新書推薦：
《
未来科技大爆炸
》
售價：NT$
311.0
《
海外中国研究·近代中国的知识分子与文明
》
售價：NT$
510.0
《
东方帝国的营造 ： 秦汉王朝政治史
》
售價：NT$
510.0
《
漫谈数字化转型从底层逻辑到实践应用
》
售價：NT$
354.0
《
谢谢你来到我的生命：狗狗带给我们的治愈与改变
》
售價：NT$
234.0
《
情感觉醒：揭秘亲密关系背后的真相
》
售價：NT$
311.0
《
诸葛亮
》
售價：NT$
359.0
《
解密：梦的诞生
》
售價：NT$
874.0
|
| 編輯推薦： |
1.黑马程序员Java技术系列教材改版升级；
2.本书附有配套资源，包括教学大纲、教学设计、源代码，习题等，而且为了帮助读者更好地学习本书中的内容，作者还提供了在线答疑。
|
| 內容簡介： |
本书全面介绍Spring Cloud在微服务架构中提供的解决方案和基础组件，并结合实际开发场景，详细介绍如何利用Spring Cloud整合第三方框架进行Web开发。全书共11章，其中，第1章介绍微服务架构与Spring Cloud的基础知识；第2～10章介绍Spring Cloud的常用组件，包括服务注册中心Nacos、负载均衡组件Ribbon和Spring Cloud LoadBalancer、声明式服务调用组件OpenFeign、服务容错组件Sentinel、API网关Gateway、Nacos配置中心、消息驱动框架Spring Cloud Stream、分布式链路追踪组件Sleuth+Zipkin、分布式事务解决方案Seata。第11章通过搭建一个新闻资讯系统——黑马头条，带领读者搭建一个微服务架构系统。希望读者通过对本书的学习，能够学会 Spring Cloud 各个组件的用法，并掌握分布式微服务架构的搭建过程。
本书配套丰富的教学资源，包括教学PPT、教学大纲、源代码、课后习题及答案等，为帮助读者更好地学习本书中的内容，作者还提供了在线答疑服务，希望帮助更多读者。
本书既可作为高等教育本、专科院校计算机相关专业的教材，也可作为编程人员的自学参考书。
|
| 關於作者： |
|
黑马程序员，传智教育旗下高端IT品牌，由中国Java培训先行者张孝祥老师发起，联合全球最大的中文IT社区CSDN、中关村软件园共同创办的一家专业教育机构。办学至今，我们一直坚守着“为千万人少走弯路而著书，为中华软件之崛起而讲课”的办学理念，坚持培养优秀软件应用工程师的宏伟目标，在累计培养的十万余名学员中，其中90%的学员均已在北、上、广等一线城市高薪就业。为了迎合软件市场的需求，我们陆续开设了Java、网页平面、PHP、.Net、iOS、C/C++、Android等9个专业方向的课程，并且未来将逐渐开设其他专业方向的课程。随着传智播客的日益壮大，除了北京总部，我们在上海、广州、武汉、成都、深圳等地也创立了直营分支机构，传智播客俨然已成为了国内具有专业口碑的IT教育机构。
|
| 目錄：
|
01 绪论
1.1 概述 2
1.2 最优化问题及其数学模型 2
1.3 最优化问题的分类 3
1.4 最优化方法的发展及分类 5
1.4.1 传统优化方法 6
1.4.2 计算智能方法 7
1.4.3 计算智能方法的特点 11
1.5 计算智能方法的未来发展方向 12
1.6 章节安排介绍 12
1.7 本章小结 14
1.8 习题 14
02 人工神经网络理论
2.1 概述 16
2.2 人工神经网络基本理论 17
2.2.1 人工神经元基本模型 17
2.2.2 人工神经网络结构 19
2.2.3 人工神经网络的学习 20
2.3 前馈型神经网络的主要算法 22
2.3.1 感知器 23
2.3.2 BP网络 25
2.3.3 RBF网络 33
2.4 反馈型神经网络的主要算法 44
2.4.1 Hopfield网络算法 44
2.4.2 自组织映射网络算法 51
2.5 基于MATLAB语言的人工神经网络工具箱 54
2.5.1 基本功能介绍 55
2.5.2 BP网络的MATLAB实现 55
2.5.3 RBF网络的设计实例 63
2.5.4 人工神经网络工具箱中的图形用户界面 78
2.6 人工神经网络的应用实例 89
2.7 本章小结 91
2.8 习题 91
03 遗传算法
3.1 概述 94
3.2 遗传算法的基本原理 95
3.2.1 生物的进化过程 95
3.2.2 遗传算法的基本思想 95
3.2.3 遗传算法的具体步骤 96
3.3 遗传算法应用中的常见问题 104
3.3.1 染色体长度和初始种群的确定问题 104
3.3.2 控制参数的选取问题 104
3.3.3 遗传算子的具体操作问题 105
3.3.4 收敛判据的确定问题 105
3.4 遗传算法的应用实例 106
3.5 本章小结 112
3.6 习题 112
04 蚁群算法
4.1 概述 116
4.2 蚂蚁群体的觅食过程 117
4.3 蚁群算法的基本原理 118
4.3.1 蚁群算法的数学模型 119
4.3.2 蚁群算法的具体实现流程 122
4.4 蚁群算法的参数选择 124
4.5 改进的蚁群算法 125
4.5.1 ACS模型 125
4.5.2 MMAS模型 127
4.6 蚁群算法的应用实例 128
4.7 本章小结 134
4.8 习题 135
05 人工免疫算法
5.1 概述 138
5.2 人工免疫算法的生物学基础 139
5.2.1 生物免疫系统的基本定义 140
5.2.2 生物免疫系统的工作原理 141
5.3 人工免疫算法的基本原理 142
5.3.1 人工免疫算法的基本框架 143
5.3.2 否定选择算法的基本原理 144
5.3.3 免疫规划算法的基本原理 146
5.3.4 克隆选择算法的基本原理 150
5.4 人工免疫算法的应用实例 155
5.5 本章小结 163
5.6 习题 163
06 粒子群优化算法
6.1 概述 166
6.2 粒子群优化算法的基本原理 166
6.3 粒子群优化算法的改进 174
6.3.1 带惯性权重的PSO算法 174
6.3.2 带收缩因子的PSO算法 175
6.3.3 基于种群分类与动态学习因子的PSO改进算法 176
6.4 粒子群优化算法的应用实例 178
6.5 本章小结 180
6.6 习题 180
07 人工蜂群算法
7.1 概述 182
7.2 人工蜂群算法的基本原理 183
7.3 改进的人工蜂群算法 187
7.3.1 针对高维复杂单目标优化问题的改进人工蜂群算法 187
7.3.2 针对多峰优化问题的小生境人工蜂群算法 188
7.4 人工蜂群算法的应用实例 193
7.5 本章小结 198
7.6 习题 198
08 生物地理学优化算法
8.1 概述 200
8.2 生物地理学优化算法的基本原理 200
8.3 生物地理学优化算法的基本流程 204
8.3.1 迁移操作 204
8.3.2 变异操作 205
8.3.3 算法框架 206
8.4 改进的生物地理学优化算法 207
8.4.1 混合型迁移操作 207
8.4.2 局部化生物地理学优化算法 209
8.4.3 生态地理学优化算法 213
8.5 生物地理学优化算法的应用实例 216
8.6 本章小结 220
8.7 习题 220
09 多目标优化算法
9.1 概述 222
9.2 三代多目标优化算法 223
9.2.1 第一代多目标优化算法 223
9.2.2 第二代多目标优化算法 223
9.2.3 第三代多目标优化算法 229
9.3 高维多目标优化算法 233
9.3.1 基于分解的多目标优化算法 233
9.3.2 NSGA-III 236
9.3.3 NSGA-III-OSD 240
9.4 多目标优化算法的测试函数和评价指标 242
9.4.1 测试函数 242
9.4.2 评价指标 246
9.5 多目标优化算法的测试实例和应用实例 247
9.6 本章小结 253
9.7 习题 253
10 约束优化算法
10.1 概述 256
10.2 约束处理技术 258
10.2.1 惩罚函数法 258
10.2.2 随机排序法 258
10.2.3 可行性准则 259
10.2.4 ε约束法 260
10.2.5 多目标优化法 260
10.2.6 双种群存储技术 261
10.3 约束单目标优化算法 261
10.3.1 基于随机排序法的约束单目标优化算法 262
10.3.2 基于ε约束法的约束单目标优化算法 263
10.3.3 基于双种群存储技术的约束单目标优化算法 264
10.3.4 约束单目标优化测试函数 267
10.4 约束多目标优化算法 269
10.4.1 基于随机排序法的约束多目标优化算法 269
10.4.2 基于双种群存储技术的约束多目标优化算法 270
10.4.3 基于ε约束法的约束多目标优化算法 273
10.4.4 约束多目标优化测试函数 277
10.5 约束优化算法的应用实例 279
10.6 本章小结 283
10.7 习题 283
参考文献 285
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
