数据库遵循CAP定理(一致性、可用性和分区容忍性)

MongoDB数据库优点

  • 速度快,其使用大量内存和系统资源作为优化
  • 扩展性好:可以水平扩展
  • 可自动分片
  • 灵活修改数据结构,不需要去修改原有的数据,也没有必要去建立已经存在的数据格式
  • 实现了基本的查询和动态查询
  • 支持完全索引,包括内部

一、下载文件包

百度链接:https://pan.baidu.com/s/1xhFsENTVvU-tnjK9ODJ7Ag 密码:ctyy 这是复制的其他博主的连接 。
下载之后路径为 D:\mongodb 文件夹内容中data、logs和一个配置文件是新建的,为接下来配置做准备。
下载截图

二、配置文件包
(1)为了使用命令方便,在全局变量path中配置路径,在命令行之下就可以直接使用mongoDB命令了
配置环境变量

(2)配置mongoDB.config文件,说明很详细。内容如下

#数据库路径
dbpath=D:\mongodb\data\db

#日志输出文件路径   
logpath=D:\mongodb\logs\mongoLog.log   

#错误日志采用追加模式
logappend=true   

#启用日志文件,默认启用
journal=true

#这个选项可以过滤掉一些无用的日志信息,若需要调试使用请设置为false   
quiet=true   

#端口号 默认为27017 
port=27017

(3)以管理员身份运行命令行窗口,如果不使用管理员身份运行,很容易报错
设置服务有两种方式,我支持第二种设置方式,第一种方式必须要在运行cmd条件下才能运行服务
1.第一种、使用cmd运行服务。运行命令。注意D:\mongodb\logs\mongoLog.log 文件是命令创建的,不要自己新建。data文件夹中还要新建一个空的db文件夹

mongod --config D:\mongodb\mongodb.config

我们发现上面并没有打印出一些日志信息,但是我们仍然是可以访问http://127.0.0.1:27017/。说明服务启动成功了。这是因为我们配置文件中配置了日志文件路径,日志全部打印到了日志文件中

2.第二种、计算机服务启动,运行命令

mongod --config D:\mongodb\mongodb.config --install --serviceName "MongoDB"

在win+R 输入命令 services.msc进入系统服务 可以找到新建的MongoDB服务
新建的系统服务
现在打开http://127.0.0.1:27017/依然可以使用
运行成功

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