精力管理8—正视现实


全情投入和最优表现取决于调动积极精力的能力。

面对现实让我们有机会理解和应对负责情感,而不是漫不经心地应付掉。要想变得高效,我们必须诚实面对生活中最痛苦的事实和冲突,同时怀抱希望和积极精力投入生活,最终在上述两者之间找到平衡。

有些情况下,刻意忽视某些真实的信息会很有帮助。运动员必须把全部精力放在任务上才能赢得比赛。这需要他暂时放下对家人的担忧,隐隐作痛的膝盖,甚至是对技能水平的不自信。放下令人注意力分散的事情,对于在工作中取得成功也是必要条件。当你需要全情投入某项任务而非故意逃避时,放下焦虑和成见会产生有益的效果。选择性忽视并不总是代表否认和逃避困难,相反,它可以成为一种策略,暂时搁置,以便在更加合适的时机处理。

1、防御系统

我们经常在周围的人身上看到愤怒、憎恨、傲慢或贪婪,却很少承认这些情绪也存在于我们的内心。

诚实地看待自己的行为仅仅是第一步,为自己的选择负起责任同样重要。我们必须认识到事实并且采取相应的行动,才算是认清了事实。

2、影子中的自我

若困在狭隘的自我视角中,我们也不会注意到或有意培养自己的能力。我们或许可以尽力压制自己令人反感的一面,但同时也很难认可自己的优秀品质。面对现实也包括认可并欣赏自己的长处。

我们只有满怀震惊地看到真实的自己,而不是看到我们希望或想象中的自己,才算迈向个人生活现实的第一步。

3、未察觉的事实

面对长期的需求,人们很容易进入一种长期的暗暗焦虑和轻度不满的状态,并将其当作常态,几乎忘却了其他感觉。或者,我们进入了否认或麻木阶段,说服自己一切都很好,即使我们已经被自己的应急选择拖入长期的自毁状态。比如把工作中遇到的麻烦统统归咎于老板对自己不够关心和不景气的经济环境,用时间不受控来解释自己为何不锻炼、饮食不规律、不陪伴孩子。

4、观点与现实

自我欺骗的另一种形式,便是认定自己的观点就是事实。实际上观点不过是一种解读,是我们自主选择的看待事物的角度。如果没有意识到这一点,人们就会围绕片面的“事实”进行二度创作,最终将自己的版本当作事实,然而,看似真实的东西未必真实。

5、我也可能是错的

在《基业长青》一书,吉姆·柯林斯和一组研究员分析了多位CEO的性格品质,这些管理者的公司在近几年都有飞速增长。令柯林斯感到惊奇的是,最成功的企业并非是由最有魅力或最聪明的领导者打造的,但成功企业的领导人都完美地融合了两种看似矛盾的品质:坚定的决心和谦逊

从一定程度上看,他们的谦逊给予了他人成长的空间。他们本能地意识到,任何大型公司的成功都取决于是否给予员工归属感,是否让他们感觉自己受到重视和有价值。真诚的谦逊也使得这些领导者更容易包容异见,承认自己的想法未必一贯正确。他们拥有足够的自信,即使偶尔犯错也无损于他们的形象。如果我们不在维持表象上投入过多精力,就更有可能看清事实和真相,从中学习和成长

6、我怎么会是那样的人

虽然听上去很难接受,但是有的人会让我们看到自己最想隐藏的一面,而我们对这些人往往抱有最大的敌意。

正如我们必须回到健身房,超越抗拒心理,练习举重以增强或保持体力,我们也必须坚持正视自己不愿意看到的一面以增强思维、情感和精神的能力。

由于人们的自我价值感脆弱易碎,面对不愿承认的自我会觉得受到了威胁。我们要带着勇气跳入未知的世界,也要理解自己不愿面对事实。我们必须有意朝真相的方向前进,明白自我保护意识有时会拖累我们的步伐。只要我们理清视野,就会看清面对的阻碍。直面人生中最艰难的真相是种挑战,也是种解脱。当我们不再需要遮遮掩掩,就不再畏惧暴露自己。大量的精力得以释放,用于全情投入生活,拥抱自己的力量并持续加强锻炼。即便走了弯路,我们也可以承担起责任,重新调整轨道。

基于python实现的粒子群的VRP(车辆配送路径规划)问题建模求解+源码+项目文档+算法解析,适合毕业设计、课程设计、项目开发。项目源码已经过严格测试,可以放心参考并在此基础上延申使用,详情见md文档 算法设计的关键在于如何向表现较好的个体学习,标准粒子群算法引入惯性因子w、自我认知因子c1、社会认知因子c2分别作为自身、当代最优解和历史最优解的权重,指导粒子速度和位置的更新,这在求解函数极值问题时比较容易实现,而在VRP问题上,速度位置的更新则难以直接采用加权的方式进行,一个常见的方法是采用基于遗传算法交叉算子的混合型粒子群算法进行求解,这里采用顺序交叉算子,对惯性因子w、自我认知因子c1、社会认知因子c2则以w/(w+c1+c2),c1/(w+c1+c2),c2/(w+c1+c2)的概率接受粒子本身、当前最优解、全局最优解交叉的父代之一(即按概率选择其中一个作为父代,不加权)。 算法设计的关键在于如何向表现较好的个体学习,标准粒子群算法引入惯性因子w、自我认知因子c1、社会认知因子c2分别作为自身、当代最优解和历史最优解的权重,指导粒子速度和位置的更新,这在求解函数极值问题时比较容易实现,而在VRP问题上,速度位置的更新则难以直接采用加权的方式进行,一个常见的方法是采用基于遗传算法交叉算子的混合型粒子群算法进行求解,这里采用顺序交叉算子,对惯性因子w、自我认知因子c1、社会认知因子c2则以w/(w+c1+c2),c1/(w+c1+c2),c2/(w+c1+c2)的概率接受粒子本身、当前最优解、全局最优解交叉的父代之一(即按概率选择其中一个作为父代,不加权)。
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