含匹配扰动的多智能体领航跟随一致性Matlab仿真

文章目录

    • @[TOC](文章目录)
  • 前言
  • 一、问题描述
  • 二、基于LQR的观测器和控制器设计
    • 1.观测器设计
    • 2.控制器设计
  • 三、数值仿真
  • 四、参考文献
  • 总结

前言

​本文探讨了带有匹配扰动的多智能体领航跟随一致性控制方法，并提供了相应的Matlab仿真代码。

具体的设计步骤如下：

  1. 将匹配扰动看为系统的扩张状态，设计扩张状态观测器，估计扰动的大小；
  2. 基于邻居节点间的状态误差设计控制器，并更具扰动估计值，在控制器中补偿扰动；
  3. 使用使用线性二次型调节器（Linear Quadratic Regulator，LQR）对控制器增益和观测器增益进行了优化设计。

​本文所涉及到的关于图论和LQR的基础知识可参考如下博客：

  • https://zhuanlan.zhihu.com/p/373435683
  • https://zhuanlan.zhihu.com/p/139145957
  • https://blog.csdn.net/qq_24649627/article/details/104690279

一、问题描述

多智能体系统由一个领航者和 N N N个含有匹配扰动跟随者组成。跟随者动力学模型为：
x ˙ i = A x i + B ( u i + d i ) y i = C x i \begin{array}{l} {{\dot x}_i} = A{x_i} + B({u_i} + {d_i})\\ {y_i} = C{x_i} \end{array} x˙i​=Axi​+B(ui​+di​)yi​=Cxi​​
式中， i = 1 , 2 , . . . , N i=1,2,...,N i=1,2,...,N， x i x_i xi​、 u i u_i ui​、 d i d_i di​和 y i y_i yi​分别是跟随者的状态、控制输入、匹配扰动和系统输出。

​ 领导者动力学模型为：
x ˙ 0 = A x 0 y 0 = C x 0 \begin{array}{c} {{\dot x}_0} = A{x_0}\\ {y_0} = C{x_0} \end{array} x˙0​=Ax0​y0​=Cx0​​
式中， x 0 x_0 x0​和 y 0 y_0 y0​分别为领航者的状态和系统输出。

二、基于LQR的观测器和控制器设计

1.观测器设计

将扰动 d i d_i di​看为跟随者的状态，则模型(1)可重构为：
x ˉ ˙ i = A ˉ x ˉ i + B ˉ u i + E p i y i = C ˉ x ˉ i \begin{array}{c} {{\dot{\bar x}_i} } = \bar A{{\bar x}_i} + \bar B{u_i} + E{p_i}\\ {y_i} = \bar C{{\bar x}_i} \end{array} xˉ˙i​=Aˉxˉi​+Bˉui​+Epi​yi​=Cˉxˉi​​
式中， x ˉ i = [ x i d i ] T \bar{x}_i=\left[ x_i \quad d_i \right]^{\rm{T}} xˉi​=[xi​di​]T， p i = d ˙ i p_i=\dot{d}_i pi​=d˙i​， A ˉ = [ A B 0 0 ] \bar{A}=\left[ \begin{matrix} A & B \\ \textbf{0} & \textbf{0} \end{matrix} \right] Aˉ=[A0​B0​]， B ˉ = [ B 0 ] T \bar{B}=\left[ B \quad \textbf{0} \right]^{\rm{T}} Bˉ=[B0]T， C ˉ = [ C 0 ] \bar{C}=\left[ C \quad \textbf{0} \right] Cˉ=[C0]，其中 0 \textbf{0} 0是适度维度的零矩阵。
假设模型(3)中 ( A ˉ , C ˉ ) (\bar{A},\bar{C}) (Aˉ,Cˉ)是可观的，可设计一个龙伯格扩张状态观测器为：
x ˉ ^ ˙ i = A ˉ x ˉ ^ i + B ˉ u i + G ( y i − C ˉ x ˉ ^ i ) \dot{\hat{\bar{x}}}_i = \bar A{\hat{\bar x} }_i + \bar B{u_i} + G({y_i} - \bar C{\hat{\bar x} }_i) xˉ^˙i​=Aˉxˉ^i​+Bˉui​+G(yi​−Cˉxˉ^i​)
式中， x ˉ ^ i = \hat{\bar{x}}_i= xˉ^i​=是对 x ˉ i \bar{x}_i xˉi​的估计， G G G是观测器增益矩阵。

​ 增益 G G G常采用极点配置法求取，但理想的期望极点很难确定，且该方法无法通过误差和控制输入的优化来选取增益G，因此，可以使用LQR的方法设计 G G G，具体设计方法参考文献【1】。

2.控制器设计

​ 第 i i i个跟随者节点与其邻居节点之间的状态误差定义为：
ξ i = ∑ j ∈ N i ( ( a i j ( x ^ i − x ^ j ) + b i ( x ^ i − x 0 ) ) {\xi _i} = \sum\nolimits_{j \in {N_i}} {(({a_{ij}}(\hat{{ x}}_i - {\hat{ x}_j}) + {b_i}({\hat{ x}_i} - {x_0}))} ξi​=∑j∈Ni​​((aij​(x^i​−x^j​)+bi​(x^i​−x0​))
式中， N i N_i Ni​表示 i i i节点邻居节点的集合； j j j节点对 i i i节点有信息传递时， a i j = 1 a_{ij}=1 aij​=1，否则 a i j = 0 a_{ij}=0 aij​=0；领航者对 i i i节点有信息传递时， b i = 0 b_i=0 bi​=0，否则 b i = 0 b_i=0 bi​=0。

​ 假设模型(2)中(A,B)是可控的，根据扩张状态观测器得到的扰动估计值，可设计带扰动补偿的控制器为：
u i = K ξ i − d ^ i {u_i} = K{\xi _i} - {\hat d_i} ui​=Kξi​−d^i​
式中， K = − τ K a K=-\tau{K_a} K=−τKa​，其中 τ \tau τ是一个与多智能体通讯拓扑结构相关的参数， K a K_a Ka​为控制器增益矩阵。

​ 为了提高控制器的性能，同样可以使用LQR方法设计控制器增益 K a K_a Ka​，具体设计方法参考文献【2】。
关于控制器和观测器的稳定性，感兴趣的读者可以自行证明。

三、数值仿真

考虑一个二阶领航跟随多智能体系统有1个领航者和4个跟随者，状态 x i = [ x 1 , i x 2 , i ] T x_i=\left[ x_{1,i} \quad x_{2,i} \right]^{\rm{T}} xi​=[x1,i​x2,i​]T，系统矩阵 A = [ 0 1 0 0 ] A=\left[ \begin{matrix} 0 & 1 \\ 0 & 0 \end{matrix} \right] A=[00​10​]， B = [ 0 1 ] T B=\left[ 0 \quad 1 \right]^{\rm{T}} B=[01]T， C ˉ = [ 1 0 ] \bar{C}=\left[ 1 \quad 0 \right] Cˉ=[10]。领航跟随多智能体系统通讯拓扑图为：
在这里插入图片描述
设置外部扰动为：
d i = α i t + β i e χ i t sin ⁡ t + γ i i = 1 , 2 ⋯ 8 {d_i} = {\alpha _i}t + {\beta _i}{e^{{\chi _i}t}}\sin t + {\gamma _i}{\rm{ }}i = 1,2 \cdots 8 di​=αi​t+βi​eχi​tsint+γi​i=1,2⋯8
式中，扰动参数 α = [ 0.001 − 0.001 0.002 0.001 ] T \alpha = \left[ 0.001 \quad -0.001 \quad 0.002 \quad 0.001 \right]^{\rm{T}} α=[0.001−0.0010.0020.001]T， β = [ 1 1.5 2 2.5 ] T \beta= \left[ 1 \quad 1.5 \quad 2 \quad 2.5 \right]^{\rm{T}} β=[11.522.5]T， χ = [ − 0.3 − 0.3 − 0.5 0.3 ] T \chi= \left[ -0.3 \quad -0.3 \quad -0.5 \quad 0.3 \right]^{\rm{T}} χ=[−0.3−0.3−0.50.3]T， γ = [ 1 2 − 1 5 ] T \gamma= \left[ 1 \quad 2 \quad -1 \quad 5 \right]^{\rm{T}} γ=[12−15]T
设置跟随者初始状态：
x 1 ( 0 ) = [ 2 0 4 0 ] T x 2 ( 0 ) = [ − 1 0 − 1 1 ] T \begin{align*} x_{1}(0) &= \left[ 2 \quad 0 \quad 4 \quad 0 \right]^{\rm{T}} \\ x_{2}(0) &= \left[ -1 \quad 0 \quad -1 \quad 1 \right]^{\rm{T}} \end{align*} x1​(0)x2​(0)​=[2040]T=[−10−11]T​
设置领航初始状态与运动轨迹为：
x 1 , 0 ( 0 ) = 2 x 2 , 0 ( 0 ) = 0 x ˙ 2 , 0 ( t ) = 0.2 cos ⁡ ( 0.15 t ) \begin{align*} x_{1,0}(0) &= 2 \\ x_{2,0}(0) &= 0 \\ \dot{x}_{2,0}(t)=0.2\cos (0.15t) \end{align*} x1,0​(0)x2,0​(0)x˙2,0​(t)=0.2cos(0.15t)​=2=0​
Matlab仿真代码如下所示：

clear
clc

%% 预先设置
global L F K G A B A_bar B_bar D_Mar
%系统矩阵
A = [0 1; 0 0];
B = [0; 1];
C = [1 0];
A_bar = [A B; 0 0 0];
B_bar = [B; 0];
C_bar = [C 0];

%系统通讯拓扑图
L = [2 -1  0 -1
    -1  2 -1  0
     0 -1  2 -1
    -1  0 -1  2];% 拉普拉斯矩阵

F= diag([1  0  0  0]); % 牵引矩阵

%观测器Riccati方程
Qa = diag([15 15 15]);Ra = 0.1;
%控制器Riccati方程
Qb = diag([10 10]);Rb = 0.6;

% LQR方法求解观测器增益
[G,Pa] = lqr(A_bar', C_bar', Qa, Ra); 
G = G';

% LQR方法求解控制器增益
[Ka,Pb] = lqr(A, B, Qb, Rb);
tau = 1/(2*min(eig(L+F)));
K = -tau*Ka;

%扰动参数矩阵
D_Mar = [ 0.001 -0.001 0.002 0.001
          1 1.5 2 2.5
         -0.3 -0.3 -0.5 -0.3
          1  2 -1  5];

% 多智能体初始状态设置
X1l = 2;
X2l = 0;
X1f = [2 0 4 0];
X2f = [-1 0 -1 1];
X1hat = X1f; % 跟随者位置状态的初始估计
X2hat = X2f; % 跟随者速度状态的初始估计
Dhat = D_Mar(4,:);% 扰动的初始估计

%时间设置
tBegin = 0;
tFinal = 50;
tspan = [tBegin, tFinal];

%% Calculate ODE Function
In = [X1l X2l X1f X2f X1hat X2hat Dhat]';
[t, X] = ode23(@ctFun, tspan, In);

%% Draw Graphs
% 提取仿真结果
X1l_sim = X(:, 1);
X2l_sim = X(:, 2);
X1f_sim = X(:, 3:6);
X2f_sim = X(:, 7:10);
X1hat_sim = X(:, 11:14);
X2hat_sim = X(:, 15:18);
Dhat_sim = X(:, 19:22);

% 计算真实扰动

% 绘图
% 1-1.绘制领导者与跟随者的状态X1曲线
figure;
hold on
% 定义点画线样式
line_styles = {'--', ':', '-.', '-..'};
% 循环跟随者曲线
for j = 1:4
    plot(t, X1f_sim(:, j), line_styles{j}, 'linewidth', 1.5);
end
% 绘制 X1l_sim 曲线
plot(t, X1l_sim, 'r-', 'linewidth', 1);
hold off
% 添加图例
legend('Agent1','Agent2','Agent3','Agent4','Leader', 'FontSize', 16);
xlabel('$t(s)$', 'Interpreter','latex', 'FontSize', 26);
ylabel('$x_{1,i}$','Interpreter','latex', 'FontSize', 26);
% 添加上边框和右边框
box on;
grid on;

% 1-2.绘制领导者与跟随者的状态X2曲线
figure;
hold on
% 定义点画线样式
line_styles = {'--', ':', '-.', '-..'};
% 循环跟随者曲线
for j = 1:4
    plot(t, X2f_sim(:, j), line_styles{j}, 'linewidth', 1.5);
end
% 绘制 X2l_sim 曲线
plot(t, X2l_sim, 'r-', 'linewidth', 1);
hold off
set(gca, 'FontSize', 16); % 修改全局图的坐标数字字号为 16
% 添加图例
legend('Agent1','Agent2','Agent3','Agent4','Leader', 'FontSize', 16);
xlabel('$t(s)$', 'Interpreter','latex', 'FontSize', 26);
ylabel('$x_{2,i}$','Interpreter','latex', 'FontSize', 26);
% 添加上边框和右边框
box on;
grid on;

%绘制扰动与扰动观测值
% 计算真实扰动
Disturbance_true = zeros(size(Dhat_sim));
for i = 1:length(t)
    for j = 1:4
        Disturbance_true(i,j) = D_Mar(1,j)*t(i)+ D_Mar(2,j) * exp(D_Mar(3,j)*t(i))*sin (t(i)) + D_Mar(4,j);
    end
end

% 绘制扰动估计对比
for i = 1:4
    figure;
    plot(t, Disturbance_true(:,i), 'color', 'k', 'linewidth', 1.5);
    hold on;
    plot(t, Dhat_sim(:,i), '--', 'linewidth', 1.5);
    hold off;
    % 动态生成图例文本
    legend(sprintf('$d_%d$', i), sprintf('$\\hat{d}_%d$', i), 'Interpreter', 'latex', 'Location', 'northeast', 'FontSize', 16);
    set(gca, 'FontSize', 16); % 修改全局图的坐标数字字号为 16
    xlabel('$t(s)$', 'Interpreter', 'latex', 'FontSize', 26);
    ylabel(sprintf('$d_%d(t)$', i), 'Interpreter', 'latex', 'FontSize', 26);
    grid on;
end


%% ODE Function
function dX = ctFun(t,In)
    global L F K G A B A_bar B_bar D_Mar
     % 提取状态
    X1l = In(1);
    X2l = In(2);
    X1f = In(3:6);
    X2f = In(7:10);
    X1hat = In(11:14);
    X2hat = In(15:18);
    Dhat = In(19:22);

    % 初始化Disturbance为列向量
    Disturbance = zeros(length(X1f), 1);
    % 设置外部扰动
    for j = 1:4
        Disturbance(j) = D_Mar(1,j)*t + D_Mar(2,j) * exp(D_Mar(3,j)*t)*sin(t) + D_Mar(4,j);
    end

    % 领导者动力学
    dX1l = X2l;
    dX2l = 0.2*cos(0.15*t) ;
    
    % 跟随者动力学
    X1_Bar = X1hat - X1l; X2_Bar = X2hat - X2l;
    dX1f = A(1,2)*X2f;
    u = K(1)*(L+F) * X1_Bar + K(2)*(L+F) * X2_Bar - Dhat;%加了扰动补偿
    dX2f = B(2,1)*u + B(2,1)*Disturbance;
 
    % 扩张状态观测器
    dX1hat = A_bar(1,2)*X2hat + G(1) * (X1f - X1hat);
    dX2hat = A_bar(2,3)*Dhat + B_bar(2,1)*u + G(2)*(X1f - X1hat);
    dDhat = G(3) * (X1f - X1hat);
    
    % output 
    dX = [dX1l; dX2l; dX1f; dX2f; dX1hat; dX2hat; dDhat];
end

仿真结果：

由上图片可知，四个跟随者可以跟踪上领航者的运动状态。修改Matlab中LQR权重矩阵Qb和Rb，可改变一致性跟踪效果。

上面是扰动的真实值和观测值，修改Matlab中LQR权重矩阵Qa和Ra，可改变状态估计结果。

四、参考文献

【1】费红姿, 刘冰鑫, 柳一林, 等. 基于LQR的高压共轨系统喷油量观测器设计[J]. 内燃机学报, 2023, 41(03): 247-254.

【2】高琳琳, 唐风敏, 郭蓬, 等. 自动驾驶横向运动控制的改进LQR方法研究[J]. 机械科学与技术, 2021, 40(03): 435-441.

总结

我的个人站：JosephWen (rovn.ink)

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：/a/579344.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

Mysql的索引与事务理解

Mysql的索引与事务理解

目录 一、Mysql索引 1、索引的概念 2、索引的特点 3、索引使用场景 4、Mysql有关索引的操作 （1）查询表具有的索引 （2）增加索引 （3）删除索引 5、索引实现原理 （1）B树 &…
阅读更多...
【java数据结构之八大排序（上）-直接插入排序，希尔排序，选择排序，堆排序，向下调整(大根堆，小根堆)等知识详解】

【java数据结构之八大排序（上）-直接插入排序，希尔排序，选择排序，堆排序，向下调整(大根堆，小根堆)等知识详解】

🌈个人主页：努力学编程’ ⛅个人推荐：基于java提供的ArrayList实现的扑克牌游戏 |C贪吃蛇详解 ⚡学好数据结构，刷题刻不容缓：点击一起刷题 🌙心灵鸡汤：总有人要赢，为什么不能是我呢 …
阅读更多...
深度学习之基于YOLOv5的山羊行为识别系统

深度学习之基于YOLOv5的山羊行为识别系统

欢迎大家点赞、收藏、关注、评论啦 ，由于篇幅有限，只展示了部分核心代码。 文章目录 一项目简介 二、功能三、系统四. 总结 一项目简介 基于YOLOv5的山羊行为识别系统是一个结合了深度学习和目标检测技术的项目，旨在通过图像或视频实现对山羊…
阅读更多...
DELL PowerEdge服务器通过iDRAC升级BIOS遇到的问题

DELL PowerEdge服务器通过iDRAC升级BIOS遇到的问题

本文对PowerEdge 12G系统，也就是iDRAC 7版本升级BIOS中遇到的几个问题做个总结，对于其他版本理论上应该也是适用的。如果还遇到其他问题，可以添加VX，VX号为 StorageExpert 进行进一步的分析探讨。 第一个问题，成功下载…
阅读更多...
C#调用skiasharp实现绘制并拖拽图形

C#调用skiasharp实现绘制并拖拽图形

SkiaSharp是基于.net的跨平台二维图形库，封装的谷歌的Skia库，SkiaSharp支持在以下平台或运行时中使用，能够在图片中绘图，也提供控件在Winform、WPF等使用。本文学习skiasharp在Winform的基本用法，并参照参考文献5实现绘…
阅读更多...
【Unity动画系统】详解Root Motion动画在Unity中的应用（一）

【Unity动画系统】详解Root Motion动画在Unity中的应用（一）

Root Motion动画与普通动画的区别 普通动画：动画文件里记录的是物体的绝对坐标和方向，在播放动画时，Unity会根据Animation中记录的值，直接修改游戏对象的坐标和方向，每一帧的坐标和方向都是通过插值计算得出来的&…
阅读更多...
【Camera KMD ISP SubSystem笔记】Request 流转与Bubble机制

【Camera KMD ISP SubSystem笔记】Request 流转与Bubble机制

ISP中断类型 SOF: 一帧图像数据开始传输 EOF: 一帧图像数据传输完成 REG_UPDATE: ISP寄存器更新完成(每个reg group都有独立的这个中断) EPOCH: ISP某一行结尾(默认20)就会产生此中断 BUFFER DONE: 一帧图像数据ISP完全写到DDR了 管理Isp request的几个List st…
阅读更多...
锂电池SOH预测 | 基于CNN的锂电池SOH预测（附matlab完整源码)

锂电池SOH预测 | 基于CNN的锂电池SOH预测（附matlab完整源码)

锂电池SOH预测 锂电池SOH预测完整代码锂电池SOH预测 锂电池的SOH（状态健康度）预测是一项重要的任务，它可以帮助确定电池的健康状况和剩余寿命，从而优化电池的使用和维护策略。 SOH预测可以通过多种方法实现，其中一些常用的方法包括： 容量衰减法：通过监测电池的容量衰减…
阅读更多...
AMBA-CHI协议详解（二）

AMBA-CHI协议详解（二）

《AMBA 5 CHI Architecture Specification》 文章目录 2.1 Channels综述2.2 Channel域段2.2.1 request fields2.2.2 Response fields2.2.3 Snoop request fields2.2.4 Data fields 2.3 事务结构2.3.1 Read transactions2.3.1.1 Allocating Read2.3.1.2 Non-allocating Read 2.…
阅读更多...
字符串类型漏洞之updatexml函数盲注

字符串类型漏洞之updatexml函数盲注

UPDATEXML 是 MySQL 数据库中的一个函数，它用于对 XML 文档数据进行修改和查询。然而，当它被不当地使用或与恶意输入结合时，它可能成为 SQL 注入攻击的一部分，从而暴露敏感信息或导致其他安全漏洞。 在 SQL 注入攻击中&#xff0…
阅读更多...
通过Cmake官网下载.gz文件安装最新版本的CMAKE、适用于debian

通过Cmake官网下载.gz文件安装最新版本的CMAKE、适用于debian

1.前往官网下载最新版本debian https://cmake.org/download/ 2.选他 3. 通过XFTP传输到服务器 4. 解压文件 #cd 进入对应目录，然后执行下面命令解压 $ tar -zxvf cmake-3.29.2.tar.gz5.执行这个文件 $ ./bootstrap6.完成之后再执行这个 $ make7.然后&#xff…
阅读更多...
C语言--贪吃蛇小游戏

C语言--贪吃蛇小游戏

目录 一、Win32API介绍 1.1Win32API 1.2控制台程序 1.3控制台屏幕上的坐标COORD 1.4GetStdHandle 1.5GetConsoleCursorInfo 1.6 CONSOLE_CURSOR_INFO 1.7 SetConsoleCursorInfo 1.8SetConsoleCursorPosition 1.9GetAsyncKeyState 二、贪吃蛇游戏设计与分析 2.1地图 …
阅读更多...
双重注意力模块 DoubleAttention | A2-Nets: Double Attention Networks

双重注意力模块 DoubleAttention | A2-Nets: Double Attention Networks

论文名称：《 A 2 A^2 A2-Nets: Double Attention Networks》 论文地址：https://arxiv.org/pdf/1810.11579.pdf 学习捕捉远距离关系对于图像/视频识别是基础性的。现有的CNN模型通常依靠增加深度来建模这些关系，这在很大程度上效率低下。在这…
阅读更多...
数字旅游打造个性化旅行体验，科技让旅行更精彩：借助数字技术，旅行者可以定制专属旅行计划，享受个性化的旅行体验

数字旅游打造个性化旅行体验，科技让旅行更精彩：借助数字技术，旅行者可以定制专属旅行计划，享受个性化的旅行体验

目录 一、引言 二、数字旅游的兴起与发展 三、数字技术助力个性化旅行体验 1、智能推荐系统：精准匹配旅行者需求 2、定制化旅行计划：满足个性化需求 3、实时互动与分享：增强旅行体验 四、科技提升旅行便捷性与安全性 1、移动支付与电…
阅读更多...
boot https ssl 使用http协议访问报错

boot https ssl 使用http协议访问报错

在springboot中配置ssl以后， 再次使用http访问对应的接口就会报错 可以考虑如下设置，将http访问的端口重定向到https对应的端口 import org.apache.catalina.Context; import org.apache.catalina.connector.Connector; import org.apache.tomcat.util…
阅读更多...
图像处理ASIC设计方法 笔记18 轮廓跟踪算法的硬件加速方案

图像处理ASIC设计方法 笔记18 轮廓跟踪算法的硬件加速方案

目录 1排除伪孤立点（断裂链表）方法1 限制链表的长度方法2 增加判断条件排除断裂链表方法3 排除不必要跟踪的轮廓（推荐用这个方法） P129 轮廓跟踪算法的硬件加速方案 1排除伪孤立点（断裂链表） 如果图像中某…
阅读更多...
探索开源的容器引擎--------------Docker容器操作

探索开源的容器引擎--------------Docker容器操作

目录 一、Docker 容器操作 1.1容器创建 1.2查看容器的运行状态 1.3启动容器 1.4创建并启动容器 1.4.1当利用 docker run 来创建容器时， Docker 在后台的标准运行过程是： 1.4.2在后台持续运行 docker run 创建的容器 1.4.3创建容器并持续运行容器…
阅读更多...
Pytorch基础：torch.load_state_dict()方法在加载时不会检查类型

Pytorch基础：torch.load_state_dict()方法在加载时不会检查类型

相关阅读 Pytorch基础https://blog.csdn.net/weixin_45791458/category_12457644.html?spm1001.2014.3001.5482 笔者在使用torch.nn.module的load_state_dict中出现了一个问题，一个被注册的张量在加载后居然没有变化，一开始以为是加载出现了问题&#…
阅读更多...
Kafka 3.x.x 入门到精通（07）——Java应用场景——SpringBoot集成

Kafka 3.x.x 入门到精通（07）——Java应用场景——SpringBoot集成

Kafka 3.x.x 入门到精通（07）——Java应用场景——SpringBoot集成 4. Java应用场景——SpringBoot集成4.1 创建SpringBoot项目4.1.1 创建SpringBoot项目4.1.2 修改pom.xml文件4.1.3 在resources中增加application.yml文件 4.2 编写功能代码4.2.1 创建配置…
阅读更多...
debian配置BIND DNS服务器

debian配置BIND DNS服务器

前言 局域网内有很多台主机，IP难以记忆。 而修改hosts文件又难以做到配置共享和统一，需要一台内网的DNS服务器。 效果展示 这里添加了一个域名hello.dog，将其指向为192.168.1.100。 同时，外网的域名不会受到影响，…
阅读更多...
最新文章

Copyright @ 2022~2023