同盟军部分:
宇宙舰队总司令罗波斯元帅旗舰
アイアース
Aias或Ajax
艾亚斯
荷马史诗《伊利亚特》中俄琉斯之子,特洛亚战争中的希腊英雄。他的勇猛仅次于阿喀琉斯,在诸英雄中名列第二。
第二舰队派特中将旗舰
パトロクロス
Patroclus
波罗库斯
荷马史诗《伊利亚特》中阿基琉斯的好友,为特洛伊军的赫克托尔所杀。
第三舰队路菲普中将旗舰
ク・ホリン
Chu Chulainn
库·赫林
凯尔特传说中的英雄人物。
第四舰队培特雷中将旗舰
レオニダス
Leonidas
雷欧达
温泉关战役中斯巴达国王,率领三百斯巴达勇士据险对抗波斯大军,由于奸细带领波斯军绕到其后方,他和斯巴达军全部战死。
第五舰队比克古中将旗舰
リオ・グランデ
Rio grande
利欧·格兰特
西班牙语,直译为“大河”,泛指“大河”或是和宗教有关系的河。
第六舰队慕亚中将旗舰
ペルガモン
Pergamon
佩加蒙
古希腊城邦名,考古学家在其遗址上发掘出起很多文物,表明在公元前二、三世纪是这里是一个繁荣的城邦。
第七舰队赫伍德中将旗舰
ケツアルコアトル
Quetzalcoatl
凯兹阿尔克阿多尔
墨西哥阿兹特克神话中的光明之神,是一个多神格的神。
第八舰队阿普顿中将旗舰
クリシュナ
Krishna
克利什那
梵文“黑暗”的意思,这里是指黑天神,印度教认为,他是毗湿奴的第八个化身,是诸神之首。
第九舰队亚尔·沙列姆旗舰
パラミデュース
Palamedes
帕拉梅德斯
荷马史诗《伊利亚特》中希腊军队中最有见识的英雄。他勤恳、聪明、正直、坚定,而且长得俊美,能唱善弹。正是由于他的辩才才使全希腊的大多数王子赞同远征特洛伊。
第十舰队伍兰夫中将旗舰
バン・クゥ
Bang-goo
盘古
这个不用解释吧。
第十一舰队鲁格拉希中将旗舰
レオニダス II
Leonidas II
雷欧达II
见第四舰队旗舰“雷欧达”
第十二舰队波罗汀中将旗舰
ペルーン
Perun
佩伦
古代斯拉夫神话中的雷神兼勇士保护神,传说他在天上驾车用带火的箭射杀恶魔,所以才有雷鸣电闪。
第十三舰队杨少将旗舰
ヒューベリオン
Hyperion
休伯利安
天界主神Uranus和Gaea的儿子,太阳神Helios、月神Selene、黎明之神Eos的父亲,后被认为即Apollo神。
伊谢尔伦驻留舰队杨上将旗舰(第八次伊谢尔伦攻防战期间)
レダII
Leda II
瑞达二号
希腊神话《利达与天鹅》中的女主角,原是一个王妃,被化身成天鹅的宙斯所诱,生下了特洛伊战争的女主角海伦。
“杨非正规军”杨元帅旗舰
ユリシーズ
Ulysses
尤里西斯
荷马史诗《伊利亚特》中希腊的大将,以智略老成著称。
第十四舰队莫顿中将旗舰
アキレウス
Achilles
阿奇利沃斯
荷马史诗《伊利亚特》中希腊的第一猛将。
第十五舰队卡尔先中将旗舰
ディオメデス
Diomedes
狄奥梅狄司
荷马史诗《伊利亚特》中希腊的猛将。
分舰队雅拉肯少将旗舰
マルドゥーク
Marduk
玛尔杜克
古代巴比伦人的主神,原为巴比伦的太阳神。
伊谢尔伦驻留舰队分舰队古严·巴恩·休(阮文绍)少将旗舰
マウリア
Mauria
茉莉亚
古代印度王朝名,其意为“孔雀”。
分舰队沙尼亚准将旗舰
ベレノス
Belenus
贝连那斯
凯尔特人神话中的太阳神。
分舰队马里涅汀准将旗舰
ロスタム
Rustam
鲁斯坦
波斯大诗人菲尔多西所著的英雄史诗《王书》中的英雄。
伊谢尔伦驻留舰队分舰队亚典波罗少将旗舰
トリグラフ
Triglav
特里古拉夫
西斯拉夫人(波罗的海地区)神话中的军神。
“杨非正规军”分舰队亚典波罗中将旗舰
マサソイト
Massasoit
玛沙索特
美国感恩节故事中的印第安酋长,1620年当第一批新移民遭遇困难时,印第安人伸出援手,次年新移民回请他们的恩人,此为感恩节的由来。
伊谢尔伦驻留舰队分舰队费雪少将旗舰
アガートラム
Airgedlamh
阿尔格拉姆
凯尔特神话中的狩猎之神,同时也是预言之神和治愈之神,达努神族神祉Nuada的别名。
“杨非正规军”分舰队费雪中将旗舰
シヴァ
Shiva
希瓦
古印度神话中的破坏神湿婆。
伊谢尔伦驻留舰队分舰队马利诺准将旗舰
ムフウエセ
Muffuese
姆夫维瑟
印第安传说中的勇士,在母亲挨冻受饿的时候,他变成燧石生火取暖。
外传《螺旋迷宫》出场:
宇宙舰队总司令阿修比上将旗舰
ハードラック
Hardluck
哈德拉克
不幸、恶运、坏运气的意思。
第四舰队贾斯帕中将旗舰
ブリジット
Brigitte
布雷盖特
凯尔特神话中的三母神,分别司职智慧、金属工艺和治愈。
第五舰队渥利克中将旗舰
ルーカイラン(按英语读音应为ルーガイラン)
Lugeilan
鲁加里安
太平洋卡洛林群岛传说中的智慧之神。
第八舰队方秋林中将旗舰
ゴラ·ダイレン
Gora-daileng
戈拉-达伊陵
太平洋卡洛林群岛传说中的冥府之神,有罪之人死后会被其投入冥河中。
第九舰队贝尔迪尼中将旗舰
トラウィスカルパンテクートリ
Tlahuixcalpantecuhtli
(由于非常绕口,恕我不翻出来了)
墨西哥阿兹特克神话中的破坏神,代表金星。
第十一舰队柯布中将旗舰
ヴィヴァスヴァット
Vivasvat
维瓦斯瓦特(维婆斯婆特)
古印度吠陀神话中的太阳神之一。
外传《达贡星域会战》出场:
总司令官林帕欧(Lin Pao)中将旗舰
サンタイサベル
Santa Isabel
山塔沙贝尔(圣伊莎贝尔)
伊莎贝尔,西班牙女王,15世纪强大统一的西班牙的创造者,玩过大航海3的人应该知道。
外传《击碎星辰的人》出场
第十一舰队何兰多中将旗舰
エピメテウス
Epimetheus
艾普米修斯
不像他的兄弟普罗米修斯,艾普米修斯被认为是个很愚蠢的神,他的名字是“后知后觉”的意思。她的妻子就是潘多拉。当宙斯让他和普罗米修斯创建人类的时候,他竟接受魔盒,把邪恶带给了人间。
相关推荐
万人睡眠健康与生活方式调查数据集
成年人群睡眠健康与生活方式研究数据集,合成模拟10000行20列单CSV文件,睡眠障碍标记人群占比约四分之一。设置双预测目标:睡眠障碍二分类字段与日间疲劳得分回归字段,可分别开展分类与回归建模。特征字段涵盖年龄、性别、十一种职业类别、每周工作时长、轮班工作标记、自我压力评分、身体质量指数BMI、吸烟状态、每周饮酒量、每日咖啡因摄入毫克数、睡前一小时屏幕使用时间、每周运动分钟数、日均步行数、静息心率、习惯就寝时间点、平均睡眠时长、睡眠质量自评等二十项。数据完整无缺失,结果列与特征列分离清晰,便于目标泄漏防范练习。适用场景:睡眠障碍预测建模、日间疲劳程度回归分析、咖啡因与睡前屏幕对睡眠时长的影响量化、不同职业群体睡眠质量对比研究、逻辑回归与梯度提升模型对比实战等。合成数据不含真实个人信息,适合健康数据分析教学、特征工程练习与机器学习课程实训项目使用。
银河英雄传说旗舰名称考证—帝国军
银河英雄传说旗舰名称考证—帝国军
FANUC-R2000iC165F-六轴机械臂码垛仿真
FANUC_R2000iC165F_六轴机械臂码垛仿真
[ NOI 2002 ] 银河英雄传说
\(\\\) Description 有 \(n\) 列战场,每一列一开始只有一个战舰,编号就是对应的战场编号。 有 \(m\) 次操作: \(M_{i,j}\) :把 \(i\) 所在的一整列接在 \(j\) 所在的一列的最后面。 \(C_{i,j}\) :查询 \(i,j\) 是否在同一列里,若在的话输出两者之间隔了多少个战舰。 注意每一列战场的战舰都是排成一列的。 \(\\\) S...
frontend-design skills
frontend-design skills
政府科技管理者在推动区域科技成果转化过程中,如何解决成果供需匹配效率低的问题?.docx
政府科技管理者在推动区域科技成果转化过程中,如何解决成果供需匹配效率低的问题?
银河英雄传说
有一个划分为N列的星际战场,各列依次编号为1,2,…,N。 有N艘战舰,也依次编号为1,2,…,N,其中第i号战舰处于第i列。 有T条指令,每条指令格式为以下两种之一: 1、M i j,表示让第i号战舰所在列的全部战舰保持原有顺序,接在第j号战舰所在列的尾部。 2、C i j,表示询问第i号战舰与第j号战舰当前是否处于同一列中,如果在同一列中,它们之间间隔了多少艘战舰。 现在需要你编写一个程序,处...
用于计算系统状态的卡尔曼最优增益和最小均方误差(MMSE)估计研究(Matlab代码实现)
内容概要:本文围绕用于计算系统状态的卡尔曼最优增益和最小均方误差(MMSE)估计展开研究,深入探讨了卡尔曼滤波在动态系统状态估计中的核心作用。文章系统阐述了卡尔曼滤波的数学基础,包括状态空间模型的建立、先验与后验状态估计、协方差矩阵的递推更新,以及最优增益矩阵的推导过程,确保在高斯白噪声环境下实现对系统状态的最小均方误差估计。结合Matlab代码实现,完整展示了算法从理论建模到仿真实验的全流程,涵盖系统建模、噪声设置、滤波迭代、状态更新与误差分析等环节,并通过仿真实验验证了算法在噪声干扰下对系统真实状态的高精度跟踪能力。该研究为控制工程、导航系统、信号处理及自动化领域中的状态估计问题提供了坚实的理论依据与高效的数值实现方案。; 适合人群:具备一定控制理论、概率统计基础和Matlab编程能力,从事自动化、电子信息、航空航天、机器人、导航定位等相关领域的科研人员、工程技术人员及高校研究生。; 使用场景及目标:①掌握卡尔曼滤波的基本原理及其在状态估计中的数学推导过程;②学习如何利用Matlab实现卡尔曼滤波算法并进行系统仿真与性能评估;③应用于目标跟踪、传感器融合、惯性导航、故障诊断、时间序列预测等实际工程中的动态状态估计问题。; 阅读建议:建议读者结合文中提供的Matlab代码进行动手实践,通过调整系统模型参数、过程噪声与观测噪声强度,观察滤波效果的变化,深入理解卡尔曼增益的自适应调节机制与MMSE估计的收敛特性。同时可进一步拓展学习扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)等非线性滤波方法,以应对更复杂的非线性系统状态估计挑战。
大数据Spark(八十五):Stage及Spark计算模式
本文详解Spark中Stage的划分机制与Pipeline计算模式。Stage依据RDD宽依赖(Shuffle)划分为ShuffleMapStage和ResultStage,同一Stage内通过迭代器串联多个RDD,实现数据内存流转,减少落盘开销,提升效率。并行度由最后一步RDD的分区数决定,可通过Shuffle算子调优。结合SparkUI可直观分析性能瓶颈,是优化作业的关键基础。
高校技术转移办公室人员如何提升成果转化服务效率?.docx
科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。
国央企创新负责人如何利用平台实现技术需求的精准挖掘与匹配?.docx
科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。
16周全【Harness&Hermes】多智能体开发特训营
2026年的AI开发者圈子里,几乎没有人再怀疑多智能体的价值。Gartner预测年底40%的企业应用将内置智能体,LangChain、AutoGen、CrewAI等框架轮番登场,演示视频里的AI团队分工明确、配合流畅。然而,一个尴尬的现实是:大多数开发者手里跑通的多智能体项目,停留在Jupyter Notebook的最后一行。一旦试图把它塞进真实业务环境,问题便如潮水般涌来——长任务跑到一半崩了要重来,智能体之间的消息黑盒般不可追溯,换个场景就得推倒重写,上线之后连“刚才那次调用为什么花了三倍的钱”都查不出来。 这正是【Harness&Hermes】多智能体开发特训营试图回应的命题。它的切入点不在“再教你写一个Demo”,而在于一个更朴素却更稀缺的能力:让多智能体系统从演示玩具变成可交付、可运维、可演进的生产资产。 要理解这门课的价值,得先看清多智能体开发当前的断层在哪里。单Agent时代,提示词写得好、API调得通,基本就能交差。但多Agent协作的本质是编排:谁负责拆解需求,谁负责执行,谁负责校验,上下文如何在角色之间传递而不丢失,某个环节出错时整条链路如何回退。这些问题的难度不在模型能力,而在工程控制。市面上不缺讲LangGraph节点怎么连、RAG检索怎么做的教程,缺的是把“多个智能体在真实业务压力下稳定协作”这件事讲透的人。 Harness与Hermes的分工,恰好对应了工程控制的左右手。根据课程的设计逻辑,Harness管“流程”,Hermes管“记忆与进化”。Harness 负责长任务的流程治理:一个面试模拟流程跑了二十分钟,中途用户关掉页面,下次打开能不能接着上次的进度继续?某个Agent调用工具超时了,整条链路是崩溃还是优雅降级?线上出了问题,日志能不能精确到“第几轮对话、哪个Agent、调了什么工具、花了多少token”。这些听起来不性感,但任何一
自适应多机器人编队规划,以包围和跟踪具有运动和可见性约束的目标(Matlab代码实现)
内容概要:本文提出了一种自适应多机器人编队规划方法,旨在实现对具有运动能力和可见性约束目标的高效包围与持续跟踪,采用Matlab进行算法实现与仿真验证。该方法综合考虑了多机器人系统在动态环境中的协同控制、编队形态生成与保持、障碍物规避以及目标可见性维护等关键问题,通过设计分布式控制律使编队能够根据目标行为和环境变化自适应调整队形与运动轨迹,确保稳定包围并最大化目标观测质量。文中详细阐述了系统的数学建模过程、控制策略设计原理及约束处理机制,并提供了多场景下的仿真实验结果,验证了所提方法在复杂条件下的鲁棒性、灵活性与有效性。; 适合人群:具备自动化、机器人学、控制理论或人工智能等相关领域基础知识的科研人员及研究生,熟悉Matlab编程环境并致力于多智能体系统、协同控制、路径规划或智能无人系统研究的专业人士。; 使用场景及目标:①应用于多机器人系统在监视、围捕、搜救等任务中对移动目标的协同包围与跟踪控制;②为研究分布式编队控制、可见性优化、动态避障与多智能体协同决策等核心技术提供可复现的算法实例与理论支撑; 阅读建议:建议读者结合提供的Matlab代码逐模块分析算法实现细节,重点关注控制律设计、约束建模与仿真结果对比部分,宜在仿真环境中调整参数配置以深入理解系统性能边界与优化潜力。
产业园区运营负责人如何利用数据智能化提升科技资源配置效率?.docx
科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。
考虑风光火储+需求响应+P2G多能源系统NSGA-II多目标优化调度(Matlab代码实现)
考虑风光火储+需求响应+P2G多能源系统NSGA-II多目标优化调度(Matlab代码实现)内容概要:本文介绍了基于NSGA-II多目标优化算法对包含风能、光伏、火电、储能系统、需求响应及电转气(P2G)等多种能源形式的综合能源系统进行优化调度的研究,采用Matlab进行代码实现。研究综合考虑了系统运行成本、碳排放、能源利用率等多个优化目标,通过建立精确的数学模型,结合可再生能源出力不确定性、负荷波动以及需求响应机制,实现多能源协同调度的帕累托最优解集求解,旨在提升能源系统的经济性与环保性,并验证所提方法的有效性和实用性。; 适合人群:具备一定电力系统、优化算法及Matlab编程基础的研究生、科研人员以及从事能源系统规划与运行相关工作的工程技术人员。; 使用场景及目标:①应用于多能源互补的综合能源系统优化调度研究;②为实现低碳、高效、可靠的能源供应提供决策支持;③学习和掌握NSGA-II算法在复杂多目标优化问题中的实际应用方法。; 阅读建议:建议读者结合Matlab代码与文中模型描述逐步理解算法实现流程,重点关注目标函数构建、约束处理及Pareto解集的生成与分析,有条件者可进一步修改参数或扩展模型以深化理解。
智能音箱麦克风阵列实战:Python实现宽带GSC波束形成(附完整代码)
本文从工程实战角度,详细介绍了如何在智能音箱中利用Python实现宽带GSC波束形成算法。文章深入解析了广义旁瓣消除器(GSC)的核心架构,包括固定波束形成、阻塞矩阵与自适应滤波路径,并提供了完整的仿真代码、关键参数(如LMS步长)调优方法,以及面向嵌入式部署的计算优化与移植考量,旨在帮助开发者构建在真实噪声环境下高效工作的语音增强系统。
1万+



被折叠的 条评论
为什么被折叠?



