(转载)基于蚁群算法的旅行商问题(TSP)求解(matlab实现)

news2024/11/7 1:40:08
        蚁群算法(ant colony algorithm,ACA)是由意大利学者M.Dorigo等人于20世纪90年代初提出的一种新的模拟进化算法,其真实地模拟了自然界蚂蚁群体的觅食行为。M.Dorigo等人将其用于解决旅行商问题(traveling salesman problem,TSP),并取得了较好的实验结果。
        近年来,许多专家学者致力于蚁群算法的研究,并将其应用于交通、通信、化工、电力等领域,成功解决了许多组合优化问题,如调度问题(job-shop scheduling problem)、指派问题(quadratic assignment problem)、旅行商问题(traveling salesman problem)等。本章将详细阐述蚁群算法的基本思想及原理,并以实例的形式介绍其应用于解决中国旅行商问题(chineseTSP,CTSP)的情况。

1 理论基础

1.1 蚁群算法基本思想

        生物学家研究发现,自然界中的蚂蚁觅食是一个群体性行为,并非单只蚂蚁自行寻找食物。蚂蚁在寻找食物源时,会在其经过的路径上释放一种信息素,并能够感知其他蚂蚁释放的信息素。信息素浓度的大小表征路径的远近,信息素浓度越高,表示对应的路径距离越短。通常,蚂蚁会以较大的概率优先选择信息素浓度较高的路径,并释放一定量的信息素,以增强该条路径上的信息素浓度,这样会形成一个正反馈。最终,蚂蚁能够找到一条从巢穴到食物源的最佳路径,即最短距离。值得一提的是,生物学家同时发现,路径上的信息素浓度会随着时间的推进而逐渐衰减。
        将蚁群算法应用于解决优化问题的基本思路为:用蚂蚁的行走路径表示待优化问题的可行解,整个蚂蚁群体的所有路径构成待优化问题的解空间。路径较短的蚂蚁释放的信息素量较多,随着时间的推进,较短的路径上累积的信息素浓度逐渐增高,选择该路径的蚂蚁个数也愈来愈多。最终,整个蚂蚁会在正反馈的作用下集中到最佳的路径上,此时对应的便是待优化问题的最优解。

1.2 蚁群算法解决TSP问题基本原理

        本节将用数学语言对上述蚁群算法的基本思想进行抽象描述,并详细阐述蚁群算法用于解决TSP问题的基本原理。
        不失一般性,设整个蚂蚁群体中蚂蚁的数量为m,城市的数量为n,城市i与城市j之间的距离为dij(i,j=1,2,…,n),t时刻城市i与城市j连接路径上的信息素浓度为\tau_{ij}(t)。初始时刻,各个城市间连接路径上的信息素浓度相同,不妨设为\tau_{ij}(t)=\tau_0
        蚂蚁k(k=1,2,…,m)根据各个城市间连接路径上的信息素浓度决定其下一个访问城市,设P^k_{ij}(t)表示t时刻蚂蚁k从城市i转移到城市j的概率,其计算公式为
$P^\beta_{\theta}=\begin{bmatrix}\frac{\left[\tau_n(t)\right]^*\cdot\left[\eta_\theta(t)\right]^\beta}{\sum\limits_{e\in\text{for}x_i}\left[\tau_a(t)\right]^\epsilon\cdot\left[\eta_i(t)\right]^\beta},&s\in\text{allow}_i\\ 0,&s\notin\text{allow}_i\end{bmatrix}$
        其中, \eta_{ij}(t)为启发函数,\eta_{ij}(t)=1/d_{ij}表示蚂蚁从城市i转移到城市j的期望程度;allowk(k=1,2,…,m)为蚂蚁k待访问城市的集合,开始时,allowk中有(n-1)个元素,即包括除了蚂蚁k出发城市的其他所有城市,随着时间的推进,allow;中的元素不断减少,直至为空,即表示所有的城市均访问完毕;α为信息素重要程度因子,其值越大,表示信息素的浓度在转移中起的作用越大;β为启发函数重要程度因子,其值越大,表示启发函数在转移中的作用越大,即蚂蚁会以较大的概率转移到距离短的城市。
        如前文所述,在蚂蚁释放信息素的同时,各个城市间连接路径上的信息素逐渐消失,设参数ρ(0<ρ<1)表示信息素的挥发程度。因此,当所有蚂蚁完成一次循环后,各个城市间连接路径上的信息素浓度需进行实时更新,即
        上述3种模型中,ant cycle system模型利用蚂蚁经过路径的整体信息(经过路径的总长)计算释放的信息素浓度;ant quantity system模型则利用蚂蚁经过路径的局部信息(经过各个城市间的距离)计算释放的信息素浓度;而ant density system模型则更为简单地将信息素释放的浓度取为恒值,并没有考虑不同蚂蚁经过路径长短的影响。因此,一般选用ant cyclesystem模型计算释放的信息素浓度,即蚂蚁经过的路径越短,释放的信息素浓度越高。

1.3 蚁群算法解决TSP问题基本步骤

        基于上述原理,将蚁群算法应用于解决TSP问题一般需要以下几个步骤,如图1所示。
图1 蚁群算法解决TSP问题基本步骤
        1.初始化参数
        在计算之初,需要对相关的参数进行初始化,如蚁群规模(蚂蚁数量)m、信息素重要程度因子α、启发函数重要程度因子β、信息素挥发因子ρ、信息素释放总量Q、最大迭代次数iter_max、迭代次数初值iter=1。
        2.构建解空间
        将各个蚂蚁随机地置于不同出发点,对每个蚂蚁k(k=1,2,…,m),按照式(22-1)计算其下一个待访问的城市,直到所有蚂蚁访问完所有的城市。
        3.更新信息素
        计算各个蚂蚁经过的路径长度Lk(k=1,2,…,m),记录当前迭代次数中的最优解(最短路径)。同时,根据式(22-2)和式(22-3)对各个城市连接路径上的信息素浓度进行更新。
        4.判断是否终止
        若iter<iter_max,则令iter=iter+1,清空蚂蚁经过路径的记录表,并返回步骤2;否则,终止计算,输出最优解。

1.4 蚁群算法的特点

        基于蚁群算法的基本思想及解决TSP问题的基本原理,不难发现,与其他优化算法相比,蚁群算法具有以下几个特点:
        (1)采用正反馈机制,使得搜索过程不断收敛,最终逼近最优解。
        (2)每个个体可以通过释放信息素来改变周围的环境,且每个个体能够感知周围环境的实时变化,个体间通过环境进行间接地通讯。
        (3)搜索过程采用分布式计算方式,多个个体同时进行并行计算,大大提高了算法的计算能力和运行效率。
        (4)启发式的概率搜索方式不容易陷入局部最优,易于寻找到全局最优解。

2 案例背景

2.1 问题描述

        按照枚举法,我国31个直辖市、省会和自治区首府的巡回路径应有约1.326×10^32种,其中一条路径如图2所示。试利用蚁群算法寻找到一条最佳或者较佳的路径。
图2我国31个直辖市、省会和自治区首府(未包括我国香港、澳门及台湾)巡回路径  

2.2 解题思路及步骤

        依据蚁群算法解决TSP问题的基本原理及步骤,实现中国TSP问题求解大体上可以分为以下几个步骤,如图3所示。

图3蚁群算法求解TSP问题一般步骤
        1.计算城市间相互距离
        根据城市的位置坐标,计算两两城市间的相互距离,从而得到对称的距离矩阵(维数为31的方阵)。需要说明的是,计算出的矩阵对角线上的元素为0,然而如前文所述,由于启发函数ηij(t)=1/dij,因此,为了保证分母不为零,将对角线上的元素修正为一个非常小的正数(如10^(-4)或10^(-5)等)。
        2.初始化参数
        如前文所述,在计算之前,需要对相关的参数进行初始化,此处不再赘述。
        3.迭代寻找最佳路径
        首先构建解空间,即各个蚂蚁根据转移概率公式(22-1)访问所有的城市。然后计算各个蚂蚁经过路径的长度,并在每次迭代后根据式(22-2)和式(22-3)实时更新各个城市连接路径上的信息素浓度。经过循环迭代,记录下最优的路径及其长度。
        4.结果分析
        找到最优路径后,可以将之与其他方法得出的结果进行比较,从而对蚁群算法的性能进行评价。同时,也可以探究不同取值的参数对优化结果的影响,从而找到一组最佳或者较佳的参数组合。

3MATLAB程序实现

        利用MATLAB中提供的函数,可以方便地在MATLAB环境下实现上述步骤。

%% 清空环境变量
clear all
clc

%% 导入数据
load citys_data.mat

%% 计算城市间相互距离
n = size(citys,1);
D = zeros(n,n);
for i = 1:n
    for j = 1:n
        if i ~= j
            D(i,j) = sqrt(sum((citys(i,:) - citys(j,:)).^2));
        else
            D(i,j) = 1e-4;      
        end
    end    
end

%% 初始化参数
m = 50;                              % 蚂蚁数量
alpha = 1;                           % 信息素重要程度因子
beta = 5;                            % 启发函数重要程度因子
rho = 0.1;                           % 信息素挥发因子
Q = 1;                               % 常系数
Eta = 1./D;                          % 启发函数
Tau = ones(n,n);                     % 信息素矩阵
Table = zeros(m,n);                  % 路径记录表
iter = 1;                            % 迭代次数初值
iter_max = 200;                      % 最大迭代次数 
Route_best = zeros(iter_max,n);      % 各代最佳路径       
Length_best = zeros(iter_max,1);     % 各代最佳路径的长度  
Length_ave = zeros(iter_max,1);      % 各代路径的平均长度  

%% 迭代寻找最佳路径
while iter <= iter_max
    % 随机产生各个蚂蚁的起点城市
      start = zeros(m,1);
      for i = 1:m
          temp = randperm(n);
          start(i) = temp(1);
      end
      Table(:,1) = start; 
      % 构建解空间
      citys_index = 1:n;
      % 逐个蚂蚁路径选择
      for i = 1:m
          % 逐个城市路径选择
         for j = 2:n
             tabu = Table(i,1:(j - 1));           % 已访问的城市集合(禁忌表)
             allow_index = ~ismember(citys_index,tabu);
             allow = citys_index(allow_index);  % 待访问的城市集合
             P = allow;
             % 计算城市间转移概率
             for k = 1:length(allow)
                 P(k) = Tau(tabu(end),allow(k))^alpha * Eta(tabu(end),allow(k))^beta;
             end
             P = P/sum(P);
             % 轮盘赌法选择下一个访问城市
             Pc = cumsum(P);     
            target_index = find(Pc >= rand); 
            target = allow(target_index(1));
            Table(i,j) = target;
         end
      end
      % 计算各个蚂蚁的路径距离
      Length = zeros(m,1);
      for i = 1:m
          Route = Table(i,:);
          for j = 1:(n - 1)
              Length(i) = Length(i) + D(Route(j),Route(j + 1));
          end
          Length(i) = Length(i) + D(Route(n),Route(1));
      end
      % 计算最短路径距离及平均距离
      if iter == 1
          [min_Length,min_index] = min(Length);
          Length_best(iter) = min_Length;  
          Length_ave(iter) = mean(Length);
          Route_best(iter,:) = Table(min_index,:);
      else
          [min_Length,min_index] = min(Length);
          Length_best(iter) = min(Length_best(iter - 1),min_Length);
          Length_ave(iter) = mean(Length);
          if Length_best(iter) == min_Length
              Route_best(iter,:) = Table(min_index,:);
          else
              Route_best(iter,:) = Route_best((iter-1),:);
          end
      end
      % 更新信息素
      Delta_Tau = zeros(n,n);
      % 逐个蚂蚁计算
      for i = 1:m
          % 逐个城市计算
          for j = 1:(n - 1)
              Delta_Tau(Table(i,j),Table(i,j+1)) = Delta_Tau(Table(i,j),Table(i,j+1)) + Q/Length(i);
          end
          Delta_Tau(Table(i,n),Table(i,1)) = Delta_Tau(Table(i,n),Table(i,1)) + Q/Length(i);
      end
      Tau = (1-rho) * Tau + Delta_Tau;
    % 迭代次数加1,清空路径记录表
    iter = iter + 1;
    Table = zeros(m,n);
end

%% 结果显示
[Shortest_Length,index] = min(Length_best);
Shortest_Route = Route_best(index,:);
disp(['最短距离:' num2str(Shortest_Length)]);
disp(['最短路径:' num2str([Shortest_Route Shortest_Route(1)])]);

%% 绘图
figure(1)
plot([citys(Shortest_Route,1);citys(Shortest_Route(1),1)],...
     [citys(Shortest_Route,2);citys(Shortest_Route(1),2)],'o-');
grid on
for i = 1:size(citys,1)
    text(citys(i,1),citys(i,2),['   ' num2str(i)]);
end
text(citys(Shortest_Route(1),1),citys(Shortest_Route(1),2),'       起点');
text(citys(Shortest_Route(end),1),citys(Shortest_Route(end),2),'       终点');
xlabel('城市位置横坐标')
ylabel('城市位置纵坐标')
title(['蚁群算法优化路径(最短距离:' num2str(Shortest_Length) ')'])
figure(2)
plot(1:iter_max,Length_best,'b',1:iter_max,Length_ave,'r:')
legend('最短距离','平均距离')
xlabel('迭代次数')
ylabel('距离')
title('各代最短距离与平均距离对比')

        程序运行之前,清除工作空间Workspace中的变量及Command Window中的命令。31个城市的位置坐标(横坐标、纵坐标)保存在citys_data.mat文件中,变量citys为31行2列的数据,第1列表示各个城市的横坐标,第2列表示各个城市的纵坐标。利用城市的横、纵坐标,可以方便地计算出城市间的相互距离。如前文所述,距离矩阵D对角线上的元素设为10^(-4),以便于计算启发函数。计算之前,需要对参数进行初始化。同时,为了加快程序的执行速度,对于程序中涉及的一些过程变量,需要预分配其存储容量。迭代寻找最佳路径为整个算法的核心,首先逐个蚂蚁逐个城市访问,直至遍历所有城市,以构建问题的解空间,然后计算各个蚂蚁经过路径的长度,记录下当前迭代次数中的最佳路径,并实时对各个城市间连接路径上的信息素浓度进行更新,最终经过多次迭代,寻找到最佳路径。
        说明:
        (1)变量tabu中存储的是已经访问过的城市编号集合,即所谓的“禁忌表”,刚开始时其只存储起始城市编号,随着时间的推进,其中的元素愈来愈多,直至访问到最后一个城市为止。
        (2)与变量tabu相反,变量allow中存储的是待访问的城市编号集合,刚开始时其存储了除起始城市编号外的所有城市编号,随着时间的推进,其中的元素愈来愈少,直至访问到最后一个城市为止.
        (3)函数ismember用于判断一个变量中的元素是否在另一个变量中出现,具体用法请参考帮助文档,此处不再赘述。
        (4)函数cumsum用于求变量中元素的累加和,具体用法请参考帮助文档,此处不再赘述。
        (5)计算完城市间的转移概率后,采用与遗传算法中一样的轮盘赌方法选择下一个待访问的城市。
        与运行结果对应的路径如图4所示。从图中可以清晰地看到,自起点出发,每个城市访问一次,遍历所有城市后,返回起点。寻找到的最短路径为15828.7082 km。各代的最短距离与平均距离如图5所示,从图中不难发现,随着迭代次数的增加,最短距离与平均距离均呈现不断下降的趋势。当迭代次数大于130时,最短距离已不再变化,表示已经寻找到最佳路径。最新研究成果表明,中国TSP问题的最优解为15377 km,因此,这里寻找到的最佳路径是局部最优解,而并非全局最优解。

4 延伸阅读

4.1 参数的影响及选择

        1.蚂蚊个数m对结果的影响
        为了探究蚂蚁个数m对最优路径的影响,对比10组不同蚂蚁个数对应的最优路径情况。每组运行20次,结果如表1所列。由表1可以看出,当蚂蚁个数为35时,平均最短路径最短为15613km,此时有最短路径的最小值15518 km。
        2.信息素重要程度因子α对结果的影响
        为了研究信息素重要程度因子α对最优路径的影响,对比10组不同α对应的寻找到的最优路径的情况,每组运行20次,结果见表2。可以看出,当α=6时,平均最短路径最小为16212 km。
        3.启发函数重要程度因子β对结果的影响
        为了研究启发函数重要程度因子β对最优路径的影响,对比10组不同β对应的寻找到的最优路径的情况,每组运行20次,结果如表3所列。由表22-3可以直观地看出,当β=7时,平均最短路径最小为15823km, 此时对应的最短路径为15602 km。
        4.信息素挥发因子p对结果的影响
        为了研究信息素挥发因子p对最优路径的影响,对比5组不同p对应的寻找到的最优路径的情况,每组运行20次,结果如表4所列。由表4可以直观地看出,当p=0.1时,平均最短路径最小为16005km,此时对应的最短路径为15602 km。

 

        5.信息素释放总量Q对结果的影响
        为了研究信息素释放总量Q对最优路径的影响,对比10组不同Q对应的寻找到的最优路径的情况,每组运行20次,结果如表5所列。由表5可以直观地看出,当Q=50时,平均最短路径最小为16046 km,此时对应的最短路径为15602 km。

4.2 总结

        蚁群算法以其分布并行式计算、启发式搜索方式等特点,在各个领域中取得了广泛的应用,解决了诸多组合优化方面的难题。针对其可能陷入局部最优的缺点,不少专家和学者提出了许多改进的方法,并将其他算法(如遗传算法、粒子群算法等)与蚁群算法相结合,对蚂蚁个数m、信息素重要程度因子a、启发函数重要程度因子β、信息素挥发因子p、信息素释放总量Q等参数进行优化选择,取得了不错的效果。

5 完整代码获取

完整代码可以从下面的链接中获取:

基于蚁群算法的旅行商问题(TSP)求解(matlab实现)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/624984.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

论文精读 —— Invisible Backdoor Attack with Sample-Specific Triggers

文章目录 带有样本特定触发器的隐形后门攻击论文信息论文贡献理解性翻译摘要1. 引言2. 相关工作2.1. 后门攻击2.2. 后门防御 3. 深入了解现有防御4. 样本特定的后门攻击&#xff08;SSBA&#xff09;4.1. 威胁模型4.2. 提出的攻击如何生成样本特定的触发器样本特定的后门攻击流…

linux学习之top命令详解

参考文章 https://blog.csdn.net/langzi6/article/details/124805024 top ​ 第一行&#xff1a;运行时长&#xff0c;负载 top - 10:04:54 up 474 days, 22:16, 2 users, load average: 2.07, 1.60, 0.94 top - 10:04:54&#xff1a;当前时间。 up 474 days, 22:16&#…

redis与分布式锁浅谈

redis与分布式锁浅谈 1.高并发下缓存失效问题 1.1 缓存穿透&#xff1a; 缓存穿透&#xff1a;指查询一个一定不存在的数据&#xff0c;由于缓存是不命中&#xff0c;将去查询数据库&#xff0c;但是数据库也无此记录&#xff0c;我们没有将这次查询的null写入缓存&#xff0…

windows禁用输入法

Rime 呼出菜单的快捷键 ctrl grave 跟 vs code 呼出底部命令行的快捷键冲突了&#xff0c;每次用 vs code 时都会用 ctrl space 将输入法禁用&#xff0c;让它变成一个圈叉&#xff1a; 由 [1]&#xff0c;这个快捷键是 windows 系统禁用输入法的快捷键&#xff0c;在 Setti…

实战干货——教你用Fiddler捕获HTTPS请求

目录 安装Fiddler 配置Fiddler 配置手机 iOS机安装证书 安全思考&#xff1f; 总结&#xff1a; 安装Fiddler 这里不特别说明了&#xff0c;网上搜索一大把&#xff0c;根据安装引导一步步安装即可。&#xff08;这里采用的是fiddler v4.6&#xff09; fiddler抓包视频教…

深入理解Linux虚拟内存管理(六)

系列文章目录 Linux 内核设计与实现 深入理解 Linux 内核&#xff08;一&#xff09; 深入理解 Linux 内核&#xff08;二&#xff09; Linux 设备驱动程序&#xff08;一&#xff09; Linux 设备驱动程序&#xff08;二&#xff09; Linux 设备驱动程序&#xff08;三&#xf…

奇安信应急响应-Windows

处置思路方法和Linux是一致的&#xff0c; 系统命令&#xff0c; 有一些整蛊的就会锁定你&#xff0c;不让你用鼠标点击&#xff0c;就通过命令其打开就好 findstr命令跟linux一样查找关键字&#xff0c;图中就是hello关键字&#xff0c;然后.txt的文件&#xff0c; 我们可以…

(1)HTTP与RPC区别

定义 HTTP接口使用基于HTTP协议的URL传参调用RPC接口则基于远程过程调用 http是一种协议 &#xff0c;rpc是一种方法 RPC RPC服务基本架构包含了四个核心的组件&#xff0c;分别是Client、Server、Clent Stub以及Server Stub。 Client &#xff08;客户端&#xff09;&am…

【数据可视化】2D/3D动画

## 2D动画 - transform ◼ CSS3 transform属性允许你旋转&#xff0c;缩放&#xff0c;倾斜或平移给定元素。 ◼ Transform是形变的意思(通常也叫变换)&#xff0c;transformer就是变形金刚 ◼ 常见的函数transform function有: ---- 平移:translate(x, y) ---- 缩放:scale…

600万用户在用,中国版Access上市,Excel和WPS用户直呼:太棒了

中国版的Access到底有没有&#xff1f; 大家都知道微软的Access功能很强大&#xff0c;作为office里的一款数据库软件&#xff0c;不仅能帮助我们进行数据的分析和处理&#xff0c;而且再深入一点&#xff0c;还可以用VBA实现一些高级的用法。不仅国外有很多用户&#xff0c;就…

【C++】deque的用法

目录 一、容器适配器二、deque的介绍三、deque的使用及缺陷1、deque的构造函数2、deque的元素访问接口3、deque的 iterator的使用4、deque的增删查改4、deque的缺陷5、为什么选择deque作为stack和queue的底层默认容器 一、容器适配器 在了解deque前&#xff0c;我们先讲一讲什…

2023年,我被迫裸辞....

作为IT行业的大热岗位——软件测试&#xff0c;只要你付出了&#xff0c;就会有回报。说它作为IT热门岗位之一是完全不虚的。可能很多人回说软件测试是吃青春饭的&#xff0c;但放眼望去&#xff0c;哪个工作不是这样的呢&#xff1f;会有哪家公司愿意养一些闲人呢&#xff1f;…

STM32F4_RS485、RS232

目录 1. 485简介 2. 串口UART存在的问题 3. RS232协议 4. RS485协议 6. 硬件分析 7. 实验程序 7.1 main.c 7.2 RS485.c 7.3 RS485.h RS232的高电平1的逻辑为-5V~-15V&#xff0c;低电平0的逻辑为5V~15V。高电平和TTL的0~5V不兼容&#xff0c;传输的距离也不够长。 1. …

SpringCloud Eureka 的详细讲解及示意图-下

SpringCloud Eureka 服务注册与发现-下 搭建EurekaServer 集群- 实现负载均衡&故障容错 为什么需要集群Eureka Server 示意图 说明 1. 微服务RPC 远程服务调用最核心的是实现高可用 2. 如果注册中心只有1 个&#xff0c;它出故障&#xff0c;会导致整个服务环境不可用…

乘法器介绍

阵列乘法器 实现乘法的比较常用的方法是类似与手工计算乘法的方式&#xff1a; 对应的硬件结构就是阵列乘法器&#xff08;array multiplier&#xff09;它有三个功能&#xff1a;产生部分积&#xff0c;累加部分积和最终相加。 阵列乘法器的关键路径为(下图标出了两条可能的关…

Clion开发STM32之ESP8266系列(四)

前言 上一篇: Clion开发STM32之ESP8266系列(三) 本篇主要内容 实现esp8266需要实现的函数串口3中断函数的自定义&#xff08;这里没有使用HAL提供的&#xff09;封装esp8266服务端的代码和测试 正文 主要修改部分 核心配置头文件(添加一些宏定义) sys_core_conf.h文件中…

【报错】检索 COM 类工厂中 CLSID 为 {28E68F9A-8D75-11D1-8DC3-3C302A000000} 的组件失败错误

【报错】检索 COM 类工厂中 CLSID 为 {28E68F9A-8D75-11D1-8DC3-3C302A000000} 的组件失败错误 情况描述解决方法修改目标平台CPU类型下载组件文件复制到指定路径运行指定命令行程序 情况描述 在使用C#进行工控软件开发&#xff0c;需要连接通过OPC连接DCS系统时&#xff0c;需…

STM32--ESP8266物联网WIFI模块(贝壳物联)--温湿度数据上传服务器显示

本文适用于STM32F103C8T6等MCU&#xff0c;其他MCU可以移植&#xff0c;完整资源见文末链接 一、简介 随着移动物联网的发展&#xff0c;各场景下对于物联控制、数据上传、远程控制的诉求也越来越多&#xff0c;基于此乐鑫科技推出了便宜好用性价比极高的wifi物联模块——ESP…

PowerShell系列(五):PowerShell通过脚本方式运行笔记

目录 一、四种执行方式介绍 1、当前文件夹运行命令 2、直接指定完整文件路径执行 3、通过cmd命令直接执行 4、通过Windows计划任务执行PowerShell脚本 二、通过脚本方式执行命令的优势 往期回顾 PowerShell系列&#xff08;一&#xff09;&#xff1a;PowerShell介绍和cm…

Java 异常处理和最佳实践(含案例分析)

概述 最近在代码 CR 的时候发现一些值得注意的问题&#xff0c;特别是在对 Java 异常处理的时候&#xff0c;比如有的同学对每个方法都进行 try-catch&#xff0c;在进行 IO 操作时忘记在 finally 块中关闭连接资源等等问题。回想自己对 java 的异常处理也不是特别清楚&#x…