社区
C#
帖子详情
dafeifei(大飞飞)进来!给分
zzczh
2005-07-29 06:12:46
谢了大飞哥!
小小分值不成敬意!
请笑纳!
...全文
172
4
打赏
收藏
dafeifei(大飞飞)进来!给分
谢了大飞哥! 小小分值不成敬意! 请笑纳!
复制链接
扫一扫
分享
举报
写回复
配置赞助广告
用AI写文章
4 条
回复
切换为时间正序
请发表友善的回复…
发表回复
打赏红包
dafeifei
2005-08-02
打赏
举报
回复
还有一个问题,是我最近做的时候发现的。(我们上次讨论的方法和思路一直就属于同步通讯)
不知道你有没有试过,如果socket是阻塞的话,再连接多个客户端的时候,可能会丢包的。
(调试多个客户端很容易的,你运行多此client点连接就可以了,可以看看互相通讯)
我就是这样调的,慢慢来还好,要是一个接一个的连,可能发出去的包服务器会丢掉一些。而且这种几率比较大。
我周末发现的,郁闷了好久。
上面那个思路很好,不过,实际使用起来还是会有问题。
我个人觉得,同步socket通讯,比较适合点对点的通讯,这样效率高。
而一对多客户端的话,最好还是用异步通讯,否则会很头疼,因为你根本不知道服务器端在做哪一步的时候阻塞,后面发来的东西它都不理了。
于是我又查了异步socket通讯的资料。
你可以留一个email,我发给你一些。我先给你的 179276050@qq.com 发一封。
昨天调试好象同步也可以,所以这几天我也在研究。不过我觉得,还是异步方法比较靠得住些,而且不用自己写多线程,委托给系统自己去创建线程处理。
dafeifei
2005-08-02
打赏
举报
回复
呵呵,你在QQ上的留言我看到了。我都回复你了,再给你COPY一次
哈哈哈,大飞哥,我做完了,这没环境,单机试一下还行,就是不知道多机行不行!
飘落的烟灰 14:57:31
我想问问clientList[i].ClientName
不好用啊,是这样取吗?
我这怎么不行呢?
飘落的烟灰 11:43:20
大飞哥,有一个难题我想了很久也解决不了,就是当客户端异常退出时我的服务器端该用什么方法判断,断开与该用户的连接!
飘落的烟灰 16:40:47
大飞,在吗?
飘落的烟灰 18:17:44
我留了贴子
http://community.csdn.net/Expert/topic/4177/4177268.xml?temp=6.472415E-02
你回一下我结帐!
只能分两次给了!呵呵!
dff 12:22:47
不是 clientList[i].ClientName 这样用的
飘落的烟灰 12:23:59
您好,我现在有事不在,一会儿再和您联系
dff 12:23:12
((Client)clientList[i]).ClientName 这样才对
飘落的烟灰 12:24:18
您好,我现在有事不在,一会儿再和您联系
dff 12:24:09
大飞哥,有一个难题我想了很久也解决不了,就是当客户端异常退出时我的服务器端该用什么方法判断,断开与该用户的连接!
这个我暂时还没有做到那步,不过用Exception类应该很容易的,客户端断了,服务器端会有一个异常的,捕捉就可以了
syfsz
2005-07-30
打赏
举报
回复
恩,有这等好事情?路过,千万别给我分
zzczh
2005-07-29
打赏
举报
回复
这些先收下,然后再给!
我的怎么不能一下给190啊?
看来只能分期付款了!
呵呵!
基于微信小程序的学生岗位实习管理系统的设计与实现(代码+数据库+LW)
摘 要 高校学生岗位实习是实践教学体系的核心环节,传统实习管理模式依赖线下纸质操作与人工沟通,存在信息不对称、审批效率低下、实习过程监管困难、数据统计繁琐等诸多痛点,难以适配学生、企业、学校三方的移动化办公与管理需求。为解决上述问题,本文设计并实现了一套基于微信小程序的学生岗位实习管理系统,系统采用前后端
分
离架构,前端以微信小程序原生框架为基础,结合 Vant Weapp 组件库搭建交互界面,后端基于 Spring Boot 框架开发,搭配 MyBatis-Plus 实现数据库操作,以 MySQL 作为核心数据存储载体,Redis 完成缓存优化,同时通过 WebSocket 实现实时交互功能,HTTPS 保障数据传输安全。系统围绕学生、教师、学校管理员、企业四类核心用户搭建功能模块,覆盖实习岗位对接、实习过程管理、实习评价反馈、数据统计
分
析等实习全流程,实现了实习申请线上化、考勤打卡智能化、审批指导便捷化、数据管理可视化。经设计与实现,该系统能够消除三方信息壁垒,提升实习管理的效率与规范性,有效规避虚假实习、放羊式实习等问题,同时依托微信生态的高普及率,实现零下载安装的轻量化使用体验,降低系统推广与使用门槛。此外,系统所沉淀的实习数据可为高校优化实践教学安排、调整人才培养方案提供量化支撑,兼具实用性与教学指导价值。 关键词:学生岗位实习系统;SpringBoot框架;Java技术;微信小程序;MySQL
基于遗传算法辅助异构改进的动态多群粒子群优化算法(GA-HIDMSPSO)的LSTM
分
类预测研究(Matlab代码实现)
内容概要:本文提出了一种基于遗传算法辅助异构改进的动态多群粒子群优化算法(GA-HIDMSPSO),并将其应用于优化长短期记忆网络(LSTM)的
分
类预测模型,相关研究通过Matlab代码实现。该算法融合了遗传算法的全局搜索能力与改进粒子群算法的局部精细搜索能力,有效解决了传统LSTM模型在参数初始化敏感、易陷入局部最优等方面的缺陷,显著提升了模型在复杂非线性
分
类任务中的预测精度、泛化能力与稳定性。研究内容涵盖算法设计、模型训练、超参数优化及
分
类性能验证,尤其适用于风电预测、故障诊断等高噪声、强时变的实际工程场景,为智能优化算法与深度学习模型的深度融合提供了系统性实践范例。; 适合人群:具备一定机器学习、优化算法理论基础,熟悉Matlab编程环境,从事智能算法研究、电力系统预测、工业故障诊断等相关领域的科研人员、高校研究生及工程技术人员。; 使用场景及目标:①解决传统LSTM网络因参数初始化不当而导致的收敛慢、精度低问题;②提升时间序列
分
类任务中的模型鲁棒性与预测准确率;③探索混合智能优化策略在深度学习超参数调优中的应用潜力;④为复杂工业系统的智能诊断与预测提供可复现的技术方案; 阅读建议:建议结合提供的Matlab代码进行实践操作,重点剖析GA-HIDMSPSO算法的实现机制及其在LSTM超参数优化过程中的作用路径,通过对比不同优化算法(如PSO、GA、SSA等)的调优效果,深入理解模型性能提升的关键因素,进而掌握智能优化与深度学习融合建模的核心方法。
电脑屏控精灵 它可以帮助宝妈们限制孩子的游戏时间,让孩子们的学习效率更高
家里孩子沉迷于网络游戏的家长们看过来!这是一款专为宝爸宝妈设计的电脑屏控精灵软件,能轻松实现对孩子的上网监管。它拥有六大功能特点,包含时长管控、网站过滤、应用管控、视力护眼、行为日志以及权限防护。只需安装一个程序,家长就能随时随地对孩子的网上活动了如指掌,帮助孩子健康快乐成长。感兴趣的家长们,快来试试这款强大的电脑屏控精灵吧!
负荷预测基于SVR的负荷预测研究(Python代码实现)
内容概要:本文系统研究了基于支持向量回归(SVR)的电力负荷预测方法,并提供了完整的Python代码实现。文章深入阐述了SVR模型的理论基础及其在负荷预测中的应用逻辑,涵盖数据预处理、特征工程、模型训练与验证等关键环节,重点强调了核函数选择与超参数调优对预测性能的关键影响。通过实际电力负荷数据进行实验验证,展示了SVR在处理非线性时间序列预测问题上的有效性与鲁棒性。同时,研究对比
分
析了SVR与其他主流预测模型(如传统统计模型与神经网络)的性能差异,全面评估了其在精度、泛化能力和计算效率方面的优势与局限,为智能电网背景下的负荷预测提供了可靠的技术路径和实践参考。; 适合人群:具备一定编程基础和机器学习基础知识,熟悉Python语言的数据科学工作者、电力系统
分
析师、能源管理工程师以及从事负荷预测相关研究的高校师生和技术人员。; 使用场景及目标:①应用于电力系统的短期和中期负荷预测,辅助电网调度、发电计划制定和能源市场交易决策;②作为机器学习在能源领域应用的教学案例,帮助学生掌握SVR模型的原理、实现与调参技巧;③为研究人员提供一个可复现的基准框架,用于探索和比较更先进的预测算法。; 阅读建议:建议读者结合提供的Python代码进行动手实践,重点理解数据预处理流程和模型参数设置对结果的影响,尝试在不同数据集上运行并调整超参数以观察模型性能变化。同时,鼓励将SVR模型与其他预测算法(如LSTM、XGBoost等)进行对比实验,以深入理解各类方法的适用场景和性能边界。
YOLO26算法工业车间布料缺陷目标检测+训练好的模型+696张数据集+pyqt可视化界面.zip
文末附数据集可视化效果图。 【数据集概况】 · 检测类别(中文):[破损(0), 污渍(1), 线头(2)] · 训练集:488 张 · 验证集:139 张 · 测试集:69 张 · 总计:696 张 该数据集聚焦于工业生产环境中的布料质量检测,通过高精度标注的缺陷样本,为自动化质检系统提供可靠的数据支持。数据集涵盖了多种常见布料瑕疵类型,具有明确的应用指向性,能够有效提升纺织品生产过程中的缺陷识别效率与准确性。... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 64 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.7804** mAP50-95 | 0.6473 Precision | 0.7619 Recall | 0.8635 train/box_loss | 0.9585 train/cls_loss | 0.7865 val/box_loss | 0.8521 val/cls_loss | 0.5837 【训练过程
分
析】 64 轮训练后 mAP50 为 0.7804,模型基本收敛但还有提升余地。Loss 曲线下降正常,后期趋于平缓。mAP50-95 为 0.6473,定位精度尚可。 【模型性能评估】 Precision 0.7619、Recall 0.8635,召回高于精度,存在一定误检。多类检测中,不同类别性能可能有差异,需关注难例类别的表现。 【预测效果展示】 验证集预测效果一般,大部
分
目标能被检出,但存在部
分
漏检或框边缘贴合度不足的情况。 【改进建议】 1. 丰富场景多样性:补充不同光照、背景和遮挡条件下的样本。 2. 数据增强...
C#
111,128
社区成员
642,536
社区内容
发帖
与我相关
我的任务
C#
.NET技术 C#
复制链接
扫一扫
分享
社区描述
.NET技术 C#
社区管理员
加入社区
获取链接或二维码
近7日
近30日
至今
加载中
查看更多榜单
社区公告
让您成为最强悍的C#开发者
试试用AI创作助手写篇文章吧
+ 用AI写文章