在生命科学领域中，人们已经对遗传(Heredity)与免疫(Immunity)等自然现象进行了广泛深入的研究。
六十年代Bagley和Rosenberg等先驱在对这些研究成果进行分析与理解的基础上，借鉴其相关内容和知识，特别是遗传学方面的理论与概念，并将其成功应用于工程科学的某些领域，收到了良好的效果。
时至八十年代中期，美国Michigan大学的Hollan教授不仅对以前的学者们提出的遗传概念进行了总结与推广，而且给出了简明清晰的算法描述，并由此形成目前一般意义上的遗传算法(GeneticAlgorithm)GA。
由于遗传算法较以往传统的搜索算法具有使用方便、鲁棒性强、便于并行处理等特点，因而广泛应用于组合优化、结构设计、人工智能等领域。
另一方面，Farmer和Bersini等人也先后在不同时期、不同程度地涉及到了有关免疫的概念。
遗传算法是一种具有生成+检测(generateandtest)的迭代过程的搜索算法。
从理论上分析，迭代过程中，在保留上一代最佳个体的前提下，遗传算法是全局收敛的。
然而，在对算法的实施过程中不难发现两个主要遗传算子都是在一定发生概率的条件下，随机地、没有指导地迭代搜索，因此它们在为群体中的个体提供了进化机会的同时，也无可避免地产生了退化的可能。
在某些情况下，这种退化现象还相当明显。
另外，每一个待求的实际问题都会有自身一些基本的、显而易见的特征信息或知识。
然而遗传算法的交叉和变异算子却相对固定，在求解问题时，可变的灵活程度较小。
这无疑对算法的通用性是有益的，但却忽视了问题的特征信息对求解问题时的辅助作用，特别是在求解一些复杂问题时，这种忽视所带来的损失往往就比较明显了。
实践也表明，仅仅使用遗传算法或者以其为代表的进化算法，在模仿人类智能处理事物的能力方面还远远不足，还必须更加深层次地挖掘与利用人类的智能资源。
从这一点讲，学习生物智能、开发、进而利用生物智能是进化算法乃至智能计算的一个永恒的话题。
所以，研究者力图将生命科学中的免疫概念引入到工程实践领域，借助其中的有关知识与理论并将其与已有的一些智能算法有机地结合起来，以建立新的进化理论与算法，来提高算法的整体性能。
基于这一思想，将免疫概念及其理论应用于遗传算法，在保留原算法优良特性的前提下，力图有选择、有目的地利用待求问题中的一些特征信息或知识来抑制其优化过程中出现的退化现象，这种算法称为免疫算法(ImmuneAlgorithm)IA。
下面将会给出算法的具体步骤，证明其全局收敛性，提出免疫疫苗的选择策略和免疫算子的构造方法，理论分析和对TSP问题的仿真结果表明免疫算法不仅是有效的而且也是可行的，并较好地解决了遗传算法中的退化问题。

白帽子讲web安全.pdf（Part2），因上传大小限制，故将文件分割成4个部分。
4个部分和1个合并文件都下载后放在同一目录下，运行合并文件（.bat）即可将4个部分合并。
PS：只有第一个部分需要一个下载积分。

对LABVIEW自带的数据库工具的使用讲得比较详细，是个很好的教程。

20世纪90年代以后，通信容量及频率不断提高，无线产品应用环境日益复杂，传统的设计方法已经不能满足射频电路和系统设计的要求。
随着3G/4G的广泛应用，5G也初现端倪，这些复杂和高容量通信系统和射频硬件的设计不得不依赖各种EDA软件实现。
在射频电路行业，甚至是信号完整性领域，首推的仿真软件是AgilentADS。
安捷伦ADS软件可应用于国防／航空电子、雷达、卫星通信系统设计，以及移动通信系统设计、高速电路、信号完整性设计、射频和微波电路设计、天线设计、LTCC器件及RX/TX封装模块设计。
作为微波、射频电路和芯片设计、电路板设计和信号完整性设计的一流平台，安捷伦EEsof系列软件得到业界厂商的广泛支持，推出了多种针对该软件的元件库、模型库和设计套件(DesignKit),为用户进行更为准确的设计仿真。
另外，从广大工程师择业的角度讲，选择主流的射频仿真设计软件不仅为产品设计大大提高成功率，而且可以提高自身的技能和行业竞争力。
现在各大公司招聘要求射频工程师必须会使用ADS等软件进行射频电路设计。

《精益创业》一书中曾为我们介绍到，小型的创业公司应先向市场推出极简的原型产品，然后在不断地试验和学习中，以最小的成本和有效的方式验证产品是否符合用户需求，并迭代优化产品，灵活调整方向。
而与之相同的精益用户体验也同样提倡把注意力从交付工作上移开。
同样的理念，只是处于不同的领域而已。
精益创业(LeanStartup)的基本思路及实践方式，从某种程度上讲，其实就是用户体验设计圈子中的行家们多年来所讲述和提倡的东西。
与过去不同，现在人们终于开始懂得去关注这些了。
而所谓的精益用户体验(LeanUX)本身也不是什么新事物；
类似于“AJAX”，它们都是对已有概念和技术的一种综合运用方式，这些名字本身更像是“

这篇文章介绍了基于快速傅里叶变换的图像配准算法，讲得比较清楚，是图像配准方面的一篇入门文章。

虎书，清晰PDFJava版本。
非常经典，注重实践。
全书分成两部分，第一部分是编译的基础知识，适用于第一门编译原理课程(一个学期)；
第二部分是高级主题，包括面向对象语言和函数语言、垃圾收集、循环优化、SSA(静态单赋值)形式、循环调度、存储结构优化等，适合于专题选讲、后续课程或研究生教学。

压缩文件包含了betterexplianed网站推出的两本解释数学的书——mathbetterexplianed和calculusbetterexplianed。
虽然全本都是英文，但是不会很难读，并且很容易读懂，解释很多上学时没有讲清楚的数学概念。
美亚上一本卖25美金呢。

1.POS数据处理本套系统的POS数据直接记录在点云原始数据中，首先需要从点云数据中解算分离出移动站GPS数据、IMU数据，然后用IE对分离出的组合导航数据进行差分、融合、平滑处理，最后输出所需要的POS轨迹数据。
POS轨迹数据加载到UI_vv3.4.6_UP2-AP软件中与激光点云数据进行联合解算，能够输出WGS84坐标系点的激光点云数据。
（1）POS数据分离解算打开解算软件新建一工程，在项目管理面板设置原始数据（imp文件）所在目录输出目录，“IMP读取”选“否”，其它无须设置。
点击“开始解算”，解算开始，解算完成后，软件自动弹出提示。
具体设置见下图。

菜鸟都看得懂的代码，不需要我多讲了，自己看代码吧！

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。