《深度思维》-摘录

本文探讨了深度思维的重要性,包括理解复杂的因果链、切换视角和处理大量信息的能力。同时,介绍了可视化思维作为扩展人类工作记忆的有效工具,如艾森豪威尔矩阵和安索夫矩阵。强调了专注的力量以及二八定律在个人成长中的应用,提倡通过持续努力抓住人生中的机会。

深度思维:

拥有较长的思维逻辑链,能够认知较长的因果链条;

能够突破自我中心的局限,灵活切换看待问题的视角;

能够处理较大的信息量,在杂乱的信息流中保持思维能力;

能够在宏观视角上分析问题,认知事物所处的生态的特性、事物的长期趋势等。

可视化思维

根据目前的心理学研究,一般人的工作记忆上限是三四个信息单位,即你顶多暂时存储三四个信息单位,再多就记不住了。

电脑内存不够了,我们可以把电脑拆开,然后加个内存条;大脑的内存不够用,我们没法把大脑打开,但我们可以加一个外部缓存——可视化思维方法。

什么是可视化思维?

■可视化思维是指,将各种信息(包括任务的原始信息、你推演出的临时信息、你大脑中已有的信息)以看得见的形式集中存储在某个平面上——纸张、黑板、电脑屏幕等,储存的信息往往是文字和图形的混合体。

矩阵分析法 可视化思维的典型,多维度分析的利器
艾森豪威尔矩阵

美国前任总统艾森豪威尔创造了一个时间管理理念,他认为事情应该按照是否紧急、是否重要两个维度分为四大类:重要且紧急的、重要不紧急的、紧急不重要的、不紧急不重要的。

艾森豪威尔认为,重要事情一般不紧急,紧急的事情一般不重要,所以大部分时间应该做那些重要而不紧急的事情,不做那些既不重要又不紧急的事情,并尽量减少紧急而不重要的事情或交由他人去做。
在这里插入图片描述

安索夫矩阵

安索夫矩阵是应用最广泛的战略分析工具之一,它由策略管理之父安索夫提出。

安索夫认为,企业发展时,要考虑以下两个维度的因素:

你要生产什么产品以及你要进入什么市场。

由此分化出四种发展战略:

使用单一产品,进入单一市场,称为市场渗透;

使用单一产品,进入多个市场,称为市场开发;

使用多个产品,服务一个市场,称为产品延伸;

使用多个产品,服务多个市场,称为多元经营。

安索夫指出,企业发展的合理战略规划应该是按如下顺序依次进行:
在这里插入图片描述

埃森豪威尔矩阵的延伸-策略师时间矩阵

在这里插入图片描述

与艾森豪威尔矩阵不同,策略师时间矩阵的指导思想是:越重要的事情越先做,越简单的事情越先做。

“容易”这个原则还可以细分。我用两个维度来衡量容易:耗时度,技术难度。耗时越短的事情越容易,技术难度越低的事情越容易。

重要度分为三个方面:损益程度、影响广度、扩散度。

损益程度代表这件事情做了有多大好处;影响广度代表这件事情能够影响多少人事物;扩散度代表这件事情后续会造成多少多米诺骨牌式的连带效应。扩散度一定程度上涵盖了原艾森豪威尔矩阵的紧急度——显然,紧急的事情没做,后续就可能产生负面的连带效应。

专注

对于没有背景、缺乏资源的人来说,专注,几乎是唯一的出路。

专注,就是把你(几乎)所有的时间、精力、资源等,都投入到一件事情上去,而不要分散到多个地方。

长时间专注于一件事情,似乎效率很低,人生进展得很慢,不够精彩。但对于普通人来说,慢即是快,专注才是最好的选择。

资源投入与收入水平的关系也不是一条直线,而是类似于一条增长更慢的S曲线:

在这里插入图片描述

可以看到,当你最初投入一些资源的时候,你的能力水平并没有得到飞速提升,更无法因此获得收入。即便再投入一点资源进入快速提高区间,获得了一定的能力成长后,其收入水平也非常一般。只有当投入了大量资源进入高原期以后,收入水平才能迎来真正的大幅增长。

二八定律:

在快速提高区间的最后一部分,水平的成长会进入瓶颈,无法再快速提高了。后面的每一点点增长都对应着艰辛的付出和卓绝的努力,这不免让人怀疑,值得吗?根据二八定律,80%的技术内容能够通过20%的时间获得,而剩下少量的20%内容,却需要耗费80%的时间!随着学习效率越来越低下,很多人感到太累了,不愿意继续艰苦的进步。

平均来讲,人的一生每3年就会有一次机会。3年这个数据是经过社会检验的,比如工作2-3年后,初级管理职位是一次机会;工作3-4年后,中级管理职位是一次机会;再过3-5年资源成熟,创业是一次机会……总之,平均3年一次机会,持续努力等来15次机会,即是45年。持续努力45年,即便你一开始很平庸,最后有所成就的概率也有80%了。更何况,这还是假设你每次的失败率高达90%呢。如果失败率只有80%又会怎样?如果是50%又会怎样?这个胜率是非常高的了。

在漫长一生的时间尺度上,错失了一次机会不是问题,眼前暂时不能解决的困难不是问题,走错了一两步路不是问题,只要你在持续努力。命运啊,你在天上俯首嘲笑我的渺小,我在地上默默地忍啊,熬啊,总有一天要耗死你。

提供了基于BP(Back Propagation)神经网络结合PID(比例-积分-微分)控制策略的Simulink仿真模型。该模型旨在实现对杨艺所著论文《基于S函数的BP神经网络PID控制器及Simulink仿真》中的理论进行实践验证。在Matlab 2016b环境下开发,经过测试,确保能够正常运行,适合学习和研究神经网络在控制系统中的应用。 特点 集成BP神经网络:模型中集成了BP神经网络用于提升PID控制器的性能,使之能更好地适应复杂控制环境。 PID控制优化:利用神经网络的自学习能力,对传统的PID控制算法进行了智能调整,提高控制精度和稳定性。 S函数应用:展示了如何在Simulink中通过S函数嵌入MATLAB代码,实现BP神经网络的定制化逻辑。 兼容性说明:虽然开发于Matlab 2016b,但理论上兼容后续版本,可能会需要调整少量配置以适配不同版本的Matlab。 使用指南 环境要求:确保你的电脑上安装有Matlab 2016b或更高版本。 模型加载: 下载本仓库到本地。 在Matlab中打开.slx文件。 运行仿真: 调整模型参数前,请先熟悉各模块功能和输入输出设置。 运行整个模型,观察控制效果。 参数调整: 用户可以自由调节神经网络的层数、节点数以及PID控制器的参数,探索不同的控制性能。 学习和修改: 通过阅读模型中的注释和查阅相关文献,加深对BP神经网络与PID控制结合的理解。 如需修改S函数内的MATLAB代码,建议有一定的MATLAB编程基础。
基于遗传算法的新的异构分布式系统任务调度算法研究(Matlab代码实现)内容概要:本文研究了一种基于遗传算法的新型异构分布式系统任务调度算法,并提供了Matlab代码实现。文章重点围绕异构环境中任务调度的优化问题,利用遗传算法进行求解,旨在提高资源利用率、降低任务完成时间并优化系统整体性能。文中详细阐述了算法的设计思路、编码方式、适应度函数构建、遗传操作流程及参数设置,并通过仿真实验验证了该算法相较于传统方法在调度效率和收敛性方面的优越性。此外,文档还列举了大量相关领域的研究案例和技术应用,涵盖电力系统、路径规划、车间调度、信号处理等多个方向,体现出较强的技术综合性与实践价值。; 适合人群:具备一定编程基础和优化算法知识的研究生、科研人员及从事智能优化、分布式系统调度、电力系统、自动化等相关领域的工程技术人员。; 使用场景及目标:①解决异构分布式系统中的任务调度优化问题;②学习遗传算法在实际工程问题中的建模与实现方法;③为科研项目提供算法参考与代码复现支持;④拓展多领域交叉应用的研究思路。; 阅读建议:建议读者结合Matlab代码深入理解算法实现细节,重点关注适应度函数设计与遗传操作流程,并尝试在不同场景下调整参数以观察性能变化。同时可参考文中列出的相关研究方向进行延伸探索,提升综合应用能力。
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