主頁 >  其他 > [TopOpt] 針對99行改進的88行拓撲優化程式完全注釋

[TopOpt] 針對99行改進的88行拓撲優化程式完全注釋

2020-09-15 23:06:00 其他

The Corresponding Files (Click to Save):

  • Code top88.m
  • References Efficient topology optimization in MATLAB using 88 lines of code

The Related Articals (Click in):

  • [TopOpt] 99行拓撲優化程式完全注釋
  • > [TopOpt] 針對99行改進的88行拓撲優化程式完全注釋
  • [TopOpt] 88行拓展的82行拓撲優化程式完全注釋. PDE
  • [TopOpt] 88行拓展的71行拓撲優化程式完全注釋. CONV2

The program can be promoted by line:

top88(120,40,0.5,3.0,3.5,1)

代碼注釋

88行程式為了提高效率，邏輯、流程沒有99行程式那么清楚，建議初學先讀99行，

%%%%%%%%%%%% AN 88 LINE TOPOLOGY OPTIMIZATION CODE              Nov 2010 %%%%%%%%%%%%
%%%%%%%%%%%% COMMENTED - OUT BY HAOTIAN_W                    AUGUST 2020 %%%%%%%%%%%%
function top88(nelx,nely,volfrac,penal,rmin,ft)
% ===================================================================================
% 88行程式在99行程式上的主要改進:
%   1) 將for回圈陳述句向量化處理，發揮MATLAB矩陣運算優勢;
%   2) 為不斷增加資料的陣列預分配記憶體，避免MATLAB花費額外時間尋找更大的連續記憶體塊;
%   3) 盡可能將部分程式從回圈體里抽出，避免重復計算;
%   4) 設計變數不再代表單元偽密度，新引入真實密度變數xphys;
%   5) 將原先的所有子程式都集成在主程式里，避免頻繁呼叫;
%   總體上，程式的效率有顯著提升（近百倍）、記憶體占用降低，但是對初學者來說可讀性不如99行
% ===================================================================================
% nelx    : 水平方向上的離散單元數;
% nely    : 豎直方向上的離散單元數;
%
% volfrac : 容積率，材料體積與設計域體積之比，對應的工程問題就是"將結構減重到百分之多少";
%
% penal   : 懲罰因子，SIMP方法是在0-1離散模型中引入連續變數x、系數p及中間密度單元，從而將離
%           散型優化問題轉換成連續型優化問題，并且令0≤x≤1，p為懲罰因子，通過設定p>1對中間密
%           度單元進行有限度的懲罰，盡量減少中間密度單元數目，使單元密度盡可能趨于0或1;
% 
%           合理選擇懲罰因子的取值，可以消除多孔材料，從而得到理想的拓撲優化結果:
%               當penal<=2時     存在大量多孔材料，計算結果沒有可制造性;
%               當penal>=3.5時   最終拓撲結果沒有大的改變;
%               當penal>=4時     結構總體柔度的變化非常緩慢，迭代步數增加，計算時間延長;
%            
% rmin    : 敏度過濾半徑，防止出現棋盤格現象;

% ft      : 與99行程式不同的是，本程式提供了兩種濾波器，
%           ft=1時進行靈敏度濾波，得到的結果與99行程式一樣；ft=2時進行密度濾波，
% ===================================================================================
%% 定義材料屬性
% E0楊氏彈性模量;
E0 = 1;

% Emin自定義空區域楊氏彈性模量，為了防止出現奇異矩陣，這里和99行程式不同，參見論文公式（1）;
% 不要定義成0，否則就沒有意義了;
Emin = 1e-9;

% nu泊松比;
nu = 0.3;

%% 有限元預處理
% 構造平面四節點矩形單元的單元剛度矩陣KE，詳見有限元理論推導
A11 = [12  3 -6 -3;  3 12  3  0; -6  3 12 -3; -3  0 -3 12];
A12 = [-6 -3  0  3; -3 -6 -3 -6;  0 -3 -6  3;  3 -6  3 -6];
B11 = [-4  3 -2  9;  3 -4 -9  4; -2 -9 -4 -3;  9  4 -3 -4];
B12 = [ 2 -3  4 -9; -3  2  9 -2;  4  9  2  3; -9 -2  3  2];
KE = 1/(1-nu^2)/24*([A11 A12;A12' A11]+nu*[B11 B12;B12' B11]);

% nodenrs存放單元節點編號，按照列優先的順序，從1到(1+nelx)*(1+nely);
nodenrs = reshape(1:(1+nelx)*(1+nely),1+nely,1+nelx);

% edofVec存放所有單元的第一個自由度編號（左下角），參見下面圖1;
edofVec = reshape(2*nodenrs(1:end-1,1:end-1)+1,nelx*nely,1);

% edofMat按照行存放每個單元4個節點8個自由度編號，所以列數是8，行數等于單元個數;
% 存放順序是：[左下x  左下y  右下x  右下y  右上x  右上y  左上x  左上y];
% 第一個repmat將列向量edofVec復制成8列，其他自由度從第一個自由度上加或減可以得到，參見下面圖2;
edofMat = repmat(edofVec,1,8)+repmat([0 1 2*nely+[2 3 0 1] -2 -1],nelx*nely,1);

% 根據iK、jK和sK三元組生成總體剛度矩陣的稀疏矩陣K，K = sparse(iK,jK,sK)
iK = reshape(kron(edofMat,ones(8,1))',64*nelx*nely,1);
jK = reshape(kron(edofMat,ones(1,8))',64*nelx*nely,1);

% 施加載荷，直接構造稀疏矩陣
F = sparse(2,1,-1,2*(nely+1)*(nelx+1),1);

% 施加約束，與99行程式相同，唯一的區別是這里把“定義載荷約束”放在了回圈體外，提高效率
U = zeros(2*(nely+1)*(nelx+1),1);
fixeddofs = union([1:2:2*(nely+1)],[2*(nelx+1)*(nely+1)]);
alldofs = [1:2*(nely+1)*(nelx+1)];
freedofs = setdiff(alldofs,fixeddofs);

%% 濾波預處理
% 根據iH、jH和sH三元組生成加權系數矩陣的稀疏矩陣H，H = sparse(iH,jH,sH);
% H是論文公式（8）中的Hei,Hs是論文公式（9）中的Sigma(Hei);

% 為陣列iH、jH、sH預分配記憶體;
iH = ones(nelx*nely*(2*(ceil(rmin)-1)+1)^2,1);
jH = ones(size(iH));
sH = zeros(size(iH));
k = 0;

% 4層for回圈，前兩層i1、j1是遍歷所有單元，后兩層i2、j2是遍歷當前單元附近的單元
% 這種敏度過濾技術的本質是利用過濾半徑范圍內各單元敏度的加權平均值代替中心單元的敏度值
for i1 = 1:nelx
  for j1 = 1:nely
    e1 = (i1-1)*nely+j1;
    for i2 = max(i1-(ceil(rmin)-1),1):min(i1+(ceil(rmin)-1),nelx)
      for j2 = max(j1-(ceil(rmin)-1),1):min(j1+(ceil(rmin)-1),nely)
        e2 = (i2-1)*nely+j2;
        k = k+1;
        iH(k) = e1;
        jH(k) = e2;
        sH(k) = max(0,rmin-sqrt((i1-i2)^2+(j1-j2)^2));
      end
    end
  end
end
H = sparse(iH,jH,sH);
Hs = sum(H,2);

%% 迭代初始化
x = repmat(volfrac,nely,nelx);   % x設計變數;
xPhys = x;                       % xphys單元物理密度，真實密度，這里與99行不一樣;
loop = 0;                        % loop存放迭代次數;
change = 1; 

%% 進入優化迭代，到此為止上面的部分都是在回圈外，比99行效率提高很多
while change > 0.01
  loop = loop + 1;
  
  %% 有限元分析求解
  % (Emin+xPhys(:)'.^penal*(E0-Emin))就是論文公式（1），由單元密度決定楊氏彈性模量;
  sK = reshape(KE(:)*(Emin+xPhys(:)'.^penal*(E0-Emin)),64*nelx*nely,1);
  
  % 組裝總體剛度矩陣的稀疏矩陣;
  % K = (K+K')/2確保總體剛度矩陣是完全對稱陣，因為這會影響到MATLAB求解有限元方程的演算法;
  % 當K是實對稱正定矩陣時則采用Cholesky平方根分解法，反之則采用速度更慢的LU三角分解法;
  K = sparse(iK,jK,sK); K = (K+K')/2;
  
  % 正式求解,KU=F;
  U(freedofs) = K(freedofs,freedofs)\F(freedofs);
  
  %% 目標函式和關于真實密度場的靈敏度資訊
  % 參見論文公式（2），ce是ue^T*k0*ue，c是目標函式;
  ce = reshape(sum((U(edofMat)*KE).*U(edofMat),2),nely,nelx);
  c = sum(sum((Emin+xPhys.^penal*(E0-Emin)).*ce));
  
  % 參見論文公式（5），只不過將設計變數x換成真實密度xphys;
  dc = -penal*(E0-Emin)*xPhys.^(penal-1).*ce;
  
  % 參見論文公式（6）;
  dv = ones(nely,nelx);
  
  %% 敏度濾波 或 密度濾波
  
  if ft == 1
    % ft=1靈敏度濾波（得到的結果同99行程式），參見論文公式（7）;
    % 完成敏度濾波;
    % 1e-3是公式（7）中的gamma，max(1e-3,x(:))是為了防止分母出現0;
    dc(:) = H*(x(:).*dc(:))./Hs./max(1e-3,x(:));
    
  elseif ft == 2
    % ft=2密度濾波
    % 密度濾波進行兩個操作，一個是密度濾波，在下面的回圈里面
    % 另一個是根據鏈式法則修正目標函式和體積約束的靈敏度資訊，就是這里，參見公式（10）;
    dc(:) = H*(dc(:)./Hs);
    dv(:) = H*(dv(:)./Hs);
  end
  
  %% OC優化準則法更新設計變數和單元密度
  l1 = 0; l2 = 1e9; move = 0.2;
  while (l2-l1)/(l1+l2) > 1e-3
    lmid = 0.5*(l2+l1);
    
    % 更新設計變數，參見論文公式（3）;
    xnew = max(0,max(x-move,min(1,min(x+move,x.*sqrt(-dc./dv/lmid)))));
    
    if ft == 1
      % 敏度濾波沒有密度濾波那么復雜，設計變數就是當前單元的偽密度;
      xPhys = xnew;
      
    elseif ft == 2
      % 完成密度濾波，參見論文公式（9），設計變數經過濾波之后才是單元偽密度;
      xPhys(:) = (H*xnew(:))./Hs;
    end
    if sum(xPhys(:)) > volfrac*nelx*nely, l1 = lmid; else l2 = lmid; end
  end
  change = max(abs(xnew(:)-x(:)));
  x = xnew;
  
  %% 顯示結果（同99行程式）
  fprintf(' It.:%5i Obj.:%11.4f Vol.:%7.3f ch.:%7.3f\n',loop,c, ...
    mean(xPhys(:)),change);
  colormap(gray); imagesc(1-xPhys); caxis([0 1]); axis equal; axis off; drawnow;
end

論文公式匯總

Modified SIMP方法中基于單元偽密度的楊氏彈性模量E_{e}\left(x_{e}\right)=E_{\min }+x_{e}^{p}\left(E_{0}-E_{\min }\right), \quad x_{e} \in[0,1]（1）
優化問題（柔度最小化）的數學表述\begin{array}{cl} \min _{\mathbf{x}}: & c(\mathbf{x})=\mathbf{U}^{\mathrm{T}} \mathbf{K} \mathbf{U}=\sum_{e=1}^{N} E_{e}\left(x_{e}\right) \mathbf{u}_{e}^{\mathrm{T}} \mathbf{k}_{0} \mathbf{u}_{e} \\ \text { subject to: } & V(\mathbf{x}) / V_{0}=f \\ & \mathbf{K U}=\mathbf{F} \\ & 0 \leq \mathbf{x} \leq \mathbf{1} \end{array}（2）
OC優化準則法更新設計變數x_{e}^{\mathrm{new}}=\left\{\begin{array}{ll} \max \left(0, x_{e}-m\right) & \text { if } x_{e} B_{e}^{\eta} \leq \max \left(0, x_{e}-m\right) \\ \min \left(1, x_{e}+m\right) & \text { if } x_{e} B_{e}^{\eta} \geq \min \left(1, x_{e}-m\right) \\ x_{e} B_{e}^{\eta} & \text { otherwise } \end{array}\right.（3）
B_{e}=\frac{-\frac{\partial c}{\partial x_{e}}}{\lambda \frac{\partial V}{\partial x_{e}}}（4）
目標函式關于設計變數的靈敏度資訊\frac{\partial c}{\partial x_{e}}=-p x_{e}^{p-1}\left(E_{0}-E_{\min }\right) \mathbf{u}_{e}^{\mathrm{T}} \mathbf{k}_{0} \mathbf{u}（5）
體積約束關于設計變數的靈敏度資訊\frac{\partial V}{\partial x_{e}}=1（6）
對目標函式的靈敏度資訊進行敏度濾波\frac{\widehat{\partial c}}{\partial x_{e}}=\frac{1}{\max \left(\gamma, x_{e}\right) \sum_{i \in N_{e}} H_{e i}} \sum_{i \in N_{e}} H_{e i} x_{i} \frac{\partial c}{\partial x_{i}}（7）
權重系數矩陣H_{e i}=\max \left(0, r_{\min }-\Delta(e, i)\right)（8）
對設計變數進行密度濾波得到單元偽密度\tilde{x}_{e}=\frac{1}{\sum_{i \in N_{e}} H_{e i}} \sum_{i \in N_{e}} H_{e i} x_{i}（9）
在密度濾波中，根據鏈式法則修正目標函式和體積約束關于設計變數的靈敏度資訊\frac{\partial \psi}{\partial x_{j}}=\sum_{e \in N_{j}} \frac{\partial \psi}{\partial \tilde{x}_{e}} \frac{\partial \tilde{x}_{e}}{\partial x_{j}}=\sum_{e \in N_{j}} \frac{1}{\sum_{i \in N_{e}} H_{e i}} H_{j e} \frac{\partial \psi}{\partial \tilde{x}_{e}}（10）

四節點矩形單元剛度矩陣

% 單元剛度矩陣
A11 = [12  3 -6 -3;  3 12  3  0; -6  3 12 -3; -3  0 -3 12];
A12 = [-6 -3  0  3; -3 -6 -3 -6;  0 -3 -6  3;  3 -6  3 -6];
B11 = [-4  3 -2  9;  3 -4 -9  4; -2 -9 -4 -3;  9  4 -3 -4];
B12 = [ 2 -3  4 -9; -3  2  9 -2;  4  9  2  3; -9 -2  3  2];
KE = 1/(1-nu^2)/24*([A11 A12;A12' A11]+nu*[B11 B12;B12' B11]);

這里把有限元單元剛度矩陣的基礎知識自己推導一遍就基本沒問題了，網上很多資料，這里不多說了，這一段跟99行比大家都是構造矩陣，效率上沒有什么太大的差距，

% 單獨把這一段拎出來跑，測驗效率
99行
Elapsed time is 0.000402 seconds.
88行
Elapsed time is 0.000366 seconds.

單元節點自由度編號

% 分別是節點編號、單元第一個自由度編號、所有自由度編號
nodenrs = reshape(1:(1+nelx)*(1+nely),1+nely,1+nelx);
edofVec = reshape(2*nodenrs(1:end-1,1:end-1)+1,nelx*nely,1);
edofMat = repmat(edofVec,1,8)+repmat([0 1 2*nely+[2 3 0 1] -2 -1],nelx*nely,1);

這里就拿4X3網格舉例子了，程式注釋上面有，很繞口，不如直觀點來看看這三個矩陣到底在干嘛，注意nodenrs是節點編號，不是單元編號，nelx個單元一條邊有(nelx+1)個節點這沒什么好解釋的，edofVec是所有單元第一個自由度，第一個自由度是啥，是左下角節點水平自由度，

圖1 矩形單元4節點8自由度編號矩陣（矢量化）

接下來細說從edofVec到edofMat怎么回事， 這里用到了repmat命令，具體去help，簡單點理解成復制就好了，

這里只要理解透 “一個節點所有自由度 = 該節點第一個自由度 + 相對值” 就結束了，

% 將列向量edofVec復制成8列，相當于所有單元8個自由度都初始化成各自的第一個自由度
repmat(edofVec,1,8)
% 在第一個自由度的基礎上加或減可以得到所有自由度
% 而且所有單元的操作是一樣的，因為是相對自身加減，單元大小、形狀相同，只有位置不同
repmat([0 1 2*nely+[2 3 0 1] -2 -1],nelx*nely,1)
圖2 edofMat的矢量化構造思路

對應99行程式中 Line: 17-21遍歷單元，當時的思路是遍歷每個單元計算一下左上角、右上角節點編號，然后推算該單元所有自由度編號，

而在這里，88行程式中，作者使用矢量化思路，通過矩陣運算來提升程式運行效率，從上面我們也看到了，由于所有的單元大小形狀都是一樣的只有位置不一樣，只要定了每個單元第一個自由度編號（圖2 等號左邊第一個矩陣），剩余的操作都是一樣的（圖2 等號左邊第二個矩陣），

下面是我寫的一段測驗代碼，分別把99行和88行中相應片段粘貼過來，稍微修改使兩段程式得到相同的結果，然后測驗處理4萬網格兩者花費的時間，

從結果看，處理4萬網格，矢量化程式運行時間不到遍歷單元方法的萬分之二，差異十分顯著，況且，在99行程式中，每個迭代回圈都要跑一次這個，如果有300次優化迭代那就要跑300次；而在88行程式中總共只需要在開頭進行一次，這也就是為什么我用3700X處理器跑3萬網格的99行程式要花掉我大半個下午，而同樣3萬網格的88行程式喝口水就能跑完，而且多次測驗驗證，網格越多，效率差距越大，

% 網格編號處理部分運行效率測驗
clear
clc
nelx = 2e2;
nely = 2e2;
% 99行程式 遍歷單元
disp('遍歷單元')
tic,
edof1 = [];
for elx = 1:nelx
    for ely = 1:nely
        n1 = (nely+1)*(elx-1)+ely; 
        n2 = (nely+1)*elx+ely;
        edof1 = [edof1;[2*n1+1 2*n1+2 2*n2+1 2*n2+2 2*n2-1 2*n2 2*n1-1 2*n1]];
    end
end
toc
% 88行程式 矢量化
disp('矢量化')
tic,
nodenrs = reshape(1:(1+nelx)*(1+nely),1+nely,1+nelx);
edofVec = reshape(2*nodenrs(1:end-1,1:end-1)+1,nelx*nely,1);
edof2 = repmat(edofVec,1,8)+repmat([0 1 2*nely+[2 3 0 1] -2 -1],nelx*nely,1);
toc
% i5 7400 @3.0GHz
遍歷單元
Elapsed time is 21.128882 seconds.
矢量化
Elapsed time is 0.003363 seconds.

% Ryzen7 3700X @4.2GHz
遍歷單元
Elapsed time is 12.857031 seconds.
矢量化
Elapsed time is 0.002607 seconds.

有限元求解

% 回圈體外面
iK = reshape(kron(edofMat,ones(8,1))',64*nelx*nely,1);
jK = reshape(kron(edofMat,ones(1,8))',64*nelx*nely,1);
% 回圈體里面
sK = reshape(KE(:)*(Emin+xPhys(:)'.^penal*(E0-Emin)),64*nelx*nely,1);
K = sparse(iK,jK,sK); K = (K+K')/2;
U(freedofs) = K(freedofs,freedofs)\F(freedofs);

根據iK、jK和sK三元組生成總體剛度矩陣的稀疏矩陣K，索引向量iK和jK已經在回圈體外面定義過了，sK需要在回圈內確定，sK根據單元剛度矩陣KE和單元楊氏彈性模量求得，單元楊氏彈性模量參見論文公式（1），

組裝總體剛度矩陣的稀疏矩陣，K = (K+K')/2 是為了確保總體剛度矩陣是完全對稱陣，因為這會影響到MATLAB求解有限元方程時使用的演算法，當K是實對稱正定矩陣時MATLAB采用“Cholesky平方根分解法”求解，如果K不是對稱正定則采用速度更慢的“LU三角分解法”，

下面這段測驗程式很好地展示了LU分解和對稱正定矩陣的Cholesky分解在MATLAB中運行效率的差距， 不難發現，88行程式始終圍繞著“高效”，作者也為此下了很多功夫，

% 比較MATLAB中LU分解和Cholesky分解的運行速度
clear,clc
A = gallery('lehmer',1e4);
disp('LU分解')
tic, lu(A); toc
disp('Cholesky分解')
tic, chol(A); toc
LU分解
Elapsed time is 5.887353 seconds.
Cholesky分解
Elapsed time is 2.854781 seconds.

密度濾波和敏度濾波

  if ft == 1
    % 完成敏度濾波
    dc(:) = H*(x(:).*dc(:))./Hs./max(1e-3,x(:));
  elseif ft == 2
    % 修正靈敏度值
    dc(:) = H*(dc(:)./Hs);
    dv(:) = H*(dv(:)./Hs);
  end
    xnew = max(0,max(x-move,min(1,min(x+move,x.*sqrt(-dc./dv/lmid)))));
    if ft == 1
      xPhys = xnew;
    elseif ft == 2
      % 這里才真正完成密度濾波
      xPhys(:) = (H*xnew(:))./Hs;
    end

88行程式提供了兩種濾波方法，指定ft=1時使用敏度濾波，指定ft=2時使用密度濾波，

注意這里其實分了兩段，這是因為密度濾波并不是一次性完成的，在回圈體外先根據鏈式法則對目標函式和體積約束的靈敏度資訊進行修正，然后回圈體內對設計變數進行密度濾波得到單元偽密度，

而敏度濾波就要簡單的多，設計變數就代表單元偽密度，直接對目標函式的靈敏度資訊進行濾波就可以，

在密度濾波中，引入了“設計變數（Design Variables）”和“物理密度（Physical Density）”兩個場，在程式中的符號分別是x和xphys，這種情況下，設計變數并不代表真實的單元偽密度場，經過濾波的物理密度才是真實的單元偽密度場，包括之后的OC優化準則法迭代程序中，拉格朗日算子lmid也是由真實物理密度xphys決定的，在推導目標函式/約束條件關于設計變數的靈敏度資訊時，必須使用鏈式法則來確定，參見論文公式（10），

使用88行MATLAB拓撲優化程式得到的MBB梁優化結果對比
（a）60 X 20；（b）150 X 50；（c）300 X 100
上面三幅影像是使用敏度濾波得到的結果，下面三幅影像是使用密度濾波得到的結果

程式運行測驗

讀完了99行程式和針對99行改進的88行程式，就讓我們一起來對比測驗一下吧，把下面這段程式加進主程式前后，正常運行一下就得到結果啦，我用一個90*30的網格就在筆記本上簡單跑了一遍，結果來看88行程式在效率上的提升還是很顯著的，幾乎只用了99行六分之一的時間，

tic

% 主程式段

t = toc;
Mem = memory;
Mem.MemUsedMATLAB = Mem.MemUsedMATLAB/1e6;
disp(['Iterations    :   ' sprintf('%4i',loop) ' times'])
disp(['Elapsed Time  :    ' sprintf('%6f',t) ' s'])
disp(['Memory Used   :    ' sprintf('%6.2f',Mem.MemUsedMATLAB) ' MB'])
% 99行程式
Iterations     :    379 times
Objective Func :    196.5764
Elapsed Time   :    64.179272 s
Memory Used    :    1683.04 MB

% 88行程式
Iterations     :    221 times
Objective Func :    197.6266
Elapsed Time   :    12.723110 s
Memory Used    :    1690.55 MB

雖然在前面我們已經提到過好幾次這段程式提高MATLAB運行效率的方法，這里我們再總結一下吧：

  • 盡量減少for回圈，培養矢量化思路；
  • 為陣列預分配記憶體空間；
  • 盡量選用合適的MATLAB函式，這一點很寬泛，需要很多積累才行，這里我們至少知道了一條，Cholesky比LU快；
  • 盡量避免頻繁呼叫子程式；
  • 精簡回圈體，能放在外面的代碼就放到回圈外面，

關于MATLAB的效率優化我一直想寫一篇博客，可是我懶，涉及到太多方面一直不想動手寫，hhh我盡快，

參考資料

[1] Andreassen, E., Clausen, A., Schevenels, M. et al. Efficient topology optimization in MATLAB using 88 lines of code. Struct Multidisc Optim 43, 1–16 (2011).

著作權宣告：本文為博主原創文章，轉載請附上原文出處鏈接和本宣告，

本文鏈接：http://blog.csdn.net/BAR_WORKSHOP/article/details/108287668

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/50756.html

標籤：其他

上一篇：CSP202006-2 稀疏向量【map】

下一篇：資深大廠JAVA架構師帶你剖析Condition原始碼

標籤雲
其他(157675) Python(38076) JavaScript(25376) Java(17977) C(15215) 區塊鏈(8255) C＃(7972) AI(7469) 爪哇(7425) MySQL(7132) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5869) 数组(5741) R(5409) Linux(5327) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4554) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2429) ASP.NET(2402) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) 功能(1967) .NET技术(1958) Web開發(1951) python-3.x(1918) HtmlCss(1915) 弹簧靴(1913) C++(1909) xml(1889) PostgreSQL(1872) .NETCore(1853) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • 網閘典型架構簡述

    網閘架構一般分為兩種：三主機的三系統架構網閘和雙主機的2+1架構網閘。 三主機架構分別為內端機、外端機和仲裁機。三機無論從軟體和硬體上均各自獨立。首先從硬體上來看，三機都用各自獨立的主板、記憶體及存盤設備。從軟體上來看，三機有各自獨立的作業系統。這樣能達到完全的三機獨立。對于“2+1”系統，“2”分為 ......

    uj5u.com 2020-09-10 02:00:44 more
  • 如何從xshell上傳檔案到centos linux虛擬機里

    如何從xshell上傳檔案到centos linux虛擬機里及：虛擬機CentOs下執行 yum -y install lrzsz命令，出現錯誤：鏡像無法找到軟體包 前言 一、安裝lrzsz步驟 二、上傳檔案 三、遇到的問題及解決方案 總結 前言 提示：其實很簡單，往虛擬機上安裝一個上傳檔案的工具 ......

    uj5u.com 2020-09-10 02:00:47 more
  • 一、SQLMAP入門

    一、SQLMAP入門 1、判斷是否存在注入 sqlmap.py -u 網址/id=1 id=1不可缺少。當注入點后面的引數大于兩個時。需要加雙引號， sqlmap.py -u "網址/id=1&uid=1" 2、判斷文本中的請求是否存在注入 從文本中加載http請求，SQLMAP可以從一個文本檔案中 ......

    uj5u.com 2020-09-10 02:00:50 more
  • Metasploit 簡單使用教程

    metasploit 簡單使用教程 浩先生， 2020-08-28 16:18:25 分類專欄： kail 網路安全 linux 文章標簽： linux資訊安全 編輯 著作權 metasploit 使用教程 前言 一、Metasploit是什么？ 二、準備作業 三、具體步驟 前言 Msfconsole ......

    uj5u.com 2020-09-10 02:00:53 more
  • 游戲逆向之驅動層與用戶層通訊

    驅動層代碼： #pragma once #include <ntifs.h> #define add_code CTL_CODE(FILE_DEVICE_UNKNOWN,0x800,METHOD_BUFFERED,FILE_ANY_ACCESS) /* 更多游戲逆向視頻www.yxfzedu.com ......

    uj5u.com 2020-09-10 02:00:56 more
  • 北斗電力時鐘（北斗授時服務器）讓網路資料更精準

    北斗電力時鐘（北斗授時服務器）讓網路資料更精準 北斗電力時鐘（北斗授時服務器）讓網路資料更精準 京準電子科技官微——ahjzsz 近幾年，資訊技術的得了快速發展，互聯網在逐漸普及，其在人們生活和生產中都得到了廣泛應用，并且取得了不錯的應用效果。計算機網路資訊在電力系統中的應用，一方面使電力系統的運行 ......

    uj5u.com 2020-09-10 02:01:03 more
  • 【CTF】CTFHub 技能樹 彩蛋 writeup

    ?碎碎念 CTFHub：https://www.ctfhub.com/ 筆者入門CTF時時剛開始刷的是bugku的舊平臺，后來才有了CTFHub。 感覺不論是網頁UI設計，還是題目質量，賽事跟蹤，工具軟體都做得很不錯。 而且因為獨到的金幣制度的確讓人有一種想去刷題賺金幣的感覺。 個人還是非常喜歡這個 ......

    uj5u.com 2020-09-10 02:04:05 more
  • 02windows基礎操作

    我學到了一下幾點 Windows系統目錄結構與滲透的作用 常見Windows的服務詳解 Windows埠詳解 常用的Windows注冊表詳解 hacker DOS命令詳解（net user / type /md /rd/ dir /cd /net use copy、批處理 等） 利用dos命令制作 ......

    uj5u.com 2020-09-10 02:04:18 more
  • 03.Linux基礎操作

    我學到了以下幾點 01Linux系統介紹02系統安裝，密碼啊破解03Linux常用命令04LAMP 01LINUX windows： win03 8 12 16 19 配置不繁瑣 Linux：redhat,centos(紅帽社區版)，Ubuntu server,suse unix:金融機構，證券，銀 ......

    uj5u.com 2020-09-10 02:04:30 more
  • 05HTML

    01HTML介紹 02頭部標簽講解03基礎標簽講解04表單標簽講解 HTML前段語言 js1.了解代碼2.根據代碼 懂得挖掘漏洞 （POST注入/XSS漏洞上傳）3.黑帽seo 白帽seo 客戶網站被黑帽植入劫持代碼如何處理4.熟悉html表單 <html><head><title>TDK標題，描述 ......

    uj5u.com 2020-09-10 02:04:36 more
最新发布
  • 2023年最新微信小程式抓包教程

    01 開門見山 隔一個月發一篇文章，不過分。 首先回顧一下《微信系結手機號資料庫被脫庫事件》，我也是第一時間得知了這個訊息，然后跟蹤了整件事情的經過。下面是這起事件的相關截圖以及近日流出的一萬條資料樣本： 個人認為這件事也沒什么，還不如關注一下之前45億快遞資料查詢渠道疑似在近日復活的訊息。 訊息是 ......

    uj5u.com 2023-04-20 08:48:24 more
  • web3 產品介紹：metamask 錢包 使用最多的瀏覽器插件錢包

    Metamask錢包是一種基于區塊鏈技術的數字貨幣錢包，它允許用戶在安全、便捷的環境下管理自己的加密資產。Metamask錢包是以太坊生態系統中最流行的錢包之一，它具有易于使用、安全性高和功能強大等優點。 本文將詳細介紹Metamask錢包的功能和使用方法。 一、 Metamask錢包的功能 數字資 ......

    uj5u.com 2023-04-20 08:47:46 more
  • vulnhub_Earth

    前言 靶機地址->>>vulnhub_Earth 攻擊機ip：192.168.20.121 靶機ip：192.168.20.122 參考文章 https://www.cnblogs.com/Jing-X/archive/2022/04/03/16097695.html https://www.cnb ......

    uj5u.com 2023-04-20 07:46:20 more
  • 從4k到42k，軟體測驗工程師的漲薪史，給我看哭了

    清明節一過，盲猜大家已經無心上班，在數著日子準備過五一，但一想到銀行卡里的余額……瞬間心情就不美麗了。最近，2023年高校畢業生就業調查顯示，本科畢業月平均起薪為5825元。調查一出，便有很多同學表示自己又被平均了。看著這一資料，不免讓人想到前不久中國青年報的一項調查：近六成大學生認為畢業10年內會 ......

    uj5u.com 2023-04-20 07:44:00 more
  • 最新版本 Stable Diffusion 開源 AI 繪畫工具之中文自動提詞篇

    🎈 標簽生成器 由于輸入正向提示詞 prompt 和反向提示詞 negative prompt 都是使用英文，所以對學習母語的我們非常不友好 使用網址：https://tinygeeker.github.io/p/ai-prompt-generator 這個網址是為了讓大家在使用 AI 繪畫的時候 ......

    uj5u.com 2023-04-20 07:43:36 more
  • 漫談前端自動化測驗演進之路及測驗工具分析

    隨著前端技術的不斷發展和應用程式的日益復雜，前端自動化測驗也在不斷演進。隨著 Web 應用程式變得越來越復雜，自動化測驗的需求也越來越高。如今，自動化測驗已經成為 Web 應用程式開發程序中不可或缺的一部分，它們可以幫助開發人員更快地發現和修復錯誤，提高應用程式的性能和可靠性。 ......

    uj5u.com 2023-04-20 07:43:16 more
  • CANN開發實踐：4個DVPP記憶體問題的典型案例解讀

    摘要：由于DVPP媒體資料處理功能對存放輸入、輸出資料的記憶體有更高的要求（例如，記憶體首地址128位元組對齊），因此需呼叫專用的記憶體申請介面，那么本期就分享幾個關于DVPP記憶體問題的典型案例，并給出原因分析及解決方法。 本文分享自華為云社區《FAQ_DVPP記憶體問題案例》，作者：昇騰CANN。 DVPP ......

    uj5u.com 2023-04-20 07:43:03 more
  • msf學習

    msf學習 以kali自帶的msf為例 一、msf核心模塊與功能 msf模塊都放在/usr/share/metasploit-framework/modules目錄下 1、auxiliary 輔助模塊，輔助滲透（埠掃描、登錄密碼爆破、漏洞驗證等） 2、encoders 編碼器模塊，主要包含各種編碼 ......

    uj5u.com 2023-04-20 07:42:59 more
  • Halcon軟體安裝與界面簡介

    1. 下載Halcon17版本到到本地 2. 雙擊安裝包后 3. 步驟如下 1.2 Halcon軟體安裝 界面分為四大塊 1. Halcon的五個助手 1) 影像采集助手：與相機連接，設定相機引數，采集影像 2) 標定助手：九點標定或是其它的標定，生成標定檔案及內參外參，可以將像素單位轉換為長度單位 ......

    uj5u.com 2023-04-20 07:42:17 more
  • 在MacOS下使用Unity3D開發游戲

    第一次發博客，先發一下我的游戲開發環境吧。 去年2月份買了一臺MacBookPro2021 M1pro(以下簡稱mbp)，這一年來一直在用mbp開發游戲。我大致分享一下我的開發工具以及使用體驗。 1、Unity 官網鏈接： https://unity.cn/releases 我一般使用的Apple ......

    uj5u.com 2023-04-20 07:40:19 more

Copyright © 2010-2020 有解無憂