当前位置: 首页 > news >正文

MATLAB - MPC - 优化问题(Optimization Problem)

系列文章目录


前言

模型预测控制可在每个控制间隔内解决一个优化问题,具体来说就是二次规划(QP)。求解结果决定了被控对象在下一个控制间隔之前使用的操纵变量(MV)。

该 QP 问题具有以下特点:

  • 目标或 "成本 "函数 - 要最小化的控制器性能的非负标量。
  • 约束条件 - 解决方案必须满足的条件,如 MV 和被控对象输出变量的物理边界。
  • 决策 - 在满足约束条件的同时使成本函数最小化的 MV 调整。

下文将详细介绍这些功能。


一、标准代价函数

标准成本函数是四个项的总和,每个项都侧重于控制器性能的一个特定方面,如下所示:

$J(z k)=J_{y}(z k)+J_{u}(z k)+J_{\Delta u}(z k)+J_{e}(z k).$

这里,zk 是 QP 决策。如下所述,每个项都包含权重,可帮助您平衡相互竞争的目标。虽然 MPC 控制器提供了默认权重,但您通常需要对其进行调整,以适应您的应用。

1.1 输出参考跟踪


在大多数应用中,控制器必须将选定的被控对象输出保持在或接近指定的参考值。MPC 控制器使用以下标量性能指标进行输出参考跟踪:

$J_{y}(z k)=\sum_{​{j}=1}^{n_{y}}\ \sum_{​{i}=1}^p\left\{\frac{w_{​{i},{j}}^{y}}{s_{​{j}}^{y}}[r_{​{j}}(k+i\vert k)-y_{​{j}}(k+i\vert k)]\right\}^{​{2}}.$

此处

  • k - 当前控制间隔。
  • p - 预测范围(区间数)。
  • ny - 被控对象输出变量的个数。
  • zk - QP 决策,取值为  

                 $z_k^T=\left[u(k|k)^{T}\quad u(k+1|k)^{T}\ \ldots\ \ u(k+p-1|k)^{T}\quad\it\epsilon_{k}\right].$

  • yj(k+i|k) - 第 j 个被控对象在第 i 个预测水平步的输出预测值,单位为工程单位。
  • rj(k+i|k) - 第 j 个被控对象在第 i 个预测水平步的输出参考值,单位为工程单位。
  • s_{​{j}}^{y} - 第 j 个被控对象产量的比例因子,单位为工程单位。
  • w_{​{i},{j}}^{y} - 第 i 个预测水平步的第 j 个被控对象输出的调整权重(无量纲)。

值 ny、p、s_{​{j}}^{y}w_{​{i},{j}}^{y} 是恒定的控制器规格。控制器接收整个预测范围内的参考值 rj(k+i|k)。控制器使用状态观测器来预测被控对象的输出 yj(k+i|k),这些输出取决于受控变量调整 (zk)、测量干扰 (MD) 和状态估计值。在间隔 k 时,可获得控制器状态估计值和 MD 值。因此,Jy 仅是 zk 的函数。 

1.2 操纵变量跟踪


在某些应用中,例如当被控对象的输出多于操纵变量时,控制器必须将选定的操纵变量 (MV) 保持在或接近指定的目标值。MPC 控制器使用以下标量性能指标进行操纵变量跟踪: 

$J_{u}(z k)=\sum_{j=1}^{n_{u}}\sum_{i=0}^{p-1}\left\{\frac{w_{i,j}^{u}}{s_{j}^{u}}[u_{j}(k+i\vert k)-u_{j,l a r g e t}(k+i\vert k)]\right\}^{2}.$

此处

  • k - 当前控制间隔。
  • p - 预测范围(区间数)。
  • nu - 受控变量的数量。
  • zk - QP 决策,取值为
  • uj,target(k+i|k) - 第 j 个 MV 在第 i 个预测水平步的目标值,单位为工程单位。
  • s_{​{j}}^{u} - 第 j 个 MV 的比例因子,单位为工程单位。
  • w_{​{i},{j}}^{u} - 第 j 个 MV 在第 i 个预测水平步的调整权重(无量纲)。

数值 nu、p、s_{​{j}}^{u}w_{​{i},{j}}^{u} 是恒定的控制器规格。控制器接收整个范围内的 uj,target(k+i|k) 值。控制器利用状态观测器预测被控对象的输出。因此,Ju 只是 zk 的函数。

1.3 操纵变量移动抑制


大多数应用都喜欢小的 MV 调整(移动)。MPC 常量使用以下标量性能指标来抑制操纵变量移动:

$J_{\Delta u}(z_{k})=\sum_{j=1}^{n_{u}}\sum_{i=0}^{p-1}\left\{\frac{\displaystyle w_{i,j}^{\Delta u}}{\displaystyle s_{j}^{​{u}}}[u_{j}(k+i\vert k)-u_{j}(k+i-1\vert k)]\right\}^{2}.$

此处

  • k - 当前控制间隔。
  • p - 预测范围(区间数)。
  • ny - 被控对象输出变量的个数。
  • zk - QP 决策,取值为  

                 $z_k^T=\left[u(k|k)^{T}\quad u(k+1|k)^{T}\ \ldots\ \ u(k+p-1|k)^{T}\quad\it\epsilon_{k}\right].$

  • s_{​{j}}^{u} - 第 j 个 MV 的比例因子,单位为工程单位。
  • w_{i,j}^{\Delta u} - 第 j 个 MV 运动在第 i 个预测水平步的调整权重(无量纲)。

$n_{u},\,p_{,}\,\,s_{j}^{u},w_{i,j}^{\Delta u}$的值是控制器的常数。u(k-1|k) = u(k-1),是上一个控制区间的已知 MV。JΔu 仅是 zk 的函数。

此外,控制区间 m < p(或 MV 阻塞)会限制某些 MV 移动为零。

1.4 违反约束

在实践中,违反约束可能是不可避免的。软约束允许在这种情况下获得可行的 QP 解决方案。MPC 控制器采用一个无量纲、非负的松弛变量 εk,它量化了最坏情况下的约束违规。(见约束条件)相应的性能指标为

$J_{\varepsilon}(z k)=\rho_{\varepsilon}\varepsilon_{k}^{2}.$

这里

zk - QP 决策,取值为

$z_{k}^{T}=\bigl[u(k|k)^{T}\ \ \ u(k+1|k)^{T}\ \ \ldots\ \ u(k+p-1|k)^{T}\ \ \epsilon_{k}\bigr].$

εk - 控制区间 k 的松弛变量(无量纲)。

ρε - 违反约束条件的惩罚权重(无量纲)。

二、 替代成本函数

您可以选择使用以下替代标准成本函数的方法:

$J(z_{k})=\sum_{i=0}^{p-1}\left\{\left[e_{y}^{T}(k+i)Q e_{y}(k+i)\right]+\left[e_{u}^{T}(k+i)R_{u}e_{u}(k+i)\right]+\left[\Delta u^{T}(k+i)R_{\Delta u}\Delta u(k+i)\right]\right\}+\rho_{\epsilon}\varepsilon_{k}^{2}.$

这里,Q(ny-by-ny)、Ru 和 RΔu(nu-by-nu)是正半无穷权重矩阵,并且: 

$\begin{array}{c}{​{e_{y}(i+k)=S_{y}^{-1}[r(k+i+1|k)-y(k+i+1|k)]}}\\ {​{e_{u}(i+k)=S_{u}^{-1}[u_{t a r g e t}(k+i|k)-u(k+i|k)]}}\\ {​{\Delta u(k+i)=S_{u}^{-1}[u(k+i]k)-u(k+i-1|k)].}}\end{array}$

也是、

Sy - 被控对象输出可变比例系数的对角矩阵,单位为工程单位。

Su - 以工程单位表示的 MV 比例因子对角矩阵。

r(k+1|k) - 第 i 个预测水平步的 ny 个被控对象输出参考值,单位为工程单位。

y(k+1|k) - 第 i 个预测水平步的 ny 个被控对象的工厂产出,单位为工程单位。

zk - QP 决策,取值为

$z_{k}^{T}=\bigl[u(k|k)^{T}\ \ \ u(k+1|k)^{T}\ \ \ldots\ \ u(k+p-1|k)^{T}\ \ \epsilon_{k}\bigr].$

utarget(k+i|k) - u(k+i|k) 对应的 nu MV 目标值,单位为工程单位。

与标准成本函数一样,输出预测使用状态观测器。

替代成本函数允许非对角线加权,但要求每个预测水平步的权重相同。

如果满足以下条件,替代成本函数和标准成本函数是相同的:

  • 标准成本函数采用的权重 w , 和 w 相对于指数 i = 1:p 是常数。
  • 矩阵 Q、Ru 和 RΔu 是对角线,对角元素是这些权重的平方。

三、约束条件


某些约束条件是隐含的。例如,控制范围 m < p(或 MV 阻塞)会强制某些 MV 增量为零,而用于被控对象输出预测的状态观测器是一组隐式相等约束。您可以配置的显式约束如下所述。

3.1 被控对象输出、MV 和 MV 增量的界限

最常见的 MPC 约束是边界,如下所示。

$\frac{y j,m i n(i)}{s_{j}^{y}}-\epsilon_{k}V_{j,m i n}^{y}(i)\leq\frac{y j(k+i| k)}{s_{j}^{y}}\leq\frac{y j,m a x(i)}{s_{j}^{y}}+\epsilon_{k}V_{j,m a x}^{y}(i),\qquad i=1:p,\qquad j=1:n_{y}$

$\frac{u j,m i n(i)}{s_{j}^{u}}-\epsilon k V_{j,m i n}^{u}(i)\leq\frac{u j(k+i-1|k)}{s_{j}^{u}}\leq\frac{u j,m a x(i)}{s_{j}^{u}}+\epsilon k V_{j,m a x}^{u}(i),\quad i=1:p,\quad\quad j=1:n u\quad$

$\frac{\Delta u_{j,m i n}(i)}{s_{j}^{u}}-\epsilon k V_{j,m i n}^{\Delta u}(i)\leq\frac{\Delta u_{j}(k+i-1|k)}{s_{j}^{u}}\leq\frac{\Delta u_{j,m a x}(i)}{s_{j}^{u}}+\epsilon k V_{j,m a x}^{\Delta u}(i),\quad i=1:p,\quad\quad j=1:n u,$ 

这里的 V 参数(ECR 值)是无量纲控制器常数,类似于成本函数权重,但用于约束软化(参见约束软化)。此外还有

εk - 用于约束软化的标量 QP 松弛变量(无量纲)。

syj - 第 j 个被控对象输出的比例因子,单位为工程单位。

suj - 第 j 个 MV 的比例因子,单位为工程单位。

yj,min(i)、yj,max(i) - 第 j 个被控对象在第 i 个预测水平步的产量下限和上限,单位为工程单位。

uj,min(i)、uj,max(i) - 第 j 个 MV 在第 i 个预测水平步的下限和上限,单位为工程单位。

Δuj,min(i)、Δuj,max(i) - 第 i 个预测水平步的第 j 个 MV 增量的下限和上限,单位为工程单位。

除松弛变量非负条件外,上述所有约束条件都是可选的,默认为非活动状态(即初始化为无限极限值)。要包含约束条件,必须在设计控制器时指定有限极限值。

四、QP 矩阵

本节介绍与优化问题中描述的模型预测控制优化问题相关的矩阵。

4.1 预测

假设输入干扰模型中描述的干扰模型为单位增益,即 d(k) = nd(k) 为白高斯噪声。可以将此问题表示为

${x\leftarrow \begin{bmatrix} x\\ x_d \end{bmatrix},A\leftarrow \begin{bmatrix} A & B_d\bar{C} \\ 0 & \bar{A} \end{bmatrix},B_u\leftarrow \begin{bmatrix}B_u\\ 0\end{bmatrix},B_v\leftarrow \begin{bmatrix}B_v\\ 0\end{bmatrix},B_d \leftarrow \begin{bmatrix}B_d\bar{D}\\ \bar{B}\end{bmatrix},C\leftarrow \begin{bmatrix} C & D_d\bar{C} \end{bmatrix}}$

那么,预测模型就是

$x(k+1)=A x(k)+B_{u}u(k)+B_{\nu}\nu(k)+B_{d}n_{d}(k)$

$y(k)=C x(k)+D_{\nu}\nu(k)+D_{d}n_{d}(k)$

接下来,考虑预测模型在时间 k=0 时的未来轨迹问题。对所有预测时刻 i 设置 nd(i)=0,得到 

$y(i|0)=C\left[A^{i}x(0)+\sum_{h=0}^{i-1}A^{i-1}\left(B_{u}\left({​{u(-1)+\sum_{j=0}^{h}}{\Delta u(j)}}\right)+B_{\nu}v(h)\right)\right]+D_{\nu}v(i)$

 该方程给出的解是

$\left[\begin{array}{l}{​{y(1)}}\\ {​{\cdots}}\\ {​{y(p)}}\end{array}\right]=S_{x}x(0)+S_{u1}u(-1)+S_{u}\left[\begin{array}{c}{​{\Delta u(0)}}\\ {​{\cdots}}\\ {​{\Delta u(p-1)}}\end{array}\right]+H_{v}\left[\begin{array}{l}{​{\nu(0)}}\\ {​{\cdots}}\\ {​{\nu(p)}}\end{array}\right]$

其中

$S_{x}=\left(\begin{array}{l}{​{C A}}\\ {​{C A^{2}}}\\ {​{\dots}}\\ {​{C A^{p}}}\end{array}\right)\left.\in\mathfrak{R}^{p n_{y}\times n_{x}},S_{u1}=\left[\begin{array}{l}{​{C B_{u}}}\\ {​{C B_{u}+C A B_{u}}}\\ {​{\dots}}\\ {​{\sum_{h=0}^{p-1}C A^{h}B_{u}}}\end{array}\right]\right.\in\mathfrak{R}^{p n_{y}\times n_{u}}$

S_{u}=\begin{bmatrix} {C B_{u}} & 0 & \cdots & 0 \\ {C B_{u}+C A B_{u}} & {C B_{u}} & \cdots & 0 \\ \cdots&\cdots & \cdots&\cdots \\\sum_{h=0}^{p-1}C A^{h}B_{u} & \sum_{h=0}^{p-2}C A^{h}B_{u}&\cdots &{C B_{u}} \end{bmatrix}\in\mathfrak{R}^{p n_{y}\times n_{u}}

${H_{v}=\begin{bmatrix} {C B_{v}} & D_v & 0 & \cdots & 0 \\ {CA B_{v}} & {C B_{v}} &D_v& \cdots & 0 \\ \cdots&\cdots & \cdots&\cdots&\cdots \\\sum_{h=0}^{p-1}C A^{h}B_{v} & \sum_{h=0}^{p-2}C A^{h}B_{v}&\sum_{h=0}^{p-3}C A^{h}B_{v}&\cdots &{D_v} \end{bmatrix}\in\mathfrak{R}^{p n_{y}\times (p+1)n}}$

4.2 优化变量

设 m 为自由控制移动的次数,设 z= [z0; ...; zm-1]。那么 

$\left[\begin{array}{c}{​{\Delta u(0)}}\\ {​{\ldots}}\\ {​{\Delta u(p-1)}}\end{array}\right]=J M\left[\begin{array}{c}{​{z0}}\\ {​{z m-1}}\end{array}\right]$

其中,JM 取决于阻塞动作的选择。z0、......、zm-1 与松弛变量ɛ 一起构成了优化问题的自由优化变量。在系统只有一个操纵变量的情况下,z0、......、zm-1 是标量。

考虑下图中描述的阻塞动作。

阻塞移动: 移动 = [2 3 2] 的输入和输入增量

这个图形对应于选择 moves=[2 3 2],或者等价于 u(0)=u(1),u(2)=u(3)=u(4),u(5)=u(6),Δ u(0)=z0,Δ u(2)=z1,Δ u(5)=z2,Δ u(1)=Δ u(3)=Δ u(4)=Δ u(6)=0.

那么,相应的矩阵 JM 为

$J_M=\begin{array}{r}{\left[{\begin{array}{r r r}{I}&{0}&{0}\\ {0}&{0}&{0}\\ {0}&{I}&{0}\\ {0}&{0}&{0}\\ {0}&{0}&{0}\\ {0}&{0}&{I}\\ {0}&{0}&{0}\end{array}}\right]}\end{array}$

有关操纵变量阻塞的更多信息,请参阅操纵变量阻塞。

4.3 成本函数

标准形式。 要优化的函数是

$J(z,\varepsilon)=\left ({\begin{bmatrix}u(0)\\ \dots\\ u(p-1)\end{bmatrix} } - {\begin{bmatrix}u_{target}(0)\\ \dots\\ u_{target}(p-1)\end{bmatrix} }\right )^T W_u^2 \left ({\begin{bmatrix}u(0)\\ \dots\\ u(p-1)\end{bmatrix} } - {\begin{bmatrix}u_{target}(0)\\ \dots\\ u_{target}(p-1)\end{bmatrix} }\right ) + {\begin{bmatrix}\Delta u(0)\\ \dots\\ \Delta u(p-1)\end{bmatrix}^T { W}_{\Delta u}^{2} {\begin{bmatrix}\Delta u(0)\\ \dots\\ \Delta u(p-1)\end{bmatrix}} }$

${+ \left ({\begin{bmatrix}y(1)\\ \dots\\ y(p)\end{bmatrix} }-{\begin{bmatrix}r(1)\\ \dots\\ r(p)\end{bmatrix} } \right )^T{ W}_{y}^{2} \left ({\begin{bmatrix}y(1)\\ \dots\\ y(p)\end{bmatrix} }-{\begin{bmatrix}r(1)\\ \dots\\ r(p)\end{bmatrix} } \right ) + \rho_{\mathcal{E}}{\mathcal{E}}^{2}}$ 

其中

$W_{u}=\mathrm{diag}\!\left({w}_{0,1}^{u},{w}_{0,2}^{u},...,{w}_{0,n}^{u},...,{w}_{p-1,1}^{u}\!,{w}_{p-1,2}^{u}\!,{w}_{p-1,2}^{u}\!,\dots,{w}_{p-1,n}^{u}\!\right)$

$W\Delta u=\mathrm{diag}\biggl(w_{0,1}^{\Delta u},w_{0,2}^{\Delta u},...,w_{0,n_{u}}^{\Delta u},...,w_{p-1,1}^{\Delta u},w_{p}^{\Delta u},...,w_{p-1,n_{u}}^{\Delta u}\biggr)$ 

$W_{y}=\mathrm{diag}\!\left(w_{1,1}^{y},w_{1,2}^{y}\!\cdot\!...,w_{1,n_{y}}^{y},...,w_{p,1}^{y},w_{p,2}^{y}\!....,w_{p,n_{y}}^{y}\right)$ 

最后,在代入 u(k)、Δu(k)、y(k)之后,J(z) 可重写为

$J(z,\varepsilon)=\rho_{\mathcal{E}}\varepsilon^{2}+z^{T}K\Delta u z+ 2\left ( {\begin{bmatrix}r(1)\\ \dots\\ r(p)\end{bmatrix} }^T K_r + {\begin{bmatrix}v(0)\\ \dots\\ v(p)\end{bmatrix} }^T K_v + u(-1)^{T}K_u + {\begin{bmatrix}u_{target}(0)\\ \dots\\ u_{target}(p-1)\end{bmatrix} }^T K_{ut} + +\;x(0)^{T}K x\right )z+{C}_{y}W_{y} c {y}++{C}_{u}W_{u} c {u}$其中

$c_{y}=S_{X}x(0)+S_{u}1u(-1)+H_{v}\left[\begin{array}{l}{​{v(1)}}\\ {​{\cdots}}\\ {​{v(p)}}\end{array}\right]-\left[\begin{array}{l}{​{r(1)}}\\ {​{\cdots}}\\ {​{r(p)}}\end{array}\right]$ 

注意事项

您可能希望 QP 问题保持严格的凸性。如果 Hessian 矩阵 KΔU 的条件数大于 1012,请在每个对角项上添加 10*sqrt(eps)。只有当所有输入率都未受惩罚(WΔu=0)时,才能使用此解决方案(请参阅 mpc 对象的权重属性)。

替代成本函数。  如果使用 "替代成本函数 "中所示的替代成本函数,则等式 1 由以下公式代替:

$\begin{array}{l}{​{W_{u}={\mathrm{blkdiag}}(R_{u},\ldots,R_{u})}}\\ {​{W_{\Delta u}={\mathrm{blkdiag}}(R_{\Delta u,\ldots,R_{\Delta u})}}}\\ {​{W_{y}={\mathrm{blkdiag}}(Q,\ldots,Q)}}\end{array}$

在这种情况下,分块对角矩阵重复 p 次,例如,预测范围内每一步重复一次。

您也可以选择使用标准形式和替代形式的组合。更多信息,请参阅 mpc 对象的权重属性。

约束条件 接下来,考虑输入、输入增量和输出的限制以及约束条件 ɛ≥ 0。

 

注释

为减少计算量,控制器会自动消除无关的约束条件,如无限边界。因此,实时使用的约束集可能远小于本节建议的约束集。

与计算成本函数类似,可以将 u(k)、Δu(k)、y(k) 代入,得到

相关文章:

MATLAB - MPC - 优化问题(Optimization Problem)

系列文章目录 前言 模型预测控制可在每个控制间隔内解决一个优化问题&#xff0c;具体来说就是二次规划(QP)。求解结果决定了被控对象在下一个控制间隔之前使用的操纵变量&#xff08;MV&#xff09;。 该 QP 问题具有以下特点&#xff1a; 目标或 "成本 "函数 - …...

机器学习中的概念 张量、标量、向量、矩阵等数据结构的区别

张量、标量、向量和矩阵等数据结构在深度学习和数学中扮演着重要角色&#xff0c;它们之间的区别如下&#xff1a; 标量&#xff08;Scalar&#xff09;&#xff1a;标量是一个单独的数&#xff0c;它没有方向&#xff0c;只有大小。在深度学习中&#xff0c;标量通常表示一个…...

eureka注册列表 某服务出现多个服务实例

最近文件导出功能偶发成功&#xff0c;大部分情况都失败&#xff0c;开始以为接口被拦截&#xff0c;gateway服务没有接口调用日志&#xff0c;发现测试环境可以&#xff0c;正式环境功能无法正常使用。 偶然看到注册中心如下 发现file服务有3个实例&#xff0c;调用接口将错误…...

ubuntu22.04配置双网卡绑定提升带宽

这里写自定义目录标题 Bonding简介配置验证参考链接 Bonding简介 bonding(绑定)是一种linux系统下的网卡绑定技术&#xff0c;可以把服务器上n个物理网卡在系统内部抽象(绑定)成一个逻辑上的网卡&#xff0c;能够提升网络吞吐量、实现网络冗余、负载均衡等功能&#xff0c;有很…...

VINS-MONO拓展1----手写后端求解器,LM3种阻尼因子策略,DogLeg,构建Hessian矩阵

文章目录 0. 目标及思路1. 非线性优化求解器2. 基于VINS-MONO的Marginalization框架构建Hessian矩阵2.1 estimator.cpp移植2.2 solve.cpp/preMakeHessian()2.3 solve.cpp/makeHessian() 3. solve.cpp/solveLinearSystem()求解正规方程4. 更新状态5. 迭代求解6. EVO评估结果7. 待…...

RxJS 操作符-学习笔记

提前准备&#xff1a; pipe 方法: 用于组合多个操作符,可以将一系列操作符作为参数传递给 pipe 方法&#xff0c;这些操作符将 依次 对数据流进行处理。这里的依次很关键&#xff0c;也代表着pipe()中组合的这么几个操作符的执行顺序就是从开始一直到结束的&#xff0c;其中的…...

【Linux】linux配置静态IP、动态IP方法汇总

1、systemd-networkd 1.1 说明 systemd-networkd是systemd 的一部分 ,负责 systemd 生态中的网络配置部分(systemd-networkd.service, systemd-resolved.service)。使用 systemd-networkd,你可以为网络设备配置基础的 DHCP/静态IP网络等,还可以配置虚拟网络功能,例如网桥…...

Hive自定义函数支持国密SM4解密

当前项目背景需要使用到国密SM4对加密后的数据进行解密&#xff0c;Hive是不支持的&#xff0c;尝试了华为DWS数仓&#xff0c;华为只支持在DWS中的SM4加密解密&#xff0c;不支持外部加密数据DWS解密 新建Maven工程 只需要将引用的第三方依赖打到jar包中&#xff0c;hadoop和…...

CentOS 8 8.5.2111 网络在线安装系统 —— 筑梦之路

之前写过一篇关于centos 8 官方停止更新维护后解决yum源问题的文章&#xff1a; CentOS 8 停止维护后换可用yum源——筑梦之路_http://ftp.iij.ad.jp/pub/linux/centos-vault/8.5.21-CSDN博客 由于centos 8 dvd的镜像比较大&#xff0c;有时候我们根本不需要去下载一个10G以上…...

安全与认证Week3

目录 Key Management 密钥管理 密钥交换、证书 密钥的类别 密钥管理方面 密钥分发问题 密钥分发方案 混合密钥分发 公钥分发 公钥证书 X.509 理解X.509 X.509证书包含 X.509使用过程 X.509身份验证服务 X.509版本3 取消 由X.509引申关于CA 用户认证、身份管理…...

跟我学c++中级篇——再谈C++20中的协程

一、协程 在前面分析过协程是什么&#xff0c;也对c20中的协程的应用进行了举例说明。所以这次重点分析一下c20中的整体构成及应用的方式。等明白了协程是如何动作的&#xff0c;各种情况下如下何处理相关的事件&#xff0c;那么在以后写协程时就不会死搬硬套了。 二、整体说…...

【计算机毕业设计】SSM企业工资管理系统

项目介绍 本项目包含管理员与普通员工两种角色&#xff0c; 管理员角色包含以下功能&#xff1a; 管理员登录,员工管理,部门管理,岗位管理,职称管理,工龄奖金管理,工资项管理,考勤管理,工资查询,统计图表等功能。 员工角色包含以下功能&#xff1a; 员工登录,个人信息管理…...

x-cmd pkg | doggo - 现代化的 DNS 客户端

目录 简介首次用户快速实验指南功能特点类似工具与竞品进一步探索 简介 doggo 是一个由 Karan Sharma 于 2020 年使用 Go 语言开发的 DNS 客户端。它类似于 dig 命令&#xff0c;但旨在以现代化、简洁和可读的格式输出 DNS 查询结果。 首次用户快速实验指南 使用 x doggo 即可…...

c++-智能指针

1、概念 堆内存的对象需要手动使用delete销毁&#xff0c;如果忘记使用delete销毁就会造成内存泄漏。 所以C在ISO 98标注中引入了智能指针的概念&#xff0c;并在C11 中趋于完善。 使用智能指针可以让堆内存对象具有栈内存对象的特性。原理时给需要自动回收的堆内存对象套上一层…...

烟花燃放如何管控?智能分析网关V4烟火检测保障烟火安全

一、方案背景 随着元旦佳节的热潮退去&#xff0c;春节也即将来临&#xff0c;在众多传统的中国节日里&#xff0c;烟花与烧纸祭祀都是必不可少的&#xff0c;一方面表达了人们对节日的庆祝的期许&#xff0c;另一方面也是一种对故者思念的寄托。烟花爆竹的燃放不仅存在着巨大的…...

Vue实现版本号输入、删除时光标自动移动到上、下一个输入框前端demo

前言 首先声明&#xff0c;我平时的工作主要是后端JAVA开发&#xff0c;该demo为前端练习&#xff0c;记录一下劳动成果&#xff0c;希望对大家有所帮助&#xff0c;如果有写的不妥的地方&#xff0c;欢迎大家指正&#xff0c;一起学习、共同进步。 背景 手机验证码、银行卡…...

【胖虎的逆向之路】Android自制Https证书实现双向认证

Android自制Https证书实现双向认证 1.基本概念1.1 HTTP1.2 HTTPS1.3 加密方式1.3.1 对称加密1.3.2 非对称加密 1.4 SSL 功能1.4.1 客户对服务器的身份认证1.4.2 服务器对客户的身份认证1.4.3 建立服务器与客户之间安全的数据通道 1.5 CA 证书 2.证书生成2.1 生成根证书&#xf…...

解析千兆多模光模块SFP-GE-SX

千兆多模光模块是一种基于光纤通信的光电转换模块&#xff0c;具有千兆&#xff08;Gigabit&#xff09;级别的传输速率。本文将对千兆多模光模块的定义、传输距离、参数、及其应用领域等进行详细介绍。 一、千兆多模光模块SFP-GE-SX是什么&#xff1f; 千兆多模光模块SFP-GE-S…...

Go语言基础简单了解

文章目录 前言关于Go学习流程 基础语法注释变量常量数据类型运算符fmt库 流程控制if、switch、selectfor、break、continue遍历String 函数值传递和引用传递deferinit匿名、回调、闭包函数 数组和切片Map结构体自定义数据类型接口协程和channel线程锁异常处理泛型文件读取文件写…...

kafka重平衡经验总结

文章目录 概要背景解决方法技术细节小结 概要 关于kafka重平衡问题在实践工作的应用 背景 重平衡包括以下几种场景: 消费者组内成员发生变更&#xff0c;这个变更包括了增加和减少消费者。注意这里的减少有很大的可能是被动的&#xff0c;就是某个消费者崩溃退出了主题的分…...

Py之jupyter_client:jupyter_client的简介、安装、使用方法之详细攻略

Py之jupyter_client:jupyter_client的简介、安装、使用方法之详细攻略 目录 jupyter_client的简介 jupyter_client的安装 jupyter_client的使用方法 1、基础用法 (1)、获取内核信息 (2)、执行代码块 (3)、远程执行代码 jupyter_client的简介 jupyter_client 包含 Jupyter 协…...

61.网游逆向分析与插件开发-游戏增加自动化助手接口-游戏红字公告功能的逆向分析

内容来源于&#xff1a;易道云信息技术研究院VIP课 上一节内容&#xff1a;游戏公告功能的逆向分析与测试-CSDN博客 码云地址&#xff08;master分支&#xff09;&#xff1a;https://gitee.com/dye_your_fingers/sro_-ex.git 码云版本号&#xff1a;63e04cc40f649d10ba2f4f…...

neo4j查询语言Cypher详解(五)--apoc

APOC (Awesome Procedures on Cypher)是一个Neo4j库&#xff0c;它提供了对其他过程和函数的访问&#xff0c;扩展了Cypher查询语言的使用。 apoc MATCH (n:Movie) CALL apoc.create.addLabels( n, [ n.genre ] ) YIELD node REMOVE node.genre RETURN node;附录 参考 apoc…...

odoo17 | 视图操作按钮

前言 到目前为止&#xff0c;我们主要通过声明字段和视图来构建我们的模块。在上一章中&#xff0c;我们刚刚通过计算字段和onchanges引入了业务逻辑。在任何真实的业务场景中&#xff0c;我们都会希望将一些业务逻辑链接到操作按钮。在我们的房地产示例中&#xff0c;我们希望…...

KBDPL.DLL文件丢失,软件游戏无法启动,修复方法

不少小伙伴&#xff0c;求助说遇到Windows弹窗提示“KBDPL.DLL文件丢失&#xff0c;应用无法启动的问题”&#xff0c;不知道应该怎么修复&#xff1f; 首先&#xff0c;先来了解“KBDPL.DLL文件”是什么&#xff1f; kbdpl.dll是Windows操作系统的一部分&#xff0c;是一个动…...

Webpack5 常用优化总结

本文主要总结经常用到的一些代码性能优化、减小代码体积、提升webpack打包构建速度等内容的方法。具体的实现可参考webpack官网查看相关示例。 注&#xff1a;如果读者还未接触过webpack&#xff0c;请先了解webpack的基本使用。 正文&#xff1a; SourceMap ---- 提升开发体…...

Oracle-视图与索引

视图 简介 视图是一种虚表 视图建立在已有表的基础上&#xff0c;视图赖以建立的的这些表成为基表 向视图提供的数据的内容的语句的select 语句&#xff0c;可以将视图理解为存储起来的select 语句 视图向用户提供基表数据的另外一种表现形式 视图的好处 控制数据访问 …...

在Linux写自己的第一个程序“hello Linux”

01.nano指令 我们在Windows中有很多的编译环境&#xff0c;大家应该都很熟悉&#xff0c;但是在Linux中&#xff0c;我们怎么写代码呢&#xff1f; 这里&#xff0c;我介绍一个非常简单的指令->nano 这个指令就类似于我们Windows中的记事本&#xff0c;使用方法也很简单 …...

【AI视野·今日Robot 机器人论文速览 第六十八期】Tue, 2 Jan 2024

AI视野今日CS.Robotics 机器人学论文速览 Tue, 2 Jan 2024 Totally 12 papers &#x1f449;上期速览✈更多精彩请移步主页 Daily Robotics Papers Edge Computing based Human-Robot Cognitive Fusion: A Medical Case Study in the Autism Spectrum Disorder Therapy Author…...

图像识别快速实现

文本的跑通了&#xff0c;接下来玩玩图片场景 1. 引入模型 再另起类test_qdrant_img.py&#xff0c;转化图片用到的模型和文本不太一样&#xff0c;我们这里使用ResNet-50模型 import unittest from qdrant_client.http.models import Distance, VectorParams from qdrant_cl…...