39、Scala开发实用指南:库查找、文档生成与脚本操作

Scala开发实用指南:库查找、文档生成与脚本操作

1. 查找Scala库

在开发过程中,找到合适的库是提高效率的关键。与Ruby的RubyGems包管理器不同,Scala在2.9.2版本之前有一个名为sbaz的工具,但不太受欢迎。现在,查找Scala库主要有以下几种方式:
- 搜索引擎与特定网站 :使用搜索引擎或访问ls.implicit.ly查找库。ls.implicit.ly网站将自己宣传为“Scala库的卡片目录”,其搜索过程基于两个假设:要查找的库是托管在GitHub上的开源库,并且使用SBT构建项目。例如,搜索“logging”,会显示像“Grizzled - SLF4J”这样的库。
- 邮件列表 :在scala - tools@googlegroups.com和scala - language@googlegroups.com邮件列表中提问和搜索,新软件也会在“scala - announce”邮件列表中公布。
- Scala维基 :查看Scala维基上列出的工具。
- 项目更新网站 :关注http://notes.implicit.ly/的项目更新,其存档在http://notes.implicit.ly/archive ,也可以在http://ls.implicit.ly/搜索工具。
- StackOverflow :在StackOverflow.com上提问。

当找到想要使用的工具后,通常使用SBT将其作为依赖项添加到项目中。例如,要在项目中包

先展示下效果 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
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