时间计算

运动规划简介 当虚拟人开始一次漫游时，首先全局规划器根据已有的长期信息进行全局静态规划，确定虚拟人应该经过的最优化路线。然后全局规划器控制执行系统按照该路径运动。在运动过程中，感知系统会持续对周围环境进行感知。当发现动态的物体或未知障碍时，局部规划器根据这些感知到的局部信息，确定短期內的运动。当避障行为的优先级高于沿原路径前进时，局部规划器就能够通过竞争获得执行系统的控制权，使得虚拟人按照局部规划结果运动。完成对当前感知障碍的规避行为后，全局规划器再次取得执行系统的控制权，使得虚拟人重新回到全局规划路径上，继续向目标点运动。 参考 Dijkstra和A*算法做的效果演示动画 A*算法加入了启发函数，用于引导其搜索方向,A*算法会比Dijkstra算法规划速度快不少 最佳优先搜索（BFS）算法 　BFS按照类似的流程运行，不同的是它能够评估（称为启发式的）任意结点到目标点的代价。与选择离初始结点最近的结点不同的是，它选择离目标最近的结点。BFS不能保证找到一条最短路径。然而，它比Dijkstra算法快的多，因为它用了一个启发式函数（heuristic function）快速地导向目标结点。例如，如果目标位于出发点的南方，BFS将趋向于导向南方的路径。在下面的图中，越黄的结点代表越高的启发式值（移动到目标的代价高），而越黑的结点代表越低的启发式值（移动到目标的代价低）

最常见获取N天前后的日期的方法是： //获取N天后日期 + (NSDate *)getDate:(NSDate *)currentDate day:(NSInteger)day { NSInteger days = day; // n天后的天数 days = (days == 0 ? 2.f : days);//未指定天数则默认为两天 NSDate *appointDate; // 指定日期声明 NSTimeInterval oneDay = 24 * 60 * 60; // 一天一共有多少秒 appointDate = [currentDate initWithTimeIntervalSinceNow: +(oneDay * days)]; return appointDate; } 而获取N天前的日期 //改为负的天数即可 appointDate = [currentDate initWithTimeIntervalSinceNow: -(oneDay * days)]; 大都是这样的方法，该方法也确实能计算出距离《当前》时间的N天前或N天后的时间；但是在最近使用时，发现这样计算却无法算出《指定日期》的N天前/后时间，为此还试了很多次，却都没有计算出… 感觉 initWithTimeIntervalSinceNow 方法始终是用《当前》时间来计算N天前/后的时间；即使传入一个

软件版本：VIVADO2017.4 操作系统：WIN10 64bit 硬件平台：适用米联客 ZYNQ系列开发板 米联客(MSXBO)论坛： www.osrc.cn 答疑解惑专栏开通，欢迎大家给我提问！！ 13.1 概述 ZYNQ的PS中包含了2个CAN接口，兼容CAN 2.0A和CAN 2.0B，最高可支持1Mbps的波特率。CAN作为工业应用中的一个重要的总线标准，广泛应用于各行各业之中。本教程介绍了ZYNQ中PS端CAN接口的基本使用方法，并通过CAN接口实现与PC端CAN调试软件之间的数据接收和发送测试。 13.2 CAN总线介绍 13.2.1数据格式 CAN总线中的数据以帧为单位，一共包含5种类型的帧，分别为：数据帧、远程帧、错误帧、过载帧和帧间隔。 数据帧：用于发送节点向接收节点传送数据的帧。 远程帧：用于接收节点向具有相同ID的发送节点请求数据的帧。 错误帧：用于当检测出错误时向其他节点通知错误的帧。 过载帧：用于接收节点通知其尚未做好接受准备的帧。 帧间隔：用于将数据帧及远程帧与前面的帧分离开来。 CAN帧格式如下图所示，CAN 2.0A中使用的是标准帧，CAN 2.0B中使用的是扩展帧。标准帧和扩展帧的区别在于扩展帧增加了18bit的扩展标识符。一般情况下，与用户直接相关的只有数据帧和远程帧。数据帧和远程帧都可以使用标准帧格式或者扩展帧格式。

import java.text.ParseException; import java.text.SimpleDateFormat; import java.util.Calendar; import java.util.Date; import java.util.Scanner; /** * * 计算活了多少天 * * */ public class CountLife { public static void main(String[] args) throws ParseException { Scanner scanner = new Scanner(System.in); // 1) 输入您的出生日期确定时间开始时间 System.out.println("请输入您的出生日期(如：1998-12-12)"); String first = scanner.next(); // 2) 确定结束时间 System.out.println("请输入当前时间(如：1998-12-12)"); String end = scanner.next(); // 3) 使用 SimpleDateFormat 类，格式化时间，将字符转成Date格式,注意时间字符串必须和指定格式一样的 (yyyy-MM-dd) SimpleDateFormat format = new

参数为时间戳 function workDays($start, $end) { $end < $start && exit; $double = ($end - $start) / (7 * 24 * 3600); $double = floor($double); $start_weekday = date('w', $start); $end_weekday = date('w', $end); //开始结束时间去掉周末 if($start_weekday==6 || $start_weekday==0) { if ($start_weekday == 6) { $start = strtotime(date('Y-m-d', $start)) + 2 * 24 * 3600; } if ($start_weekday == 0) { $start = strtotime(date('Y-m-d', $start)) + 1 * 24 * 3600; } $start_weekday = date('w', $start); } if($end_weekday==6 || $end_weekday==0) { if ($end_weekday == 6) { $end = strtotime(date('Y-m-d', $end)); } if ($end_weekday =

优化问题 使用随机优化解决写作类问题：存在多种变量的影响，存在许多个可能的解，通过对题解打分，找到一个问题的最优解。 优化的主要思想： 找到影响结果的因素，比如这里旅行的航班价格、花费时间、租车费用等 将考虑到的主要因素根据权重组成，计算出总的成本 利用一定的算法找到成本最小时候的各个因素的取值 关键在于确定题解表示法和成本函数 计算最小成本的方法： 随机搜索 爬山法 模拟退火 遗传算法 在本节中要找到所有人乘坐航班的最佳班次表，也就是一个航班班次的列表 import time import math import random people = [('Seymour','BOS'), ('Franny','DAL'), ('Zooey','CAK'), ('Walt','MIA'), ('Buddy','ORD'), ('Les','OMA')] # Laguardia destination='LGA' # 解析schedule.txt为航班详情 flights = {} for line in file('schedule.txt'): origin, dest, depart, arrive, price = line.split(',') flights.setdefault((origin, dest), []) # 将航班详情添加到航班列表中 flights[

​ 此文选自Google大神Tyler Akidau的另一篇文章：Streaming 102: The world beyond batch ​ 欢迎回来！如果您错过了我以前的帖子， Streaming-大数据的未来 ，强烈建议您先花时间阅读那篇文章。 简要回顾一下，上一篇我们介绍了Streaming，批量与流式计算，正确性与推理时间的工具，数据处理模式，事件事件与处理时间，窗口化。 在这篇文章中，我想进一步关注上次的数据处理模式，但更详细。 ​ 这里会用到一些 Google Cloud Dataflow 的代码片段，这是谷歌的一个框架，类似于Spark Streaming或Storm 。 这里还有再说三个概念： Watermarks：水印是关于事件时间的输入完整性的概念。如果到某一个时间的水印，应该是已经获取到了小于该时间的所有数据。在处理无界数据时，水印就作为处理进度的标准。 Triggers: 触发器是一种机制，用于声明窗口何时应该输出，触发器可灵活选择何时应发出输出。我们可以随着时间的推移不断改进结果，也可以处理那些比水印晚到达的数据，改进结果。 Accumulation: 累积模式指定在同一窗口中观察到的多个结果之间的关系。这些结果可能是完全脱节的，即随着时间的推移表示独立的增量，或者它们之间可能存在重叠。 四个新的问题： what？ where？ when？ How？

目录 一 为什么要有操作系统 二 什么是操作系统 三 操作系统与普通软件的区别 四 操作系统发展史 五、操作系统原理 1. 操作系统的资源管理技术 2. 系统调用 3. 操作系统内核 4. 处理器状态： 内核态和用户态 5. 中断（Interupt） 6. 进程 7. 处理器调度 8. 进程的交互 9. 临界区管理 10. 信号量(samaphore)和PV操作 11. 管程 12. 死锁 13. 可变分区存储管理 14. 分页存储管理 15. 分段存储管理 16. 虚拟存储管理 17. 请求段页式虚拟内存管理 18. I/O硬件原理：I/O控制方式 19. I/O软件原理 20. 缓冲技术 21. 驱动调度技术 22. 设备独立性 23. 虚拟设备 24. 文件逻辑结构 25. 文件物理结构 二、Q&A 1. 什么是操作系统？操作系统在计算机系统中的主要作用是什么？ 2. 什么是多道程序设计？多道程序设计有什么特点？ 3. 计算机操作系统为什么引入进程？ 4. 在分时系统中，什么是响应时间？它与哪些因素有关？ 5. 解释并发性与并行性 6. 试述存储管理的基本功能。 7. 何谓地址转换(重定向)？哪些方法可以实现地址转换？ 8. 什么是文件的共享？介绍文件共享的分类和实现思想。 一 为什么要有操作系统 （ 两本书：现代操作系统、操作系统原理，学好python以后再去研究吧~~）

分享一篇关于实时流式计算的经典文章，这篇文章名为Streaming 101: The world beyond batch 那么流计算如何超越批处理呢？ 从这几个方面说明：实时流计算系统，数据处理模式，还有大数据的未来。 一、实时流式计算系统 实时流式计算的意义： 1、企业渴望获得更及时的数据，实时计算系统延迟更低。 2、数据量越来越大，而实时计算系统理论上是处理无界数据的。 3、在数据到达时处理数据，可以更好的分担负载，对于资源的消耗更容易预测。 什么是Streaming？ 有很多的定义，比如无界数据处理，近实时结果等，并不能说明Streaming的真正含义。Streaming应该是包含 无界数据 近实时 一致性 可重复结果 等等特征的。 所以这里给出Streaming的定义是： a type of data processing engine that is designed with infinite data sets in mind 一种考虑了无线数据集的数据处理引擎。 （这个定义包含了现在流行的真正的流式和微批） Streaming常见的用法： 1、无限数据：一种不断增长的，基本上无限的数据集。这些通常被称为“流式数据”。无限的流式数据集可以称为无界数据，相对而言有限的批量数据就是有界数据。 2、无界数据处理：一种持续的数据处理模式，应用于上面的无界数据。批量处理数据

限流算法 计数器限流 固定窗口 滑动窗口 桶限流 令牌桶 漏桶 计数器 计数器限流可以分为： 固定窗口 滑动窗口 固定窗口 固定窗口计数器限流简单明了，就是限制单位之间内的请求数，比如设置QPS为10，那么从一开始的请求进入就计数，每次计数前判断是否到10，到达就拒绝请求，并保证这个计数周期是1秒，1秒后计数器清零。 以下是利用redis实现计数器分布式限流的实现，曾经在线上实践过的lua脚本： local key = KEYS[1] local limit = tonumber(ARGV[1]) local refreshInterval = tonumber(ARGV[2]) local currentLimit = tonumber(redis.call('get', key) or '0') if currentLimit + 1 > limit then return -1; else redis.call('INCRBY', key, 1) redis.call('EXPIRE', key, refreshInterval) return limit - currentLimit - 1 end 一个明显的弊端就是固定窗口计数器算法无法处理突刺流量，比如10QPS，1ms中来了10个请求，后续的999ms的所有请求都会被拒绝。 滑动窗口 为了解决固定窗口的问题