JavaSE_chyjava基础汇集，各种demo测试，基于jdk1.8基本（java基础）集合（集合）数据结构（datastructure）套接字（套接字服务）第三方（第三方-ocr-ffmpeg）时间（日期相关）设计模式设计观察者模式实际上就是发布订阅模式，发布者发布信息，订阅者获取信息，订阅了能够收到信息，没订阅就收不到信息。
代理模式总体而言设计模式分为三大类创建型模式，共五种：工厂方法模式，抽象工厂模式，单例模式，建造者模式，原型模式。
结构型模式，共七种：适配器模式，装饰器模式，代理模式，外观模式，转换器模式，组合模式，享元模式。
行为类型模式，共十种：策略模式，模板方法模式，观察者模式，迭代子模式，责任链模式，命令模式，注释模式，状态模式，访问者模式，中介者模式，解释器模式。
其实还有两类：并发型模式和线程池模式。
用一个图片来整体描述一下

数值迭代算法基本原理，及其Matlab具体实现，内附一具体实例，绝对货真价实。

本书系统阐述了矩阵计算这门学科的基础理论、基本方法和近十几年来发展成熟并得到了广泛应用的新成果。
内容包括：矩阵知识的复习和补充，矩阵计算概论；
求解线性方程组的直接法和迭代法，线性最小二乘问题，共轭梯度法；
求解特征值问题的QR方法和同伦方法；
Lanczos方法以及求解Jacobi矩阵特征值反问题的正交约化方法等。
本书取材上，既注重基础理论的严谨性、方法的实用性，又保持了内容的新颖性，反映了该学科的最新进展。
本书内容自封，各章之间相对独立，可适用于不同读者的需要。
本书可作为计算数学、应用数学等有关专业高年级大学生和研究生的教材或教学参考书，也可供从事科学计算的数学工作者、工程技术人员和高校有关专业的高年级大学生和教师参考。

使用MATLAB编写的雅可比迭代法的程序，可以自适应所有阶函数，传入系数矩阵和y即可返回结果。

ldpc的译码迭代算法，这里仅包含ms算法，下载请注意。

简单的遗传算法，计算函数最值.functionga_main()%遗传算法程序%n--种群规模%ger--迭代次数%pc---交叉概率%pm--变异概率%v--初始种群（规模为n）%f--目标函数值%fit--适应度向量%vx--最优适应度值向量%vmfit--平均适应度值向量clearall;closeall;clc;%清屏tic;%计时器开始计时n=20;ger=100;pc=0.65;pm=0.05;%初始化参数%以上为经验值，可以更改。
%生成初始种群v=init_population(n,22);%得到初始种群，22串长，生成20*22的0-1矩阵[N,L]=size(v);%得到初始规模行，列disp(sprintf('Numberofgenerations:%d',ger));disp(sprintf('Populationsize:%d',N));disp(sprintf('Crossoverprobability:%.3f',pc));disp(sprintf('Mutationprobability:%.3f',pm));%sprintf可以控制输出格式%待优化问题xmin=0;xmax=9;%变量X范围f='x+10*sin(x.*5)+7*cos(x.*4)';%计算适应度，并画出初始种群图形x=decode(v(:,1:22),xmin,xmax);"位二进制换成十进制，%冒号表示对所有行进行操作。
fit=eval(f);%eval转化成数值型的%计算适应度figure(1);%打开第一个窗口fplot(f,[xmin,xmax]);%隐函数画图gridon;holdon;plot(x,fit,'k*');%作图,画初始种群的适应度图像title('(a)染色体的初始位置');%标题xlabel('x');ylabel('f(x)');%标记轴%迭代前的初始化vmfit=[];%平均适应度vx=[];%最优适应度it=1;%迭代计数器%开始进化whileit＜=ger%迭代次数0代%Reproduction(Bi-classistSelection)vtemp=roulette(v,fit);%复制算子%Crossoverv=crossover(vtemp,pc);%交叉算子%Mutation变异算子M=rand(N,L)＜=pm;%这里的作用找到比0.05小的分量%M(1,:)=zeros(1,L);v=v-2.*(v.*M)+M;%两个0-1矩阵相乘后M是1的地方V就不变，再乘以2.NICE!!确实好！！！把M中为1的位置上的地方的值变反%这里是点乘%变异%Resultsx=decode(v(:,1:22),xmin,xmax);%解码，求目标函数值fit=eval(f);%计算数值[sol,indb]=max(fit);%每次迭代中最优目标函数值，包括位置v(1,:)=v(indb,:);%用最大值代替fit_mean=mean(fit);%每次迭代中目标函数值的平均值。
mean求均值vx=[vxsol];%最优适应度值vmfit=[vmfitfit_mean];%适应度均值it=it+1;%迭代次数计数器增加end

1stOpt(FirstOptimization)是七维高科有限公司（7D-SoftHighTechnologyInc.）独立开发，拥有完全自主知识产权的一套数学优化分析综合工具软件包。
在非线性回归，曲线拟合，非线性复杂工程模型参数估算求解等领域傲视群雄，首屈一指，居世界领先地位。
除去简单易用的界面，其计算核心是基于七维高科有限公司科研人员十数年的革命性研究成果【通用全局优化算法】(UniversalGlobalOptimization-UGO)，该算法之最大特点是克服了当今世界上在优化计算领域中使用迭代法必须给出合适初始值的难题，即用户勿需给出参数初始值，而由1stOpt随机给出，通过其独特的全局优化算法，最终找出最优解。
以非线性回归为例，目前世界上在该领域最有名的软件工具包诸如OriginPro，Matlab，SAS，SPSS，DataFit，GraphPad，TableCurve2D，TableCurve3D等，均需用户提供适当的参数初始值以便计算能够收敛并找到最优解。
如果设定的参数初始值不当则计算难以收敛，其结果是无法求得正确结果。
而在实际应用当中，对大多数用户来说，给出(猜出)恰当的初始值是件相当困难的事，特别是在参数量较多的情况下，更无异于是场噩梦。
而1stOpt凭借其超强的寻优，容错能力，在大多数情况下（大于90%)，从任一随机初始值开始，都能求得正确结果。
。

构建敏捷银行-平安银行信用卡中心转型案例；
摘要传统银行正面临多方的挑战，要在复杂多变的金融环境中获取竞争优势、快速做出响应、拥抱变化，构建敏捷银行是传统银行的一条出路。
但对于传统银行而言，要转变给成敏捷银行，存在很多的障碍，具体到银行的研发侧，存在组织“烟囱”，等待时间长，移交过程多；
需求沟通时间长，决策层级多；
只关注按期交付却很少聚焦交付的价值、团队不被激励等问题成功要点因而在银行的敏捷转型中，从整个组织上，需要改变中高层领导的思维方式，构建垂直化组织架构，形成跨职能团队和新的考核机制，建立业务实验机制，提升组织管理的透明度，并组建组织内部的教练团队以持续改进；
在研发侧，要通过改变研发和业务的协作方式、简化研发业务接口，形成开发流程节奏和需求结构，提升交互速度，以支持业务及整体的敏捷运营。
同时，转型的过程也是一个快速迭代反馈的过程。
从实施效果看，在研发侧，提升了需求完成率、减低了需求交付时间和缺陷率，需求的交付时效提升50%以上；
在业务侧，促进了产品创新、减少了上市时间、提升了客户满意度等各项业务指标。
2018年上半年信用卡的发卡量同比去年同期上升了81.2%。

Spark是UCBerkeleyAMPlab所开源的类HadoopMapReduce的通用的并行计算框架，Spark基于mapreduce算法实现的分布式计算，拥有HadoopMapReduce所具有的优点；
但不同于MapReduce的是Job中间输出和结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的mapreduce的算法。
其架构如下图所示：Spark的中间数据放到内存中，对于迭代运算效率更高。
Spark更适合于迭代运算比较多的ML和DM运算。
因为在Spark里面，有RDD的抽象概念。
Spark比Hadoop更通用。
Spark提供的数

为了提高立体匹配效率和获得高精度的亚像素级视差,该文提出一种快速的小基高比立体匹配方法。
该方法首先利用积分图像加速自适应窗口和规范互相关度量的计算,然后根据可靠性约束进一步拒绝错误匹配,再采用基于迭代二倍重采样的亚像素级匹配方法为可信点计算亚像素级视差,最后利用基于图分割的视差平面拟合方法获得稠密的亚像素级视差图。
实验结果表明该方法不但可获得高精度的亚像素级视差而且还提高了算法的匹配效率,满足了小基高比立体重建的需求。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。