我编的P4M(Practise for maths)程序

P4M是一款从Java到Qt5.6进化的数学练习软件,由一位年轻开发者精心打造。从最初的功能单一版本到如今的3.2版,支持加减乘除运算,具备导出算式功能,界面优美且操作便捷。软件采用Qt编写,无需额外环境,直接运行EXE文件。

P4M

自我介绍

我今天11岁,跳级生,上初二,第一次在优快云上写博客。

P4M介绍

本程序早期版本使用Java编写,后期使用Qt 5.6编写,可以练习算数,目前最新版本3.2
此程序有很多版本,下面介绍各个版本以及更新日志。

1.0

P4M的第一个版本,下文的基础
只有一点功能,大量的BUG

  • 语言:Java
  • 编写方式:纯代码
  • 运行需要:JRE
  • 文件:仅程序

2.0

增加除法
使用最新版JavaFx(JDK10)重新编写,运行速度提高。
答题窗口可以自动关闭,省时省力
窗体布局全新优化,更加小巧精致
修复部分BUG

  • 语言:JavaFx
  • 编写方式:纯代码
  • 运行需要:JRE
  • 文件:程序,JRE,使用说明

2.1.1

更新“下一题”

  • 语言:JavaFx
  • 编写方式:纯代码
  • 运行需要:JRE
  • 文件:程序,JRE,使用说明

2.1.2

简单美化GUI

  • 语言:JavaFx
  • 编写方式:纯代码
  • 运行需要:JRE
  • 文件:程序,JRE,使用说明

3.0

使用Qt重新编写,格式改成可以直接运行的EXE格式,再也不用装JRE了!
大幅度精简等级,没用的全部删除。
改写随机数生成器,更加符合大家的使用习惯。
改变乘号*为×,除号/为÷,符合日常计算习惯。
使用Fusion风格,好看的界面跨平台。

  • 语言:Qt 5.6.1
  • 编写方式:纯代码
  • 运行需要:Qt DLL库(自带)
  • 文件:安装程序,使用说明

3.1

添加导出算式功能,不用运行程序就能做题,还自带答案!

  • 语言:Qt 5.6.1
  • 编写方式:纯代码
  • 运行需要:Qt DLL库(自带)
  • 文件:安装程序(自解压),使用说明

3.2

全新优化GUI,设计器编写
修复导出算式的重大BUG
全新优化GUI,设计器编写

  • 语言:Qt 5.6.1
  • 编写方式:设计器
  • 运行需要:Qt DLL库(自带)
  • 文件:程序包,使用说明

所以呢,我很早就开始编这个程序了。
今天,P4M的稳定美观版本出来了,我要把它发布一下。
成品百度网盘链接,包括P4M的所有版本中上文提到的文件。
提取码: v4e8


源代码百度网盘链接,包括P4M的所有版本
提取码: gmpv

最后,谢谢各位的观看!希望大家喜欢!

内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论 1
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