如何避免竹篮打水一场空?

你是否有这种感觉:自己学习某样东西,学的过程中感觉学到了很多,受益匪浅。应用到实践中也有很大的效果。可是,中间隔开一段时间不再接触它,等到我们再次使用的它的时候,会花费很长的一段时间来熟悉一下?又或者同时学习很多的东西,最后就像狗熊掰棒子,最后只剩下一个?


其实,这是一件很普遍的事情。大家可能听说过艾宾浩斯遗忘曲线。用科学的方法来研究人类的记忆规律,得出记忆和遗忘之间的关系:遗忘在学习之后立即开始,而且遗忘的进程并不是均匀的。最初遗忘速度很快,以后逐渐缓慢。既然知道了两者之间的关系,那么该如何做来避免我们已经学过的知识的“流失”?

在信息发达的今天,有许多的方法、工具可以帮助我们来提高记忆,避免遗忘。在这里我就不再各位关公面前耍大刀了。


在这里,我主要是想说我们是否能够积极主动的、长久坚持去这么做。如果只有三分钟热度,那么再好的方法、工具都无济于事;如果能够长久坚持,即使是只有记事本也可以完成的很好。

所以,为了避免竹篮打水一场空,我是这样做的。


首先,我在谷歌日历上给自己定一下任务,即:在每周日定时给自己发送一封邮件(前提是你有一个收取邮件的习惯),为了就是提醒自己在每个周日,对这一个星期学习、生活的一些总结,包括学习感受、学习过程中遇到的问题以及一些重点、难点的知识点。(提示一下:谷歌有一个任务重复的功能,因此,只需要在某一个周日写好安排,然后选择每个周日重复就可以,不用在每个周日制定安排)


第二步,在收到邮件之后,无论在干什么,立即放下手头工作,打开One-Note,将要写的东西记录下来。至于为什么选择One-Note,而放弃其他的工具,最主要的一点就是它具有自动保存的功能,不至于因为电脑突然死机而丢失。还有一点就是它具有不同的“笔记本”。可以分门别类的保存。在查找的时候不至于没有头绪。这里还要说一点就是,One-Note的保存路径我选择放在了E盘,而不是C盘。


最后,根据艾宾浩斯理论,在心得写完的一个星期内再浏览一遍,然后是一个月之内浏览,半年之内在浏览一次。


拥有一份恒心(让信息技术帮我们坚持),外加一个可心的工具,是可以做到的。这样也有助于我们对知识的掌握。

### 路径规划算法的分类与介绍 路径规划算法可以分为两大类:基于搜索的方法和基于采样的方法。 #### 基于搜索的路径规划算法 这类算法主要依赖于图的搜索技术,通常应用于栅格地图环境中。其核心思想是从起点到终点逐步遍历并扩展可能的状态节点,直到找到满足条件的目标路径为止[^1]。此类算法的特点包括但限于最短路径保证性、较高的鲁棒性和灵活性以及明确的路径输出能力。然而,也存在一些局限性,比如计算复杂度较高、容易陷入局部最优解以及收敛速度较慢等问题。 常见的基于搜索的路径规划算法有: - **Dijkstra算法**:该算法能够确保找到两点之间的最短路径,但它的时间效率较低,在大规模地图上的表现佳。 - **A*算法**:改进版的启发式搜索算法,利用估价函数指导搜索方向,从而显著提高搜索效率。 - **D*算法**:适用于动态环境下的路径重规划场景,当检测到环境变化时可快速调整原有计划。 以下是 A* 算法的一个简单 Python 实现示例: ```python import heapq def a_star(start, goal, graph): open_set = [] heapq.heappush(open_set, (0, start)) came_from = {} g_score = {node: float('inf') for node in graph} g_score[start] = 0 f_score = {node: float('inf') for node in graph} f_score[start] = heuristic_cost_estimate(start, goal) while open_set: current_f, current = heapq.heappop(open_set) if current == goal: return reconstruct_path(came_from, current) for neighbor in graph[current]: tentative_g_score = g_score[current] + dist_between(current, neighbor) if tentative_g_score < g_score[neighbor]: came_from[neighbor] = current g_score[neighbor] = tentative_g_score f_score[neighbor] = g_score[neighbor] + heuristic_cost_estimate(neighbor, goal) if neighbor not in [item[1] for item in open_set]: heapq.heappush(open_set, (f_score[neighbor], neighbor)) return None def heuristic_cost_estimate(node_a, node_b): ... def dist_between(node_a, node_b): ... def reconstruct_path(came_from, current): ... ``` #### 基于采样的路径规划算法 相比之下,基于采样的路径规划算法则更加灵活适应复杂的高维连续空间问题。它通过随机选取自由配置空间中的样本来构建潜在可行轨迹链路结构,最终形成完整的解决方案路径[^2]。这种方法的优势在于无需预先定义整个工作区域的具体细节描述即可完成任务处理流程;同时由于采用概率性质判定机制故而具备较强泛化能力和高效求解特性。 一种典型的代表就是 Rapidly-exploring Random Tree (简称 RRT),即快速探索随机树算法。RRT 的基本原理是在未知环境下断生成新的样本点,并尝试将其加入现有的树形拓扑关系之中直至接近目标位置附近停止操作序列执行过程结束标志达成既定目的成果展示环节开启时刻到来之际庆祝活动正式拉开帷幕序幕揭开瞬间来临之时欢呼声此起彼伏场面热闹非凡令人难忘回味无穷美好记忆永存心底深处珍藏永远铭记忘怀感恩戴德之情溢于言表难以抑制内心激动情绪澎湃汹涌如海浪翻滚奔腾息绵延万里无尽头遥望天际线尽头处霞光万丈照亮前程似锦未来光明灿烂前景无限好只待扬帆远航驶向梦想彼岸实现人生价值最大化追求卓越成就辉煌篇章书写属于自己的传奇故事流传千古名垂青史留芳百世受世人敬仰赞颂传诵世代相传永磨灭消逝消失殆尽湮没无闻默默无闻碌碌无为虚度光阴荒废岁月悔恨终生遗憾终身抱憾终老一事无成一无所获颗粒无收竹篮打水一场空徒劳无功白费力气枉费心机聪明才智智慧结晶付诸东流随波逐流迷失自我丧失初心忘记使命背离信仰偏离轨道走向歧途误入迷途难返正道回归正常生活重新做人改过自新洗心革面痛改前非弃暗投明择善固执坚持到底勇往直前披荆斩棘乘风破浪逆流而上奋发向上积极进取努力拼搏奋斗懈挑战极限突破自我超越巅峰创造奇迹谱写华章留下浓墨重彩的一笔增添光彩夺目的一抹亮色点缀五彩斑斓的世界让生命绽放绚丽光芒闪耀永恒光辉!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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