(背包)剪辑的别人写的背包文章,转到自己博客上供以后学习使用

背包问题——“完全背包”详解及实现(包含背包具体物品的求解)

分类: 背包问题2011-11-26 16:23 5820人阅读 评论(3) 收藏 举报

pathtable算法c优化delete

-----Edit by ZhuSenlin HDU

完全背包是在N物品中选取若干件(同一种物品可多次选取)放在空间为V的背包里,每物品的体积为C1,C2,…,Cn,与之相对应的价值为W1,W2,…,Wn.求解怎么装物品可使背包里物品总价值最大。

动态规划(DP):

1) 子问题定义:F[i][j]表示前i物品中选取若干件物品放入剩余空间为j的背包中所能得到的最大价值。

2) 根据第i物品放多少件进行决策

(2-1)

其中F[i-1][j-K*C[i]]+K*W[i]表示前i-1物品中选取若干件物品放入剩余空间为j-K*C[i]的背包中所能得到的最大价值加上k件第i物品;

设物品种数为N,背包容量为V,第i物品体积为C[i],第i物品价值为W[i]。

与01背包相同,完全背包也需要求出NV个状态F[i][j]。但是完全背包求F[i][j]时需要对k分别取0,…,j/C[i]求最大F[i][j]值,耗时为j/C[i]。那么总的时间复杂度为O(NV∑(j/C[i]))

由此写出伪代码如下:

[cpp] view plaincopy

  1. F[0][] ← {0}
  2. F[][0] ← {0}
  3. for i←1 to N
  4. do for j←1 to V
  5. do for k←0 to j/C[i]
  6. 10.
  7. 11.            if(j >= k*C[i])
  8. 12.
  9. 13.                 then F[i][k] ← max(F[i][k],F[i-1][j-k*C[i]]+k*W[i])
  10. 14.

15. return F[N][V]

以上伪代码数组均为基于1索引,即第一件物品索引为1。空间复杂度O(VN)、时间复杂度为O(NV∑(j/C[i]))

        简单优化:

若两件物品满足C[i] ≤C[j]&&W[i] ≥W[j]时将第j种物品直接筛选掉。因为第i种物品比第j种物品物美价廉,用i替换j得到至少不会更差的方案。

这个筛选过程如下:先找出体积大于背包的物品直接筛掉一部分(也可能一种都筛不掉)复杂度O(N)。利用计数排序思想对剩下的物品体积进行排序,同时筛选出同体积且价值最大的物品留下,其余的都筛掉(这也可能一件都筛不掉)复杂度O(V)。整个过程时间复杂度为O(N+V)

       转化为01背包:

因为同种物品可以多次选取,那么第i种物品最多可以选取V/C[i]件价值不变的物品,然后就转化为01背包问题。整个过程的时间复杂度并未减少。如果把第i种物品拆成体积为C[i]×2k价值W[i]×2k的物品,其中满足C[i]×2k≤V。那么在求状态F[i][j]时复杂度就变为O(log2(V/C[i]))。整个时间复杂度就变为O(NVlog2(V/C[i]))

时间复杂度优化为O(NV)

将原始算法的DP思想转变一下。

F[i][j]表示出在前i种物品中选取若干件物品放入容量为j的背包所得的最大价值。那么对于第i种物品的出现,我们对第i种物品放不放入背包进行决策。如果不放那么F[i][j]=F[i-1][j];如果确定放,背包中应该出现至少一件第i种物品,所以F[i][j]种至少应该出现一件第i种物品,F[i][j]=F[i][j-C[i]]+W[i]。为什么会是F[i][j-C[i]]+W[i]?因为F[i][j-C[i]]里面可能有第i种物品,也可能没有第i种物品。我们要确保F[i][j]至少有一件第i件物品,所以要预留C[i]的空间来存放一件第i种物品。

状态方程为:

(2-2)

伪代码为:

[cpp] view plaincopy

  1. F[0][] ← {0}
  2. F[][0] ← {0}
  3. for i←1 to N
  4. do for j←1 to V
  5. F[i][j] ← F[i-1][j]
  6. 10.
  7. 11.         if(j >= C[i])
  8. 12.
  9. 13.             then F[i][j] ← max(F[i][j],F[i][j-C[i]]+ W[i])
  10. 14.

15. return F[N][V]

具体背包中放入那些物品的求法和01背包情况差不多,从F[N][V]逆着走向F[0][0],设i=N,j=V,如果F[i][j]==F[i][j-C[i]]+W[i]说明包里面有第i件物品,同时j -= C[i]。完全背包问题在处理i自减和01背包不同,01背包是不管F[i][j]与F[i-1][j-C[i]]+W[i]相不相等i都要减1,因为01背包的第i件物品要么放要么不放,不管放还是不放其已经遍历过了,需要继续往下遍历而完全背包只有当F[i][j]与F[i-1][j]相等时i才自减1。因为F[i][j]=F[i-1][j]说明背包里面不会含有i,也就是说对于前i种物品容量为j的背包全部都放入前i-1种物品才能实现价值最大化,或者直白的理解为前i种物品中第i种物品物不美价不廉,直接被筛选掉。

打印背包内物品的伪代码如下:

[cpp] view plaincopy

  1. i←N
  2. j←V
  3. while(i>0 && j>0)
  4. do if(F[i][j]=F[i][j-C[i]]+W[i])
  5. then Print W[i]
  6. 10.
  7. 11.                j←j-C[i]
  8. 12.
  9. 13.         else
  10. 14.
  11. 15.           i←i-1

和01背包一样,也可以利用一个二维数组Path[][]来标记背包中的物品。开始时Path[N][V]初始化为0,当 F[i][j]==F[i][j-C[i]]+W[i]时Path[i][j]置1。最后通过从Path[N+1][V+1]逆着走向Path[0][0]来获取背包内物品。其中Path[0][]与Path[][0]为边界。同样,在打印路径的时候当Path[][]=1时,打印W[i];Path[][]=0时i自减1.

加入路径信息的伪代码如下:

[cpp] view plaincopy

  1. F[0][] ← {0}
  2. F[][0] ← {0}
  3. Path[][] ← 0
  4. for i←1 to N
  5. do for k←1 to V
  6. 10.
  7. 11.         F[i][k] ← F[i-1][k]
  8. 12.
  9. 13.         if(k >= C[i] && F[i][k] < F[i][k-C[i]]+W[i])
  10. 14.
  11. 15.             then F[i][k] ← F[i][k-C[i]]+W[i]
  12. 16.
  13. 17.                  Path[i][k] ← 1
  14. 18.

19. return F[N][V] and Path[][]

打印背包内物品的伪代码如下:

[cpp] view plaincopy

  1. i←N
  2. j←V
  3. while(i>0 && j>0)
  4. do if(Path[i][j]=1)
  5. then Print W[i]
  6. 10.
  7. 11.                j←j-C[i]
  8. 12.
  9. 13.         else
  10. 14.
  11. 15.           i←i-1

优化空间复杂度为OV

和01背包问题一样,完全背包也可以用一维数组来保存数据。算法样式和01背包的很相似,唯一不同的是对V遍历时变为正序,而01背包为逆序。01背包中逆序是因为F[i][]只和F[i-1][]有关,且第i的物品加入不会对F[i-1][]状态造成影响。而完全背包则考虑的是第i物品的出现的问题,第i种物品一旦出现它势必应该对第i种物品还没出现的各状态造成影响。也就是说,原来没有第i种物品的情况下可能有一个最优解,现在第i种物品出现了,而它的加入有可能得到更优解,所以之前的状态需要进行改变,故需要正序。

状态方程为:

(2-3)

伪代码如下:

[cpp] view plaincopy

  1. F[] = {0}
  2. for i←1 to N
  3. do for k←C[i] to V
  4. F[k] ← max(F[k],F[k-C[i]]+W[i])
  5. return F[V]

具体背包中放入那些物品的求法和上面空间复杂度为O(NV)算法一样,用一个Path[][]记录背包信息。但这里面是当F[i]=F[i-C[i]]+W[i]时将Path置1.

伪代码如下:

[cpp] view plaincopy

  1. F[0][] = {0}
  2. F[][0] = {0}
  3. Path[][] ← 0
  4. for i←1 to N
  5. do for k←C[i] to V
  6. 10.
  7. 11.         if(F[i] < F[k-C[i]]+W[i])
  8. 12.
  9. 13.             then F[i] ← F[k-C[i]]+W[i]
  10. 14.
  11. 15.                  Path[i][k] ← 1
  12. 16.

17. return F[N][V] and Path[][]

打印路径的伪代码和前面未压缩空间复杂度时的伪代码一样,这里不再重写。

举例:表2-1为一个背包问题数据表,设背包容量为10根据上述解决方法可得到对应的F[i][j]如表2-2所示,最大价值即为F[6][10].

表2-1背包问题数据表


物品号i


1


2


3


4


5


6


体积C


3


2


5


1


6


4


价值W


6


5


10


2


16


8

表2-2前i件物品选若干件放入空间为j的背包中得到的最大价值表


0


1


2


3


4


5


6


7


8


9


10


0


0


0


0


0


0


0


0


0


0


0


0


1


0


0


0


6


6


6


12


12


12


18


18


2


0


0


5


6


10


11


15


16


20


21


25


3


0


0


5


6


10


11


15


16


20


21


25


4


0


2


5


7


10


12


15


17


20


22


25


5


0


2


5


7


10


12


16


18


21


23


26


6


0


2


5


7


10


12


16


18


21


23


26

下面针对前面提到的表2-1提供两种方法的测试代码:

 

  1. #include <iostream>
  2. #include <cstring>
  3. #include "CreateArray.h"        //该头文件用于二维数组的创建及销毁,读者自己实现
  4. using namespace std;

//时间复杂度O(VN),空间复杂度为O(VN)

  1. int Package02(int Weight[], int Value[], int nLen, int nCapacity)
  2. {
  3. int** Table = NULL;
  4. int** Path = NULL;
  5. CreateTwoDimArray(Table,nLen+1,nCapacity+1);    //创建二维数组
  6. CreateTwoDimArray(Path,nLen+1,nCapacity+1); //创建二维数组
  7. for(int i = 1; i <= nLen; i++)
  8. {
  9. 10.         for(int j = 1; j <= nCapacity; j++)
  10. 11.         {
  11. 12.             Table[i][j] = Table[i-1][j];
  12. 13.             if(j >= Weight[i-1] && Table[i][j] < Table[i][j-Weight[i-1]]+Value[i-1])
  13. 14.             {
  14. 15.                 Table[i][j] = Table[i][j-Weight[i-1]]+Value[i-1];
  15. 16.                 Path[i][j]=1;
  16. 17.             }
  17. 18.         }
  18. 19.     }
  19. 20.
  20. 21.     int i = nLen, j = nCapacity;
  21. 22.     while(i > 0 && j > 0)
  22. 23.     {
  23. 24.         if(Path[i][j] == 1)
  24. 25.         {
  25. 26.             cout << Weight[i-1] << " ";
  26. 27.             j -= Weight[i-1];
  27. 28.         }
  28. 29.         else
  29. 30.             i--;
  30. 31.     }
  31. 32.     cout << endl;
  32. 33.
  33. 34.     int nRet = Table[nLen][nCapacity];
  34. 35.     DestroyTwoDimArray(Table,nLen+1);   //销毁二维数组
  35. 36.     DestroyTwoDimArray(Path,nLen+1);    //销毁二维数组
  36. 37.     return nRet;

38. }

//时间复杂度O(VN),不考虑路径空间复杂度为O(V),考虑路径空间复杂度为O(VN)

  1. int Package02_Compress(int Weight[], int Value[], int nLen, int nCapacity)
  2. {
  3. int * Table = new int [nCapacity+1];
  4. memset(Table,0,(nCapacity+1)*sizeof(int));
  5. int** Path = NULL;
  6. CreateTwoDimArray(Path,nLen+1,nCapacity+1);     //创建二维数组
  7. for(int i = 0; i < nLen; i++)
  8. 10.     {
  9. 11.         for(int j = Weight[i]; j <=nCapacity; j++)
  10. 12.         {
  11. 13.             if(Table[j] < Table[j-Weight[i]]+Value[i])
  12. 14.             {
  13. 15.                 Table[j] = Table[j-Weight[i]]+Value[i];
  14. 16.                 Path[i+1][j] = 1;
  15. 17.             }
  16. 18.         }
  17. 19.     }
  18. 20.
  19. 21.     int i = nLen, j = nCapacity;
  20. 22.     while(i > 0 && j > 0)
  21. 23.     {
  22. 24.         if(Path[i][j] == 1)
  23. 25.         {
  24. 26.             cout << Weight[i-1] << " ";
  25. 27.             j -= Weight[i-1];
  26. 28.         }
  27. 29.         else
  28. 30.             i--;
  29. 31.     }
  30. 32.     cout << endl;
  31. 33.
  32. 34.     int nRet = Table[nCapacity];
  33. 35.     DestroyTwoDimArray(Path,nLen+1);    //销毁二维数组
  34. 36.     delete [] Table;
  35. 37.     return nRet;

38. }

测试代码:

  1. int main()
  2. {
  3. int Weight[] = {3,2,5,1,6,4};
  4. int Value[] =  {6,5,10,2,16,8};
  5. int nCapacity = 10;
  6. cout << Package02(Weight,Value,sizeof(Weight)/sizeof(int),nCapacity) << endl;
  7. cout << Package02_Compress(Weight,Value,sizeof(Weight)/sizeof(int),nCapacity) << endl;
  8. return 0;
  9. }

本文部分内容参考“背包九讲”

背包之01背包、完全背包、多重背包详解

PS:大家觉得写得还过得去,就帮我把博客顶一下,谢谢。

首先说下动态规划,动态规划这东西就和递归一样,只能找局部关系,若想全部列出来,是很难的,比如汉诺塔。你可以说先把除最后一层的其他所有层都移动到2,再把最后一层移动到3,最后再把其余的从2移动到3,这是一个直观的关系,但是想列举出来是很难的,也许当层数n=3时还可以模拟下,再大一些就不可能了,所以,诸如递归,动态规划之类的,不能细想,只能找局部关系。

1.汉诺塔图片

(引至杭电课件:DP最关键的就是状态,在DP时用到的数组时,也就是存储的每个状态的最优值,也就是记忆化搜索)

要了解背包,首先得清楚动态规划:

动态规划算法可分解成从先到后的4个步骤:

1. 描述一个最优解的结构;

2. 递归地定义最优解的值;

3. 以“自底向上”的方式计算最优解的值;

4. 从已计算的信息中构建出最优解的路径。

其中步骤1~3是动态规划求解问题的基础。如果题目只要求最优解的值,则步骤4可以省略。

背包的基本模型就是给你一个容量为V的背包

在一定的限制条件下放进最多(最少?)价值的东西

当前状态→ 以前状态

看了dd大牛的《背包九讲》(点击下载),迷糊中带着一丝清醒,这里我也总结下01背包,完全背包,多重背包这三者的使用和区别,部分会引用dd大牛的《背包九讲》,如果有错,欢迎指出。

(www.wutianqi.com留言即可)

首先我们把三种情况放在一起来看:

01背包(ZeroOnePack): 有N件物品和一个容量为V的背包。(每种物品均只有一件)第i件物品的费用是c[i],价值是w[i]。求解将哪些物品装入背包可使价值总和最大。

完全背包(CompletePack): 有N种物品和一个容量为V的背包,每种物品都有无限件可用。第i种物品的费用是c[i],价值是w[i]。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量,且价值总和最大。

多重背包(MultiplePack): 有N种物品和一个容量为V的背包。第i种物品最多有n[i]件可用,每件费用是c[i],价值是w[i]。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量,且价值总和最大。

比较三个题目,会发现不同点在于每种背包的数量,01背包是每种只有一件,完全背包是每种无限件,而多重背包是每种有限件。

——————————————————————————————————————————————————————————–

先来分析01背包

01背包(ZeroOnePack): 有N件物品和一个容量为V的背包。(每种物品均只有一件)第i件物品的费用是c[i],价值是w[i]。求解将哪些物品装入背包可使价值总和最大。

这是最基础的背包问题,特点是:每种物品仅有一件,可以选择放或不放。

用子问题定义状态:即f[i][v]表示前i件物品恰放入一个容量为v的背包可以获得的最大价值。则其状态转移方程便是:

f[i][v]=max{f[i-1][v],f[i-1][v-c[i]]+w[i]}

把这个过程理解下:在前i件物品放进容量v的背包时,

它有两种情况:

第一种是第i件不放进去,这时所得价值为:f[i-1][v]

第二种是第i件放进去,这时所得价值为:f[i-1][v-c[i]]+w[i]

(第二种是什么意思?就是如果第i件放进去,那么在容量v-c[i]里就要放进前i-1件物品)

最后比较第一种与第二种所得价值的大小,哪种相对大,f[i][v]的值就是哪种。

(这是基础,要理解!)

这里是用二位数组存储的,可以把空间优化,用一位数组存储。

f[0..v]表示,f[v]表示把前i件物品放入容量为v的背包里得到的价值。把i1~n(n)循环后,最后f[v]表示所求最大值。

*这里f[v]就相当于二位数组的f[i][v]。那么,如何得到f[i-1][v]和f[i-1][v-c[i]]+w[i]?(重点!思考)
首先要知道,我们是通过i从1到n的循环来依次表示前i件物品存入的状态。即:for i=1..N
现在思考如何能在是f[v]表示当前状态是容量为v的背包所得价值,而又使f[v]和f[v-c[i]]+w[i]标签前一状态的价值?

逆序!

这就是关键!


1

2

3


for i=1..N

   for v=V..0

        f[v]=max{f[v],f[v-c[i]]+w[i]};

分析上面的代码:当内循环是逆序时,就可以保证后一个f[v]和f[v-c[i]]+w[i]是前一状态的!
这里给大家一组测试数据:

测试数据:
10,3
3,4
4,5
5,6

这个图表画得很好,借此来分析:

C[v]从物品i=1开始,循环到物品3,期间,每次逆序得到容量v在前i件物品时可以得到的最大值。(请在草稿纸上自己画一画)

这里以一道题目来具体看看:

题目:http://acm.hdu.edu.cn/showproblem.php?pid=2602

代码在这里:http://www.wutianqi.com/?p=533

分析:

具体根据上面的解释以及我给出的代码分析。这题很基础,看懂上面的知识应该就会做了。

——————————————————————————————————————————————————————————–

完全背包:

完全背包(CompletePack): 有N种物品和一个容量为V的背包,每种物品都有无限件可用。第i种物品的费用是c[i],价值是w[i]。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量,且价值总和最大。

完全背包按其思路仍然可以用一个二维数组来写出:

f[i][v]=max{f[i-1][v-k*c[i]]+k*w[i]|0<=k*c[i]<=v}

同样可以转换成一维数组来表示:

伪代码如下:


1

2

3


for i=1..N

    for v=0..V

        f[v]=max{f[v],f[v-c[i]]+w[i]}

顺序!

想必大家看出了和01背包的区别,这里的内循环是顺序的,而01背包是逆序的。
现在关键的是考虑:为何完全背包可以这么写?
在次我们先来回忆下,01背包逆序的原因?是为了是max中的两项是前一状态值,这就对了。
那么这里,我们顺序写,这里的max中的两项当然就是当前状态的值了,为何?
因为每种背包都是无限的。当我们把i从1到N循环时,f[v]表示容量为v在前i种背包时所得的价值,这里我们要添加的不是前一个背包,而是当前背包。所以我们要考虑的当然是当前状态。
这里同样给大家一道题目:

题目:http://acm.hdu.edu.cn/showproblem.php?pid=1114

代码:http://www.wutianqi.com/?p=535

(分析代码也是学习算法的一种途径,有时并不一定要看算法分析,结合题目反而更容易理解。)

——————————————————————————————————————————————————————————–

多重背包

多重背包(MultiplePack): 有N种物品和一个容量为V的背包。第i种物品最多有n[i]件可用,每件费用是c[i],价值是w[i]。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量,且价值总和最大。

这题目和完全背包问题很类似。基本的方程只需将完全背包问题的方程略微一改即可,因为对于第i种物品有n[i]+1种策略:取0件,取1件……取n[i]件。令f[i][v]表示前i种物品恰放入一个容量为v的背包的最大权值,则有状态转移方程:

f[i][v]=max{f[i-1][v-k*c[i]]+k*w[i]|0<=k<=n[i]}

这里同样转换为01背包:

普通的转换对于数量较多时,则可能会超时,可以转换成二进制(暂时不了解,所以先不讲)

对于普通的。就是多了一个中间的循环,把j=0~bag[i],表示把第i中背包从取0件枚举到取bag[i]件。

给出一个例题:

题目:http://acm.hdu.edu.cn/showproblem.php?pid=2191

代码:http://www.wutianqi.com/?p=537

因为限于个人的能力,我只能讲出个大概,请大家具体还是好好看看dd大牛的《背包九讲》。

暂时讲完后,随着以后更深入的了解,我会把资料继续完善,供大家一起学习探讨。(我的博客:www.wutianqi.com如果大家有问题或者资料里的内容有错误,可以留言给出,谢谢您的支持。)

原文下载地址:(Word版)
http://download.csdn.net/source/2587577

(背包)剪辑的别人写的背包文章,转到自己博客上供以后学习使用

时间: 2024-12-20 06:35:14

(背包)剪辑的别人写的背包文章,转到自己博客上供以后学习使用的相关文章

Typora文章一键复制至博客

一.背景 在用Typora写博客文章时,首先是将文章写好,为了让文章更直观,一般情况下会在文章中插入图片(毕竟人是视觉动物,眼睛是十分强大的图片处理器).但是在将编辑好的文章复制粘贴至博客时,会发现图片无法显示,此时最笨的办法就是一张张的图片上传至博客,可想效率之低下,于是在思考如何高效的将文章复制到博客.虽然,网络上已经有了很多的办法,但一直在尝试是否能寻找到更便捷高效的方法,最后站在各路互联网站巨人的肩膀写下此博文. 二.解决方案 解决Typora图片复制问题,其实本质就是各博客的API并非

关于写博客和目前学习总结

写博客 由于是第一次写,我就废话多点. 为什么开始写 本人是一个国内渣二本的一名大二学生,学的是软件工程专业,现在还没有分方向,不过我的目标目前是嵌入式系统与开发.之前一直听说过国内有很多技术大牛会写一些技术博客,自己也会时不时地找到他们的博客来浏览,每次都能学到很多东西.自己从来没有过关于写博客的想法,也从来都没有想过自己有一天也会来写博客.有一天刷bilibili的时候,就看到过一个程序员up主(用户名:codesheep)说过写技术博客对我们学生也是有用处的,后来也在网上搜索了些资料,最后

其实主要涉及的就是分类,文章,摘要,博客自定义信息调用等方法

1,首先调用导航,需要使用分类内容 2,首页调用文章内容,一般包括标题,摘要,作者,时间等内容 3,到具体栏目页面,调用指定栏目下的内容(分为指定调用和自动调用) 4,文章页面的展示 5,图片内容调用(一般来说是调用文章中的第一个图片) 1 调用分类 2 3 <?php 4 $categories = get_categories(); 5 foreach($categories as $category): 6 ?> 7 8 <li><a href="?cat=&

第一次写博客,初学者学习JAVA,希望大家多多指导。

数组的学习 1.定义数组:int [] list = new int[]; 2.将一个数组对象传递给方法时,该方法可以直接修改数组的内容,而不需要通过返回值来实现. 例: 1 public static void incrementAll(int[]data){ 2 for(int i = 0;i<list.length;i++){ 3 data[i]++; 4 } 5 } 可以直接调用incrementAll(list); 若在方法内部定义数组要注意(1)有返回值(2)不需要数组参数 1 pu

写过的一些Oracle相关的博客

Oracle体系结构:http://blog.chinaunix.net/uid/25909722/cid-164523-list-1.html Oracle优化:http://blog.chinaunix.net/uid/25909722/cid-175551-list-1.html Oracle RAC DG GG:http://blog.chinaunix.net/uid/25909722/cid-172063-list-1.html Oracle备份恢复:http://blog.chin

读书笔记_写给自学者的入门指南 &gt;博客园||知识库

it背景缺失 初学者对于IT世界没有足够的认知来搭建起一个世界观.无法把所学的基础转换成地图的一个块.容易感到失落(不知道学会了一门新技术的意义和使用方向) 1.学科基础 <高等数学>.<离散数学>.<电子电路>.<数据结构>.<程序设计>.<计算机组成原理>.<编译原理>.<计算机网络>. <软件工程>.<数据库原理>等.有些学校会有一些额外的课程,例如<通信原理>.<

如何写出高质量的技术博客 这边文章出自http://www.jianshu.com/p/ae9ab21a5730 觉得不错直接拿过来了 好东西要大家分享嘛

    如何写出高质量的技术博客?答案是:如果你想,就一定能写出高质量的技术博客.看起来很唯心,但这就是事实.有足够愿力去做一件目标明确,有良好反馈系统的事情往往很简单.就是不停地训练,慢慢地,你自己就能找出规律和技巧.所以,要写出高质量的技术博客,首先要解决为什么要写的问题. 为什么要写 我一直很喜欢的一个学习方法是 Learning by teaching 一个课题,如果你能给不懂的人解释清楚,说明你对这个课题的理解足够深入.把一个课题展开来写,你可能会发现某些方面你还写不清楚,这往往说明你

Python爬取CSDN博客文章

之前解析出问题,刚刚看到,这次仔细审查了 0 url :http://blog.csdn.net/youyou1543724847/article/details/52818339Redis一点基础的东西目录 1.基础底层数据结构 2.windows下环境搭建 3.java里连接redis数据库 4.关于认证 5.redis高级功能总结1.基础底层数据结构1.1.简单动态字符串SDS定义: ...47分钟前1 url :http://blog.csdn.net/youyou1543724847/

博客起航:为什么应该写博客

博客起航:为什么应该写博客 大概两年前,上大三的时候,我萌生了尝试写自己的博客的想法,因为在大学的时候,大部分时间是在自学,遇到问题时,在网上查阅资料,从而接触了许多博主写的经典博客,受益匪浅,那时我就在想,什么时候也开始写自己的博客,把自己的所思.所想.所悟.所历.所学记录下来与网友们分享,汗颜的是到现在才开始写自己的第一篇博文<博客起航:为什么应该写博客>.之所以以该篇博文作为自己的开篇博文,就是因为正如题名那样,我想明白.我也需要明白为什么应该写博客,凡事开头难,只有明白了写博客的核心价