clip 猫有猫道,鼠有鼠道

本文介绍了使用CSS进行图片剪切和缩放的方法,包括如何通过设置宽度和高度实现图片的剪切效果,以及如何使图片按照指定的尺寸进行缩放,适用于新闻图片展示和网页设计。

转载请注明来自博客园雨中无伞

 

http://hi.baidu.com/wusantietu/album/item/c5a262ecc71861ccb31cb1f8.html      所需图片

http://hi.baidu.com/wusantietu/album/item/c5a262ecc71861ccb31cb1f8.html#IMG=7234674b33c8ac3b09f7eff8       浏览器效果


<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">

<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
<title>无标题文档</title>
<style>
.a,.a a{width:100px; height:50px;display:block; overflow:hidden;}
.b,.b a img{width:100px; height:50px;display:block;}
</style>
</head>

<a href="#"><img src="images/ad.jpg" /></a><P>&nbsp;</P>
<div class="a"><a href="#"><img src="images/ad.jpg" /></a></div><P>&nbsp;</P>
<div class="b"><a href="#"><img src="images/ad.jpg" /></a></div>
</html>
.a出现的图片是剪切的效果
也就是clip从左上角开始剪切的效果<这个属性我没有用到,以前看过,但是实际工作中还没有用到,不过如果我们想从左上角剪切的话,用我这种方法也不错啊,至少少写一个属性,缺点是你又忘记了一个CSS属性
.b是按照我所设置的宽高进行了缩放,这个用到的是一般是新闻或者上163上看那些艳门照之类的图片,图片大的话,就这样给压缩了,小公司就是这么做了,像163人家就是做这么大小的图片,恩,猫有猫道,鼠有鼠道吧

转载于:https://www.cnblogs.com/yuzhongwusan/archive/2008/08/28/1278368.html

### 群算法(CSO)的数学模型与公式 群算法(Cat Swarm Optimization, CSO)是一种基于群体智能的优化算法,其灵感来源于的行为特性。的行为可以分为两种模式:**寻找模式(Seeking Mode)** 和 **追踪模式(Tracing Mode)**[^1]。这两种模式分别对应于全局搜索和局部搜索。 #### 寻找模式(Seeking Mode) 在寻找模式中,通过随机行走来探索解空间,以找到潜在的更优解。该模式的主要参数包括: - $ C_s $: 寻找模式下的数量。 - $ SD $: 搜索维度。 - $ m_i $: 第 $ i $ 只的记忆位置。 - $ r_i $: 随机生成的向量,用于控制步长。 - $ F_i $: 步长因子。 的位置更新公式为: $$ X_i^{t+1} = X_i^t + r_i \cdot F_i $$ 其中,$ r_i $ 是一个服从均匀分布的随机向量,$ F_i $ 是步长因子,通常为用户定义的常数[^2]。 #### 追踪模式(Tracing Mode) 在追踪模式中,根据当前最优解调整自己的位置,以进行局部搜索。该模式的主要参数包括: - $ C_t $: 追踪模式下的数量。 - $ w $: 惯性权重。 - $ c_1, c_2 $: 学习因子。 - $ v_i^t $: 第 $ i $ 只的速度。 - $ p_i^t $: 第 $ i $ 只的历史最优位置。 - $ g^t $: 当前种群的全局最优位置。 的速度和位置更新公式为: $$ v_i^{t+1} = w \cdot v_i^t + c_1 \cdot rand() \cdot (p_i^t - X_i^t) + c_2 \cdot rand() \cdot (g^t - X_i^t) $$ $$ X_i^{t+1} = X_i^t + v_i^{t+1} $$ 这里,$ rand() $ 表示生成一个介于 0 和 1 之间的随机数[^3]。 #### 模式选择 每只在每次迭代中会根据一个概率值 $ P_s $ 决定进入哪种模式。如果随机生成的数小于 $ P_s $,则进入寻找模式;否则进入追踪模式。 #### 算法流程总结 1. 初始化群的位置和速度。 2. 计算每只的适应度值。 3. 根据概率 $ P_s $ 决定的行为模式。 4. 在寻找模式下更新的位置。 5. 在追踪模式下更新的速度和位置。 6. 更新全局最优解。 7. 重复步骤 2 至 6,直到满足终止条件。 ```python import numpy as np def cat_swarm_optimization(objective_func, bounds, num_cats, max_iter, Ps=0.5, w=0.9, c1=2.0, c2=2.0): dim = len(bounds) cats = np.random.uniform(bounds[:, 0], bounds[:, 1], (num_cats, dim)) velocities = np.zeros_like(cats) personal_best = cats.copy() global_best = cats[np.argmin([objective_func(cat) for cat in cats])] for _ in range(max_iter): for i in range(num_cats): if np.random.rand() < Ps: # Seeking mode Fi = np.random.rand(dim) cats[i] += np.random.rand(dim) * Fi else: # Tracing mode velocities[i] = w * velocities[i] + c1 * np.random.rand(dim) * (personal_best[i] - cats[i]) + c2 * np.random.rand(dim) * (global_best - cats[i]) cats[i] += velocities[i] cats[i] = np.clip(cats[i], bounds[:, 0], bounds[:, 1]) fitness = objective_func(cats[i]) if fitness < objective_func(personal_best[i]): personal_best[i] = cats[i] if fitness < objective_func(global_best): global_best = cats[i].copy() return global_best, objective_func(global_best) ```
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