最后总结一下(生成可执行文件,问题总结,未来优化)

本文介绍了使用pyInstaller生成可执行文件的过程及遇到的问题,包括如何跨平台发布、多选功能限制及GUI界面优化等。

生成可执行文件:
为什么要实现GUI呢,是因为想让任何人都可以用啊,所以至少得实现一个可执行文件吧!
所以最后,我用pyInstaller来实现找个功能

pip install pyinstaller

用法:
pyinstaller的语法:

pyinstaller [options] script [script …] | specfile

最简单的用法,我们直接在项目目录下输入:
pyinstaller -F GUI.py
会发现dist下面只有一个可执行文件,这个exec文件就可以发布了,可以运行在当前操作系统下面。
缺点就是如果是mac就不能生产exe的文件。需要在windows下面才能生产exe的文件。

问题总结:
总的来说还是有很多问题需要解决:
1.在选课提交的data中课程的value值只能在网页源代码中实现,不知道这个value怎么找
2.选课提交的post请求中,如果一次性选择了多门课程,可以看到post请求会生成多个一样的checkbox,说明无法将这些一起存在字典中(因为key值的问题)
{checkbox:20180
checkbox:20181
checkbox:20182
checkcode:1234}
所以目前只可以选择一门课来刷,要选择多门课程倒是可以多开几个线程来实现,就是感觉有些麻烦

未来优化:
验证码识别的优化(可以用机器学习来尝试)
GUI界面优化(我觉的可以用web来代替,跨平台就是好。当然如果选课系统变成了内网就尴尬了,这也是为啥我要用GUI)
用户输入合法性判断(懒)

总结中的总结:
终于把这个笔记写完了=。=发现还是有很多的问题需要解决,毕竟调试时间只有选课时间才可以,所以这一次就只能暂时做到这里了。

内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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