2020-12-01

博客介绍了在Unity中让两个脚本字段一样的方法。通过获取两个SpriteShapeController组件,利用SerializedObject和SerializedProperty进行操作,将一个脚本的字段复制到另一个脚本,并应用修改,最后设置对象为脏状态。

unity 让两个脚本的  字段一样

        var parentSpriteShapeController = src.GetComponent<SpriteShapeController>();
        var mirrorSpriteShapeController = dst.GetComponent<SpriteShapeController>();

        if (parentSpriteShapeController != null && mirrorSpriteShapeController != null && parentSpriteShapeController.spline.GetHashCode() != hashCode)
        {
            SerializedObject srcController = new SerializedObject(parentSpriteShapeController);
            SerializedObject dstController = new SerializedObject(mirrorSpriteShapeController);
            SerializedProperty srcSpline = srcController.FindProperty("m_Spline");
            dstController.CopyFromSerializedProperty(srcSpline);
            dstController.ApplyModifiedProperties();
            EditorUtility.SetDirty(mirrorSpriteShapeController);
            return parentSpriteShapeController.spline.GetHashCode();

(Kriging_NSGA2)克里金模型结合多目标遗传算法求最优因变量及对应的最佳自变量组合研究(Matlab代码实现)内容概要:本文介绍了克里金模型(Kriging)与多目标遗传算法NSGA-II相结合的方法,用于求解最优因变量及其对应的最佳自变量组合,并提供了完整的Matlab代码实现。该方法首先利用克里金模型构建高精度的代理模型,逼近复杂的非线性系统响应,减少计算成本;随后结合NSGA-II算法进行多目标优化,搜索帕累托前沿解集,从而获得多个最优折衷方案。文中详细阐述了代理模型构建、算法集成流程及参数设置,适用于工程设计、参数反演等复杂优化问题。此外,文档还展示了该方法在SCI一区论文中的复现应用,体现了其科学性与实用性。; 适合人群:具备一定Matlab编程基础,熟悉优化算法和数值建模的研究生、科研人员及工程技术人员,尤其适合从事仿真优化、实验设计、代理模型研究的相关领域工作者。; 使用场景及目标:①解决高计算成本的多目标优化问题,通过代理模型降低仿真次数;②在无法解析求导或函数高度非线性的情况下寻找最优变量组合;③复现SCI高水平论文中的优化方法,提升科研可信度与效率;④应用于工程设计、能源系统调度、智能制造等需参数优化的实际场景。; 阅读建议:建议读者结合提供的Matlab代码逐段理解算法实现过程,重点关注克里金模型的构建步骤与NSGA-II的集成方式,建议自行调整测试函数或实际案例验证算法性能,并配合YALMIP等工具包扩展优化求解能力。
这个问题可以通过 SQL 的窗口函数来实现,核心逻辑是: 1. 按照 `vin` 分组,并按 `date` 排序。 2. 维护一个“上一个有效日期(即上一个标记为 Y 的日期)”。 3. 如果当前记录与上一个有效日期之间的天数大于 300 天,则标记为 `Y`,否则为 `N`。 4. 最终统计所有 `Y` 的数量。 我们可以通过递归 CTE(Common Table Expression)或窗口函数配合变量来实现这个逻辑。下面以 **MySQL 8.0+** 为例展示完整 SQL: --- ### ✅ 示例 SQL(MySQL 8.0+) ```sql WITH ordered_data AS ( SELECT vin, `date`, ROW_NUMBER() OVER (PARTITION BY vin ORDER BY `date`) AS rn FROM your_table ), recursive_cte AS ( SELECT vin, `date`, rn, `date` AS last_valid_date, 'Y' AS tag FROM ordered_data WHERE rn = 1 UNION ALL SELECT o.vin, o.`date`, o.rn, CASE WHEN DATEDIFF(o.`date`, r.last_valid_date) > 300 THEN o.`date` ELSE r.last_valid_date END AS last_valid_date, CASE WHEN DATEDIFF(o.`date`, r.last_valid_date) > 300 THEN 'Y' ELSE 'N' END AS tag FROM ordered_data o INNER JOIN recursive_cte r ON o.vin = r.vin AND o.rn = r.rn + 1 ) SELECT vin, `date`, tag, SUM(CASE WHEN tag = 'Y' THEN 1 ELSE 0 END) OVER () AS total_Y_count FROM recursive_cte ORDER BY vin, `date`; ``` --- ### ✅ 解释 1. **ordered_data CTE**: - 对每个 `vin` 的记录按 `date` 排序并编号(`ROW_NUMBER()`)。 2. **recursive_cte**: - 初始记录(`rn = 1`)默认标记为 `Y`。 - 后续记录根据上一个 `last_valid_date` 计算日期差: - 如果大于 300 天,则标记为 `Y`,并更新 `last_valid_date`。 - 否则标记为 `N`,保留上一个 `last_valid_date`。 3. **最终查询**: - 输出每条记录的 `tag`。 - 使用窗口函数统计所有 `Y` 的数量。 --- ### ✅ 示例数据运行结果 | vin | date | tag | total_Y_count | |-------|------------|-----|----------------| | LBV** | 2020-01-01 | Y | 3 | | LBV** | 2020-05-01 | N | 3 | | LBV** | 2020-12-01 | Y | 3 | | LBV** | 2021-11-01 | Y | 3 | | LBV** | 2022-02-01 | N | 3 | | LBV** | 2022-04-01 | N | 3 | | LBV** | 2022-10-01 | Y | 3 | --- ### ✅ 注意事项 - 如果使用其他数据库(如 PostgreSQL、SQL Server),语法略有不同,但逻辑一致。 - 如果数据量非常大,递归 CTE 可能性能不佳,可以考虑使用变量模拟递归逻辑或用程序语言(如 Python)处理。 ---
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