自考总结(五)

博主分享第五次自考《计算机网络原理》的经历。起初不情愿学,书文字多不想看,但坚持看完收获大。强调学习要多看书、思考理解,不懂可请教或查资料。还提到受老师影响,看书不划重点,理解原理更重要,不过方式因人而异。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

  嗯,这是第五次自考了。什么意思呢,也就是说还剩下最后一科,自考就算考完了。这次考的科目是《计算机网络原理》,有一定难度,但是大部分内容还是很好理解的。
  刚开始学这本书的时候,我是很不情愿的,但是谁让在学专业课的时候没有好好听老师讲呢?到现在还需要自己重新学习一遍,落下的总是要补的,欠下的总归要还的。刚开始看这本书的时候,300页,说多也不多,但是书中经常是一整页一整页的文字,实在没有想看下去的冲动。
  虽然不想看,但每天看一点儿,每天看一点儿,好歹最后也算看完了。看完之后,收获很大,从前没有好好学的知识,现在差不多也都明白了。什么事都一样,看书也是,在没有做这件事之前,总觉得这件事对自己来说很难,但是只要我们硬着头皮做完了,回过头来是一身轻松。最后考试的题很简单,成绩出来也还不错,意料之中。
  说了这么多,以上都是一些废话,发表一下自己的感慨。其实在学习的过程中,还是要多看书,“书读百遍,其义自见”,老祖宗的话是十分有道理的。当然在看书的过程中,需要我们不断的去思考、去理解,如果看一遍看不懂,那就再看一遍,还不懂,再看一遍,书中的大部分内容是在看了两三遍之后就可以理解的,当然还有一些内容,可能超出了我们的认知范围,这时候就可以向一块儿学习的小伙伴请教,或者上网去查一些资料,通过别人的讲解来帮助自己理解。
  每次考试,老师总是会向我们强调那些学习方法,这些我们已经耳熟能详了,但是最重要的还是需要我们私底下去好好看书、好好学习,如果我们不学习,考试的时候也没有底气。
  还有一点儿就是我受老师的影响,看书的时候不会在书上划“重点”,因为有一些知识通常需要我们通过看上下文来理解文中表达的意思,如果我们把认为“重点”的内容画下来,可能下次看的时候只去关注自己划过的地方。因为我们通常画的地方是结果,就像数学公式一样,只记公式当然是记不住的,如果我们明白了公式的原理,那么过多久也不怕忘记,我们还要理解它是怎样一步步演变过来的。当然这种方式也并不是适合每一个人,还是需要看自己情况而定。

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 20
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