精华内容
下载资源
问答
  • 展字的结构是什么结构
    千次阅读
    2021-07-25 01:14:41

    系统的三层体系结构是什么?三层体系结构通常是指将整个业务应用程序划分为: 表示层(UI),业务逻辑层(BLL)和数据访问层(DAL). 目的是``高内聚,低耦合''的思想.

    一个. 概念:

    3层体系结构通常是指将整个业务应用程序划分为: 表示层(UI),业务逻辑层(BLL),数据访问层(DAL). 目的是``高内聚,低耦合''的思想.

    1. 表示层(UI): 呈现给用户的界面.

    2. 业务逻辑层(BLL): 针对特定问题的操作也可以说是数据层的操作和数据业务逻辑的处理.

    3. 数据访问层(DAL): 由该层进行的事务直接操纵,旨在进行数据添加,删除,修改和搜索.

    046efce22899ed08a0a8fd73d4dea3b2.gif

    两个. 原理:

    在三个级别中,系统的主要功能和业务逻辑在业务逻辑层中进行处理.

    分析: 三层系统的应用程序将业务规则,数据访问和合法性验证置于中间层进行处理. 通常情况下3层结构测试,客户端不直接与进行交互,而是通过COM / DCOM通信与中间层建立连接,然后再通过中间层与进行交互.

    三层是指逻辑三层,而不是物理三层!

    分析: 所谓的三层体系结构是在客户端和之间添加一个“中间层”,也称为组件层. 这里提到的三层系统不是指物理的三层系统,不是简单地放置三台机器或三层体系结构,不仅B / S应用程序是三层体系结构,三层体系结构也是如此. 层是指逻辑上的三层,即使这三层都放在一台计算机上.

    三,每一层的作用

    1. 表示层:

    位于最外层(顶层),最靠近用户. 它用于显示数据和接收用户输入的数据以及返回数据,从而为用户提供了交互式操作界面.

    2,BusinessLogic层(BusinessLogic层)

    是针对特定问题的操作,也可以理解为对数据层的操作和对数据业务逻辑的处理. 主要集中于业务规则的制定,业务流程的实现以及与业务需求有关的其他系统设计,也就是说,它与系统响应的域逻辑有关. 在许多情况下,业务逻辑层也称为域层.

    业务逻辑层在系统体系结构中的位置非常重要. 它位于数据访问层和表示层之间,并在数据交换中起作用. 由于该层是弱耦合结构,因此层之间的依赖性向下3层结构测试,并且底层对上层“无知”,并且更改上层的设计对其所调用的底层没有影响.

    3. 数据层

    数据访问层: 有时也称为持久层. 主要功能是操作原始数据(或文本文件,以存储数据的形式),而不是原始数据,也就是说,数据操作而不是,专门为业务逻辑层提供数据服务或表示层. 简而言之,它是在数据表上实现选择,插入,更新和删除的操作.

    e8bb2274a1d5992040e50864d824ae88.png

    四个优点和缺点

    1. 优势

    1)开发人员只能专注于整个结构中的一层;

    2)很容易用新的实现方式替换原来的实现方式;

    3)可以减少层之间的依赖性;

    4)有利于标准化;

    5)促进所有级别的逻辑重用.

    6)结构更清晰

    7)在以后的维护中,大大降低了维护成本和维护时间.

    2. 缺点

    1)系统性能降低. 这是不言而喻的. 如果不采用分层结构,许多企业可以直接访问以获得相应的数据,但是现在必须通过中间层来完成.

    2)有时会导致级联修改. 这种修改特别体现在自上而下的方向上. 如果需要将功能添加到表示层,则为了确保其设计符合分层结构,可能需要在相应的业务逻辑层和数据访问层中添加相应的代码.

    3)开发成本增加.

    原文转载自:

    本文来自电脑杂谈,转载请注明本文网址:

    http://www.pc-fly.com/a/jisuanjixue/article-287036-1.html

    更多相关内容
  • 利用钻孔煤心观察,描述煤...利用地质构造规律预测煤体结构平面布。以某气田为例,阐述了煤体结构识别方法及其分布规律,煤体结构在垂向上具有分异性,平面上具有分带性,为煤层气井选区和射孔、压裂工作的开展提供依据。
  • 结构 非常得类似我们之前讲到过的树结构,但前者没有很多的从属关系,更多的是各个数据之间的相关联系。在数学的概念中,后者是前者的一种,不过在数据结构中我们还是认为两者有所区别,尽管如此,我们在学习图...

    本系列文章【数据结构与算法】所有完整代码已上传 github,想要完整代码的小伙伴可以直接去那获取,可以的话欢迎点个Star哦~下面放上跳转链接

    图结构 非常得类似我们之前讲到过的树结构,但前者没有很多的从属关系,更多的是各个数据之间的相关联系。在数学的概念中,后者是前者的一种,不过在数据结构中我们还是认为两者有所区别,尽管如此,我们在学习图结构的时候仍可以稍微借鉴一下树结构的思想

    这里放上之前树结构的文章地址,没看过的小伙伴可以查阅一下:

    【数据结构与算法】详解什么是树结构,并用代码手动实现一个二叉查找树

    接下来让我们来一起学习一下图结构吧

    在这里插入图片描述

    • 公众号:前端印象
    • 不定时有送书活动,记得关注~
    • 关注后回复对应文字领取:【面试题】、【前端必看电子书】、【数据结构与算法完整代码】、【前端技术交流群】

    一、什么是图结构

    是由顶点的集合和边的集合组成的。

    在我们的身边有很多用到图结构的地方,例如地铁线路图

    在这里插入图片描述
    地铁线路图中每一个站点都可以看成一个顶点,而连接着每个站点的线路可以看作是

    其中是可以有方向的。例如从 站点1站点2 是可以的,但是反过来 站点2站点1 是不可以的,那么此时就说 顶点1顶点2 之间的边是有方向的,方向为 顶点1 -> 顶点2

    二、图结构的术语

    文章开头说过,图结构与树结构有很多的相似之处,因此我们还是要先来介绍一些下文会提到的图结构中的术语

    术语含义
    顶点图中的某个结点
    顶点之间连线
    相邻顶点由同一条边连接在一起的顶点
    一个顶点的相邻顶点个数
    简单路径由一个顶点到另一个顶点的路线,且没有重复经过顶点
    回路第一个顶点和最后一个顶点的相同的路径
    无向图图中所有的边都没有方向
    有向图图中所有的边都有方向
    无权图图中的边没有权重值
    有权图图中的边带有一定的权重值

    我们再来看个图的例子,借此来更详细地介绍一下每个术语地含义,如图

    在这里插入图片描述
    该图为某某县地村落分布图,我们可以把其看成是一个图结构,其中每个村看成是一个顶点,每两个村之间可能通了一条路方便来往,例如 A村和D村之间就有一条路线1,我们称之为

    邻村表示只需要经过一条边就可以到达另一个村,那么我们就说这两个村互为邻村,也可以称它们互为相邻顶点。每个村都会有一个甚至多个邻村,例如D村的邻村有 A村 、C村 、F村,此时我们就说顶点D(D村)的为3

    假设有一天,你要从A村前往E村,你选择的路线是这样的,如图所示
    在这里插入图片描述
    途中我们经过了 顶点A顶点C顶点E ,没有重复经过某个顶点,因此我们称这条路线为简单路径

    此时,若你选择的路线是这样的,如图所示

    在这里插入图片描述
    途中经过两次 顶点C ,此时我们就不能称这条路线为简单路径了

    到了晚上,你准备起身回家,但选择经过B村再回家,那么此时你一整天的路线是这样的,如图所示
    在这里插入图片描述
    因为你当前的出发点和结束点都是A村(顶点A),因此这样的路线我们称之为回路

    第二天,你接到一个任务,尽快将一个包裹送往E村,为了节省时间,你查阅资料获取到了各条路的长度,如图所示

    在这里插入图片描述
    此时的图结构上每条边就带上了权重值,我们称这个图为有权图

    通过计算,最后选择了 A村 -> C村 -> E村 这条路线,等到包裹送到E村以后,你正准备原路返回,但发现来时的路都是单向的,现在不允许走这条路回去了,于是你又查阅资料,查看这个县各条路的方向情况,结果如图所示

    在这里插入图片描述
    此时的图结构上每条边都有一定的方向,我们称这个图为有向图

    最后你选择了 E村 -> B村 -> A村 这条路线成功回到了家

    三、图的表示

    上面我们在介绍图的时候,都是用一个形象的图片来讲解的,但在程序中,这样的表达方式显然不是我们想要的,因此我们要找到别的方式来表示结构

    图结构的常见的两个表达方式: 邻接矩阵邻接表

    (1)邻接矩阵

    顾名思义,邻接矩阵就像数学中的矩阵,我们只不过是借此来表示图结构,如图所示,现在有一个这样的图结构

    在这里插入图片描述

    很明显,该图为无向图,那么我们用矩阵的形式来表示它就如下图
    在这里插入图片描述
    图中的 0 表示该顶点无法通向另一个顶点,相反 1 就表示该顶点能通向另一个顶点

    先来看第一行,该行对应的是顶点A,那我们就拿顶点A与其它点一一对应,发现顶点A除了不能通向顶点D和自身,可以通向其它任何一个的顶点

    因为该图为无向图,因此顶点A如果能通向另一个顶点,那么这个顶点也一定能通向顶点A,所以这个顶点对应顶点A的也应该是 1

    为了大家更好的理解,我根据这个邻接矩阵,重新还原了一幅正确的图结构出来,如下面这张动图所示:

    在这里插入图片描述
    虽然我们确实用邻接矩阵表示了图结构,但是它有一个致命的缺点,那就是矩阵中存在着大量的0,这在程序中会占据大量的内存。此时我们思考一下,0就是表示没有,没有为什么还要写,所以我们来看一下第二种表示图结构的方法,它就很好的解决了邻接矩阵的缺陷

    (2)邻接表

    邻接表 是由每个顶点以及它的相邻顶点组成的

    还是使用刚才上面的那个例子,如图

    在这里插入图片描述
    那么此时我们的邻接表就是这样的,如下图

    在这里插入图片描述

    图中最左侧红色的表示各个顶点,它们对应的那一行存储着与它相关联的顶点

    因此,我们可以看出:

    • 顶点A 与 顶点B顶点C顶点E 相关联
    • 顶点B 与 顶点A 相关联
    • 顶点C 与 顶点A顶点D顶点E 相关联
    • 顶点D 与 顶点C 相关联
    • 顶点E 与 顶点A顶点C 相关联

    为了大家更好的理解,我根据这个邻接表,重新还原了一幅正确的图结构出来,如下面这张动图所示:

    在这里插入图片描述
    我们在文章末尾封装图结构时,也会用到这种表示方法

    四、遍历搜索

    在图结构中,存在着两种遍历搜索的方式,分别是 广度优先搜索深度优先搜索

    在介绍这两种搜索方式前,我们先来看一个例子

    在这里插入图片描述
    这是一个吃金币的小游戏,从入口开始,进去吃掉所到所有的金币,但是要尽可能少得走重复的路

    首先我们可以把它简化成我们学习的图结构,如图

    在这里插入图片描述
    接下来我们就根据这个图结构来介绍两种遍历搜索方式

    (1)广度优先搜索

    广度优先搜索 就是从第一个顶点开始,尝试访问尽可能靠近它的顶点,即先访问最靠近它的所有顶点,再访问第二靠近它的所有顶点,以此类推,直到访问完所有的顶点

    概念比较抽象,我们就拿上面的例子来说,如图所示

    在这里插入图片描述
    第一次先搜索离 顶点1 最近的两个顶点,即 顶点2顶点7

    然后再搜索离 顶点1 第二近的所有顶点,也就是离 顶点2顶点7 最近的所有顶点,如图所示
    在这里插入图片描述
    由图可知,离顶点2 最近的顶点为 顶点3顶点5 ,离 顶点7 最近的顶点为 顶点8 ,因此这几个点以此被遍历

    再继续往下搜索离 顶点1 第三近的所有顶点,也就是离 顶点3顶点5顶点8 最近的所有顶点,搜索过程如图所示
    在这里插入图片描述
    由图可知,离 顶点3 最近的顶点有 顶点6 ;离 顶点5 最近的顶点有 顶点4 ;离 顶点8 最近的顶点有 顶点9,因此它们也逐一被遍历

    到此为止,整个图结构就已经被遍历完成了,这就是一个广度优先搜索完整的过程

    (2)深度优先搜索

    深度优先搜索 就是从一个顶点开始,沿着一条路径一直搜索,直到到达该路径的最后一个结点,然后回退到之前经过但未搜索过的路径继续搜索,直到所有路径和结点都被搜索完毕

    同样的,概念比较抽象,我们来用上面的例子模拟一遍深度优先搜索,如图所示

    先随便沿着一条路径一直搜索,图中路径为 1 -> 2 -> 3 -> 6 -> 9 -> 8 -> 5 -> 4

    在这里插入图片描述

    当搜索到 顶点4 时,发现查找不到未被访问的顶点了,因此 顶点4 就是这条路径的最后一个顶点,此时我们要往后倒退,找寻别的每搜索过的路径

    此时发现当往后退到 顶点8 时,有一条路径上还有未被搜索过的顶点,即 8 -> 7 ,如图所示
    在这里插入图片描述

    沿着这条路径一直找到了最后一个顶点—— 顶点7,此时我们要继续往后退,看看还有没有别的路径没走过并且有未搜索过的顶点,但此时发现所有顶点都被访问过了,因此一个完整的深度优先搜索就完成了

    五、图结构的方法

    在封装图结构之前,我们先来了解一下图结构都由哪些方法,如下表所示

    方法含义
    addVertex()添加顶点
    addEdge()添加边
    toString()展示邻接表
    breadthFirstSearch()广度优先搜索
    depthFirstSearch()深度优先搜索

    六、用代码实现图结构

    前提:

    1. 我们封装的图结构中,存储边的方式用到的是我们上文提到的邻接表
    2. 封装的图结构面向的都是无权无向图

    (1)创建一个构造函数

    首先创建一个大的构造函数,用于存放二叉查找树的一些属性和方法。

    function Graph() {
        // 属性
        this.vertexes = []
        this.edges = {}
    }
    

    因为图结构是由顶点的集合和边的集合构成的,因此我们想要设定两个属性 vertexesedges ,分别存储着所有的顶点 、所有的边

    其中,属性 edges 是初始化了一个空对象。

    假设我们先新添加一个 顶点A ,那么我们除了在属性 vertexes 中存储一下该顶点信息,我们还要为 顶点A 在属性 edges 中创建一个键值对,键为 顶点A ,值是一个空数组,用于存放之后它的相邻顶点,如图所示

    在这里插入图片描述
    然后我们又新添加一个 顶点B ,并且设定 顶点A顶点B 为相邻顶点,那么此时的属性 edges 是这样的

    在这里插入图片描述
    此时可以很明显的看出,顶点A顶点B 相关联,即它们之间有一条边,它们互为相邻顶点

    (2)实现addVertex()方法

    addVertex() 方法就是将一个顶点添加到图结构中。该方法需要传入一个参数 v 用于表示顶点信息

    实现思路:

    1. 将新添加的顶点 v 添加到属性 vertexes
    2. 在属性 edges 中为顶点 v 创建一个数组空间,用于存放与其相关的边的信息

    我们来看一下代码

    function Graph() {
        // 属性
        this.vertexes = []
        this.edges = {}
    
    	// 方法
        // 添加顶点
        Graph.prototype.addVertex = function(v) {
            this.vertexes.push(v)
            this.edges[v] = []
        }
    }
    

    我们来使用一下该方法

    let graph = new Graph()
    
    graph.addVertex(3)
    graph.addVertex(9)
    graph.addVertex(5)
    

    我们来看一下我们定义的两个属性是什么样的,如图所示

    在这里插入图片描述

    在这里插入图片描述
    此时的各个顶点之间是没有任何的边的,等我们后面封装好了添加边的方法以后,再回头来看一下

    (3)实现addEdge()方法

    addEdge() 方法用于向图结构中添加边。该方法需要传入两个参数,即 v1v2,分别代表两个顶点

    实现思路:

    1. 找到属性 edges 中的 v1,为其添加一个相邻顶点 v1
    2. 同时找到属性 edges 中的 v2,为其添加一个相邻顶点 v1

    我们来看一下代码

    function Graph() {
        // 属性
        this.vertexes = []
        this.edges = {}
    
    	// 方法
        // 添加边
        Graph.prototype.addEdge = function(v1, v2) {
            this.edges[v1].push(v2)
            this.edges[v2].push(v1)
        }
    }
    

    现在我们来使用一下该方法

    let graph = new Graph()
    
    // 向图结构
    graph.addVertex(3)
    graph.addVertex(9)
    graph.addVertex(5)
    
    // 为顶点添加边
    // 在顶点3 和 顶点9 之间添加一条边
    graph.addEdge(3, 9)
    // 在顶点3 和 顶点5 之间添加一条边
    graph.addEdge(3, 5)
    // 在顶点5 和 顶点9 之间添加一条边
    graph.addEdge(5, 9)
    

    我们来看一下我们定义的两个属性是什么样的,如图所示
    在这里插入图片描述
    在这里插入图片描述
    此时的图结构是这样的

    在这里插入图片描述

    (4)实现toString()方法

    toString() 方法是用字符串的形式来向我们展示邻接表。该方法无需传入参数

    我们先来看一下我们最终需要的展示效果是如何的,如图

    在这里插入图片描述
    其实就是依次展示了每个顶点的所有相邻顶点

    实现思路:

    1. 创建一个字符串 str
    2. 遍历属性 vertexes,获取到每个顶点
    3. 每获取到一个顶点时,添加到 str 中,然后从属性 edges 中找到存放该顶点的相邻顶点的数组,然后遍历该数组,将所有相邻顶点添加到 str
    4. 最终返回 str

    我们直接来看一下代码

    function Graph() {
        // 属性
        this.vertexes = []
        this.edges = {}
    
    	// 方法
        // 展示邻接表
        Graph.prototype.toString = function() {
        	// 1. 创建字符串,用于存放数据
            let string = ''
            
            // 2. 遍历所有顶点
            for(let i in this.vertexes) {
    			
    			// 2.1 获取遍历到的顶点
                let vertex = this.vertexes[i]
    			
    			// 2.2 将遍历到的顶点添加到字符串中
                string += `${vertex} => `
                
                // 2.3 获取存储该顶点所有的相邻顶点的数组
                let edges = this.edges[vertex]
    
    			// 2.4 遍历该顶点所有的相邻顶点
                for(let i in edges) {
                	// 2.4.1 将遍历到的相邻顶点添加到字符串中
                    string += `${edges[i]} `
                }
                // 2.5 换行
                string += '\n'
            }
    		
    		// 3. 返回最终结果
            return string
        }
    }
    

    我们来使用一下该方法,为了方便,这里仍用上面的例子

    let graph = new Graph()
    
    // 向图结构
    graph.addVertex(3)
    graph.addVertex(9)
    graph.addVertex(5)
    
    // 为顶点添加边
    graph.addEdge(3, 9)
    graph.addEdge(3, 5)
    graph.addEdge(5, 9)
    
    // 获取邻接表
    console.log(graph.toString())
    /* 返回结果为:
    				3 => 9 5 
    				9 => 3 5 
    				5 => 3 9 
    */
    

    核对了一下,结果时正确的

    (5)实现initColor()方法(内部方法)

    在封装 breadthFirstSearch()方法和 depthFirstSearch() 方法之前,我们要额外封装一个 initColor()方法,这里要用到一个思想,但上面在介绍广度优先搜索和深度优先搜索时没有提到,这里我们来了解一下

    无论是在进行广度优先搜索还是深度优先搜索时,我们搜索顶点的时候,会频繁地重复搜索到某些顶点,那么我们就要用一种方式,使被搜索过的顶点不再被重复搜索一次。这种方法就是给每个顶点一个颜色标记,没有被搜索过的顶点被标记白色,被搜索过的顶点被标记黑色

    我们就拿一个简单的广度优先搜索的例子,来感受一下该方法的作用

    首先是广度优先搜索的例子,如图所示

    在这里插入图片描述
    首先我们从 顶点A 开始搜索,先依次遍历其所有的相邻顶点有 顶点B顶点C

    然后接着分别遍历 顶点B顶点C 的所有相邻顶点,其中 顶点B 的所有相邻顶点有 顶点A顶点C顶点D顶点C 的所有相邻顶点有 顶点A顶点B顶点D ,我们就按上述顺序依次遍历。此时我们可以发现,当遍历 顶点B 的相邻顶点时,会搜索到 顶点A,但是 顶点A 是我们一开始就搜索过的,因此不应该重复遍历。

    同样的,当遍历完 顶点B 的相邻顶点以后,在遍历 顶点C 的相邻顶点时,我们会发现其所有的相邻顶点之前都已经搜索过了,现在不应该重复遍历了。

    所以我们来看一下使用了颜色标记以后的搜索过程吧

    首先遍历到初始顶点——顶点A,此时我们给它标记黑色

    在这里插入图片描述
    接着遍历 顶点A 所有的相邻顶点,即 顶点B顶点C,并将它们都标记为黑色

    在这里插入图片描述
    最后,我们要遍历 顶点B顶点C 所有的相邻顶点

    先遍历 顶点B 的相邻顶点,分别是 顶点A顶点C顶点D,我们通过颜色辨认得知 顶点A顶点C 都为黑色,表示已经被搜索过了,所以无需重复遍历它们,此时只有 顶点D 不为黑色,所以我们搜索到了 顶点D,并将其标记为黑色

    在这里插入图片描述
    接着我们要遍历 顶点C 的相邻顶点,分别为 顶点A顶点B顶点D,但我们此时通过颜色辨认发现,所有的相邻顶点都被搜索过了,因此无需重复遍历这些顶点了。

    这样一个完美的广度优先搜索就完成了。

    因此,我们需要封装一个颜色初始化的函数,用于将所有顶点的颜色都初始化为白色,并将颜色信息存放在一个对象中,返回该对象用于别的函数

    我们来看一下代码

    function Graph() {
        // 属性
        this.vertexes = []
        this.edges = {}
    
    	// 方法
        // 顶点颜色初始化(内部函数)
        Graph.prototype.initColor = function() {
            // 1. 创建对象,存放颜色信息
            let color = {}
            
            // 2. 遍历所有顶点,将其颜色初始化为白色
            for(let i in this.vertexes) {
                color[this.vertexes[i]] = 'white'
            }
    		
    		// 3. 返回颜色对象
            return color       
        }
    }
    

    该方法的使用我们会在后续使用到,这里就不做演示了

    (6)实现breadthFirstSearch()方法

    breadthFirstSearch() 方法是对图结构进行广度优先搜索。该方法接收两个参数,第一个参数为初始顶点,即从哪个顶点开始搜索;第二个参数接收一个回调函数 handle 作为参数,用于在搜索过程中进行一些操作

    在上文多次介绍了广度优先搜索,其实这是一种基于队列来搜索顶点的方式

    注: 这里我就把我之前文章中封装的队列构造函数直接拿来使用了,如果想看队列的各个方法的实现过程的小伙伴可以点击下面跳转链接进行查看

    【数据结构与算法】详解什么是队列,并用代码手动实现一个队列结构

    实现思路:

    1. 先将所有的顶点颜色初始化为白色
    2. 从给定的第一个顶点开始搜索,即将第一个顶点添加到队列中,并将第一个顶点标记为黑色
    3. 从队列中取出一个顶点,查找该顶点的未被访问过的相邻顶点,将其添加到队列的队尾位置,并将这些顶点标记未黑色,表示也被访问过
    4. 执行我们的回调函数 handle,将该顶点作为参数传入
    5. 一直循环 步骤3 ~ 步骤4 ,直到队列为空

    我们来看一下具体的代码

    function Graph() {
        // 属性
        this.vertexes = []
        this.edges = {}
    
    	// 已经封装好的队列构造函数
    	function Queue() {
    	    this.list = []
    	
    	    //入队列
    	    Queue.prototype.enqueue = function (e) {
    	        this.list.push(e)
    	    }
    	    //出队列
    	    Queue.prototype.dequeue = function () {
    	        return this.list.shift()
    	    }
    	    //判断队列是否为空
    	    Queue.prototype.isEmpty = function() {
    	        if(this.list.length === 0) {
    	            return true
    	        }
    	        else {
    	            return false
    	        }
    	    }
    	    //返回队列中元素个数
    	    Queue.prototype.size = function () {
    	        return this.list.length
    	    }
    	    //返回队列中的第一个元素
    	    Queue.prototype.front = function () {
    	        return this.list[0]
    	    }
    	    //返回当前队列
    	    Queue.prototype.toString = function () {
    	        let string = ''
    	        for(let i in this.list) {
    	            string += `${this.list[i]} `
    	        }
    	        return string
    	    }
    	}
    
    	// 方法
        // 顶点颜色初始化(内部函数)
        Graph.prototype.initColor = function() {
            // 1. 创建对象,存放颜色信息
            let color = {}
            
            // 2. 遍历所有顶点,将其颜色初始化为白色
            for(let i in this.vertexes) {
                color[this.vertexes[i]] = 'white'
            }
    		
    		// 3. 返回颜色对象
            return color       
        }
    
    	// 广度优先搜索
        Graph.prototype.breadthFirstSearch = function(firstVertex, handle) {
            // 1. 初始化所有顶点颜色
            const color = this.initColor()
            
            // 2. 新建一个队列
            const queue = new Queue()
            
            // 3. 将第一个顶点加入队列
            queue.enqueue(firstVertex)
    
            // 4. 开始广度优先搜索
            while(!queue.isEmpty()) {
    
                // 4.1 从队列中取出一个顶点
                let vertex = queue.dequeue()
    
                // 4.2 获取与该顶点相关的其他顶点
                let otherVertexes = this.edges[vertex]
    
                // 4.3 将该顶点设为黑色,表示已被访问过,防止后面重复访问
                color[vertex] = 'black'
    
                // 4.4 遍历与该顶点相关的其它顶点
                for(let i in otherVertexes) {
    
                    // 4.4.1 获取与该顶点相关的顶点
                    let item = otherVertexes[i]
    
                    // 4.4.1 若未被访问,则加入到队列中
                    if(color[item] === 'white') {
                        color[item] = 'black'
                        queue.enqueue(item)
                    }
                }
    
                // 4.5 执行我们的回调函数
                handle(vertex)
            }     
        }
    }
    

    我们来使用一下该方法吧,为了方便检查函数的正确性,我们之前介绍到的吃金币的例子,并且回调函数 handle 用来打印一下访问到的顶点

    这里我直接把正确的访问顺序图放在这里,方便大家下面核对结果是否正确
    在这里插入图片描述

    let graph = new Graph()
    
    graph.addVertex(1)
    graph.addVertex(2)
    graph.addVertex(3)
    graph.addVertex(4)
    graph.addVertex(5)
    graph.addVertex(6)
    graph.addVertex(7)
    graph.addVertex(8)
    graph.addVertex(9)
    
    graph.addEdge(1, 2)
    graph.addEdge(1, 7)
    graph.addEdge(2, 3)
    graph.addEdge(2, 5)
    graph.addEdge(3, 2)
    graph.addEdge(3, 6)
    graph.addEdge(4, 5)
    graph.addEdge(5, 4)
    graph.addEdge(5, 2)
    graph.addEdge(5, 8)
    graph.addEdge(6, 3)
    graph.addEdge(6, 9)
    graph.addEdge(7, 1)
    graph.addEdge(7, 8)
    graph.addEdge(8, 5)
    graph.addEdge(8, 7)
    graph.addEdge(8, 9)
    graph.addEdge(9, 6)
    graph.addEdge(9, 8)
    
    // 广度优先搜索
    graph.breadthFirstSearch(1, function(vertex) {
    	// 打印访问到的顶点
    	console.log(vertex)
    })
    /* 打印结果:
    			1
    			2
    			7
    			3
    			5
    			8
    			6
    			4
    			9
    */
    

    把打印的结果和图片核对以后发现结果是一致的,因此这个方法是没有问题的

    (7)实现depthFirstSearch()方法

    depthFirstSearch() 方法是对图结构进行深度优先搜索。该方法接收两个参数,第一个参数为初始顶点,即从哪个顶点开始搜索;第二个参数接收一个回调函数 handle 作为参数,用于在搜索过程中进行一些操作

    在上文多次介绍了深度优先搜索,其实这是一种基于来搜索顶点的方式,我们也直到其实递归也是利用栈结构的思路实现的,因此我们这里封装该方法时就不把之前封装好的栈结构拿来使用了,直接利用递归实现,正好递归也能把代码变得简洁点

    因此首先我们要封装一个递归调用的主体函数,方法名为 depthVisit,该方法接收三个参数,第一个参数为搜索的顶点;第二个参数为存储顶点颜色信息的对象;第三个参数为回调函数,实现思路如下

    depthVisit()方法的实现思路:

    1. 从给定的顶点开始搜索,将其标记为黑色,表示已被访问过
    2. 执行我们的回调函数 handle,将该顶点作为参数传入
    3. 遍历该顶点的所有相邻顶点,若相邻顶点为黑色,则表示已被访问过,就不做任何处理
    4. 若相邻顶点为白色,则表示未被访问,于是就再次调用 breadthFirstSearch()方法,将该顶点作为第一个参数

    再来简单说一下 depthFirstSearch() 方法的实现思路

    depthFirstSearch()方法的实现思路:

    1. 将所有顶点的颜色初始化为白色
    2. 选择一个顶点作为深度优先搜索的第一个顶点,调用 depthVisit()方法,并将该顶点作为该方法的第一个参数

    接下来我们来看一下具体的代码吧

    function Graph() {
        // 属性
        this.vertexes = []
        this.edges = {}
    
    	// 方法
        // 顶点颜色初始化(内部函数)
        Graph.prototype.initColor = function() {
            // 1. 创建对象,存放颜色信息
            let color = {}
            
            // 2. 遍历所有顶点,将其颜色初始化为白色
            for(let i in this.vertexes) {
                color[this.vertexes[i]] = 'white'
            }
    		
    		// 3. 返回颜色对象
            return color       
        }
    	
    	// 深度优先搜索
        Graph.prototype.depthFirstSearch = function(firstVertex, handle) {
            // 1. 初始化所有顶点颜色
            const color = this.initColor()
    
            // 2. 开始递归访问各个顶点
            this.depthVisit(firstVertex, color, handle)
        }
    
        // 深度优先搜索的递归访问(内部函数)
        Graph.prototype.depthVisit = function(vertex, color, handle) {
            // 1. 先将访问到的顶点颜色设为黑色,防止后面重复访问
            color[vertex] = 'black'
    
            // 2. 执行回调函数
            handle(vertex)
    
            // 3. 获取与该顶点相关的其它顶点
            let otherVertexes = this.edges[vertex]
    
            // 4. 遍历所有相关的顶点
            for(let i in otherVertexes) {
                let item = otherVertexes[i]
                // 4.1 访问没有被访问过的相邻顶点
                if(color[item] === 'white') {
                    this.depthVisit(item, color, handle)
                }
            }
    
        }
    	
    }
    

    同样的,我们也用上文将到的吃金币例子中的深度优先搜索的结果图来验证我们方法的正确性,图片如下

    在这里插入图片描述

    let graph = new Graph()
    
    graph.addVertex(1)
    graph.addVertex(2)
    graph.addVertex(3)
    graph.addVertex(4)
    graph.addVertex(5)
    graph.addVertex(6)
    graph.addVertex(7)
    graph.addVertex(8)
    graph.addVertex(9)
    
    graph.addEdge(1, 2)
    graph.addEdge(1, 7)
    graph.addEdge(2, 3)
    graph.addEdge(2, 5)
    graph.addEdge(3, 2)
    graph.addEdge(3, 6)
    graph.addEdge(4, 5)
    graph.addEdge(5, 4)
    graph.addEdge(5, 2)
    graph.addEdge(5, 8)
    graph.addEdge(6, 3)
    graph.addEdge(6, 9)
    graph.addEdge(7, 1)
    graph.addEdge(7, 8)
    graph.addEdge(8, 5)
    graph.addEdge(8, 7)
    graph.addEdge(8, 9)
    graph.addEdge(9, 6)
    graph.addEdge(9, 8)
    
    // 深度优先搜索
    graph.depthFirstSearch(1, function(vertex) {
    	// 打印访问到的顶点
    	console.log(vertex)
    })
    /* 打印结果:
    			1
    			2
    			3
    			6
    			9
    			8
    			5
    			4
    			7
    */
    

    把打印的结果和图片核对以后发现结果是一致的,因此这个方法是没有问题的

    七、结束语

    图结构的讲解就到这里了,希望大家对图结构有了更深一层的理解。到此为止,我的【数据结构与算法】专栏中的数据结构部分已经结束了,接下来准备开始讲解排序算法了,下一篇文章为基本排序算法,顺便会在文中介绍一下大O表示法

    大家可以关注我,之后我还会一直更新别的数据结构与算法的文章来供大家学习,并且我会把这些文章放到【数据结构与算法】这个专栏里,供大家学习使用。

    然后大家可以关注一下我的微信公众号:前端印象,等这个专栏的文章完结以后,我会把每种数据结构和算法的笔记放到公众号上,大家可以去那获取。

    或者也可以去我的github上获取完整代码,欢迎大家点个Star

    我是Lpyexplore,创作不易,喜欢的加个关注,点个收藏,给个赞~ 带你们在Python爬虫的过程中学习Web前端

    展开全文
  • 以某电站大型地下厂房主变洞为例,研究了大型地下洞室围岩结构面的空间尺度各指标的关系、相关方程的建立、可视化图形展示以及在洞室拱顶与边墙出露位置的确定,从而得出结构面在洞室周边出露的确定性信息。...
  • 采用广义逆矩阵方法分析空间可桁架结构的运动过程。以笛卡尔坐标系下节点的自然坐标为未知量,建立桁架结构展开过程的动力学基本方程,将约束方程嵌入动力学方程,导出一组不含乘子且方程数目等于结构自由度数的...
  • 双层可剪刀结构的设计与建模
  • 结合四面体旋转环机构和三向对称六连杆机构的基本原理,设计了一种向外翻转开启式可展结构.这种结构以6个四面体构件形成的三向对称环形连杆机构为基础,通过四面体绕相邻铰转动实现结构的闭合和开启.详细阐述了该...
  • 队列结构也是平时非常常见的一种受限的线性数据结构。它跟栈结构一样都是受限的数据结构,区别就是...数据结构——队列一、什么是队列二、队列结构的方法三、用代码实现一个队列结构(1)创建一个构造函数(2)实现enq

    本系列文章【数据结构与算法】所有完整代码已上传 github,想要完整代码的小伙伴可以直接去那获取,可以的话欢迎点个Star哦~下面放上跳转链接

    队列结构也是平时非常常见的一种受限线性数据结构。它跟栈结构一样都是受限的数据结构,区别就是队列结构是遵循着先进先出的原则,本文将对此进行详细的讲解。
    在这里插入图片描述

    • 公众号:前端印象
    • 不定时有送书活动,记得关注~
    • 关注后回复对应文字领取:【面试题】、【前端必看电子书】、【数据结构与算法完整代码】、【前端技术交流群】

    一、什么是队列

    队列的限制到底是什么呢?我们先用一个形象的例子来了解一下队列的定义

    我们可以把队列想象成我们排队买票的队伍,每个排队的人就相当于一个元素
    在这里插入图片描述
    队伍的前面叫做前端
    队伍的后面叫做后端

    此时,有一个人进入队伍来买票,此时相当于向队列中添加一个新的元素
    在这里插入图片描述
    紧接着后面又来了一个人,也要排队买票,但按照排队的规则,这个新来的人只能排在上一个人的后面,所以此时的队伍是这样的

    在这里插入图片描述
    此时售票员开始卖票了,这个队伍最前面的人,也就是第一个人来的人可以享受最先买票的权利,所以他买完票后,就可以离开这个队伍了,那么他后面的人就成了这个队伍最前面的人。
    在这里插入图片描述

    其实这也就相当于队列删除元素的操作,队列删除元素就像是排队买票,最先来的人可以最先买到票离开队伍,并且也只能是按照先来后到的顺序买票再离开;相反,晚来的人也就只能等前面的人都买完票了以后才有资格买票再离开这个队伍了。

    根据上面所讲的例子,相信大家对队列这个概念有了深刻的理解了吧。

    所以我们总结的来说一下,队列就是一个受限的线性表,遵循着“先进先出,后进后出”的原则,即只允许在队列的前端删除元素,在队列的后端进行添加元素。

    二、队列结构的方法

    与其他的数据结构一样,队列结构也有自己的操作元素的方法,我们来看一下常见的队列操作元素的方法有哪些吧~

    方法含义
    enqueue()向队列后端添加元素
    dequeue()删除队列最前端的一个元素,并返回该元素
    front()返回队列前端的元素,但不会移除该元素
    isEmpty()查看队列是否为空
    size()返回队列内元素的个数
    toString()以字符串的形式展示队列内的所有元素

    三、用代码实现一个队列结构

    接下来,我们就用JavaScript实现一个基于数组的线性结构的类,因为是基于数组实现的队列,所以我们可以把数组的头部看作是队列的前端,把数组的尾部看作是队列的后端

    (1)创建一个构造函数

    function Queue() {
    	//属性
        this.list = []
    }
    

    (2)实现enqueue()方法

    enqueue()方法就是向一个队列的后端(数组的尾部)添加新的元素的方法

    接下来我们来单独实现一下该方法

    function Queue() {
    	//属性
        this.list = []
        
        //enqueue()方法的实现
        Queue.prototype.enqueue = function (e) {
            this.list.push(e)
        }
    }
    

    我们来使用一下该方法

    let queue = new Queue()
    queue.enqueue(4)
    queue.enqueue(8)
    

    此时的队列是这样的
    在这里插入图片描述

    (3)实现dequeue()方法

    dequeue()方法就是删除队列中最前端(数组的前面)的一个元素,并返回该元素

    接下来我们来单独实现一下该方法

    function Queue() {
    	//属性
        this.list = []
        
        //dequeue()方法的实现
        Queue.prototype.dequeue = function () {
            return this.list.shift()
        }
    }
    

    我们来使用一下该方法

    let queue = new Queue()
    //先按 4 8 的顺序向队列添加元素
    queue.enqueue(4)
    queue.enqueue(8)
    
    queue.dequeue()              //  返回 4,同时队列中的元素4被删除
    

    先添加了元素4,再添加了元素8,所以使用dequeue()方法时,删除的是最先添加的元素4,此时队列的情况是这样的
    在这里插入图片描述

    (4)实现front()方法

    front()方法就是返回队列最前端(数组的前面)的第一个元素,并且不会对队列里的数组进行任何的操作

    我们来实现一下该方法

    function Queue() {
    	//属性
        this.list = []
        
        //front()方法的实现
        Queue.prototype.front = function () {
            return this.list[0]
        }
    }
    

    我们来使用一下该方法

    let queue = new Queue()
    //先按 4 8 的顺序向队列添加元素
    queue.enqueue(4)
    queue.enqueue(8)
    
    queue.front()          //  返回 4,但没有对队列中的元素进行任何操作
    

    此时队列中的情况是这样的
    在这里插入图片描述

    (5)实现isEmpty()方法

    isEmpty()方法就是判断队列是否为空(数组内是否有元素),若为空,则返回 true;否则,返回 false

    我们来实现一下该方法

    function Queue() {
    	//属性
        this.list = []
        
        //isEmpty()方法的实现
        Queue.prototype.isEmpty = function() {
            if(this.list.length === 0) {
                return true
            }
            else {
                return false
            }
        }
    }
    

    我们来使用一下该方法

    let queue = new Queue()
    
    queue.isEmpty()        //返回 true,因为此时并没有向队列添加过元素
    
    queue.enqueue(3)
    
    queue.isEmpty()       //返回 false,因为上一行代码向队列里添加了元素3,此时队列不为空
    

    (6)实现size()方法

    size()方法就是查询并返回队列中的元素个数(数组的长度)

    我们来实现一下该方法

    function Queue() {
    	//属性
        this.list = []
        
        //size()方法的实现
        Queue.prototype.size = function () {
            return this.list.length
        }
    }
    

    我们来使用一下该方法

    let queue = new Queue()
    
    queue.size()        //返回 0,因为还未向队列添加过元素
    
    queue.enqueue(4)
    queue.enqueue(8)
    
    queue.size()       //返回 2,因为上面两行代码分别向队列添加了一个元素
    

    (7)实现toString()方法

    toString()方法就是将队列内的元素用字符串的方式展示出来(将数组转化成字符串)并返回

    我们来实现一下该方法

    function Queue() {
    	//属性
        this.list = []
        
        //toString()方法的实现
        Queue.prototype.toString = function () {
            let string = ''
            for(let i in this.list) {
                string += `${this.list[i]} `
            }
            return string
        }
    }
    

    我们来使用一下该方法

    let queue = new Queue()
    
    queue.enqueue(4)
    queue.enqueue(8)
    queue.enqueue(12)
    
    queue.toString()     //返回 4 8 12
    

    四、队列结构的实战应用

    相信大家都玩过击鼓传花的游戏,这里我们来改动一下击鼓传花的规则。

    规则是: 几个人围坐成一个圈,指定一个数字,例如3,选其中一个人开始数数,数到3的那个人被淘汰,然后从刚刚被淘汰的人的下一个人重新开始数。以此类推……直到只剩一个人,那么这个剩下的人就是获胜者

    规则比较复杂,我用图文来给大家演示一次

    首先是五个人围坐成一圈,分别是VWXYZ
    在这里插入图片描述
    然后我们指定一个数字,就比如 3 吧,然后从 V 开始数,数到 X 时为3,所以 X 被淘汰
    在这里插入图片描述
    然后接下来 Y 从1开始数,到 V 时数到了3,所以 V 淘汰
    在这里插入图片描述
    然后接下来 W 从1开始数,到 Z 时数到了3,所以 Z 淘汰
    在这里插入图片描述
    然后接下来还是 W 先从1开始数,然后 Y 数到2,最后 W 数到3,所以 W 被淘汰,场上只剩下 Y 了,所以 Y 是最终的获胜者
    在这里插入图片描述
    好了,看完了上面这个游戏规则,我们来考虑一下如何用队列来实现它。

    其实很简单,因为所有人坐成一个圈形成了一个循环,所以我们可以每数一个数,将队列前端的元素取出,再重新添加到队列的后端,如果是数到了刚开始规定的数字,则该被取出的元素不再被添加到队列的后端了,然后又继续重新数数,以此类推……直到队列里只有一个元素了,该元素就是最终获胜的。

    接下来封装一个该游戏规则的函数,该函数需要传入 成员列表一个数字

    function passFlower(member, num) {
        let queue = new Queue()
    
        for(let i=0; i < member.length; i++) {
            queue.enqueue(member[i])
        }
    
        while (queue.list.length !== 1) {
            for(let i=0; i < num - 1; i++) {
                queue.enqueue(queue.dequeue())
            }
            queue.dequeue()
        }
        return queue.list[0]
    }
    

    我们来使用一下这个函数,来验证一下结果是否跟刚刚上面举得例子的结果一样。

    passFlower(['V', 'W', 'X', 'Y', 'Z'], 3)   // 返回 Y
    

    可以看到,运行结果跟我们举例时看到的结果一样,这样一个队列的实战运用就讲完了,大家可以自己动手实现一遍这样的功能,可以加深一下印象

    五、总结

    队列结构的讲解就到这里了,希望大家对队列结构有了更深一层的理解。下一篇文章我将讲解一下另一种特殊的队列结构,叫做优先级队列

    大家可以关注我,之后我还会一直更新别的数据结构与算法的文章来供大家学习,并且我会把这些文章放到【数据结构与算法】这个专栏里,供大家学习使用。

    然后大家可以关注一下我的微信公众号:前端印象,等这个专栏的文章完结以后,我会把每种数据结构和算法的笔记放到公众号上,大家可以去那获取。

    或者也可以去我的github上获取完整代码,欢迎大家点个Star

    我是Lpyexplore,创作不易,喜欢的加个关注,点个收藏,给个赞~ 带你们在Python爬虫的过程中学习Web前端

    展开全文
  • idea中项目包展示结构

    千次阅读 2020-09-15 15:35:54
    如下图,这中的,下下图中设置按钮打开,Flatten Packages,Compact Middle packages 都不选 如下图,这中的,下下图中设置按钮打开,只勾选Compact Middle packages 其他格式的自己玩组合就好

    如下图,这中的,下下图中设置按钮打开,Flatten Packages,Compact Middle packages 都不选

    在这里插入图片描述

    在这里插入图片描述

    如下图,这中的,下下图中设置按钮打开,只勾选Compact Middle packages

    在这里插入图片描述
    在这里插入图片描述

    其他格式的自己玩组合就好

    展开全文
  • 基于Python的Abaqus二次开发在空间可单簧片结构仿真分析中的应用.pdf
  • FlatBSON使用其BSON标签递归平Go结构。 这对于部分更新嵌入式Mongo文档特别有用。 例如,要更新User的Address.Visited字段,请flatbson.Flatten使用父结构调用flatbson.Flatten : type User struct { ID ...
  • 基于欠约束机构和过约束机构的共性,提出了一种运用内部机构位移分析受荷可展结构平衡状态的找形方法.通过建立体系的势能函数,利用最速下降原理,推导了机构位移模态的组合系数,以确定荷载作用下可展结构的运动方向....
  • 半包围结构有还、画、风、石、爬、过、尾、可、看、边、处、后、进、句、反、成、在、近、包、左、向、远、问、闪、起、右、医、同、友、逃、闯、瘦、病、疤、连、遍、运、房、虎、眉、雁、应、、透、度、选、...
  • 什么是蛋白质结构域?什么是HTH?

    千次阅读 2020-09-09 12:56:17
    1. 什么是蛋白质结构域? 结构域是蛋白质三维结构中小的保守区域,展示了蛋白质功能的属性,是构成蛋白质(三级)结构的基本单元,结构域检测是蛋白质分类和功能注释的重要方面。 蛋白质结构域与蛋白质完成生理功能...
  • 基于剪式单元的可/折叠机构的结构设计,李端玲,李驰,根据构成剪式单元的杆件的不同类型,对剪式单元进行了分类。提出一种基于直杆剪式单元的平面可折叠机构的方法。对成角杆剪式单
  • 综合考虑间隙、非线性刚度、摩擦及碰撞阻尼,建立了较链等效模型,并基于该等效模型建立了含较可析架结构动力学模型。根据较链的变拓扑结构特点,提出了适用于解决时变非线性动力学问题的附加力方法,对多自由度平面和...
  • 详细展示RNN的网络结构

    万次阅读 多人点赞 2018-09-17 20:27:54
    下面简单介绍一下RNN的结构,如果简略地去看,RNN结构很简单,根本没有CNN那么复杂,但是要具体实现,还是需要仔细思考一下,希望本篇博客能把RNN结构说的明白。 循环神经网络(Recurrent Neural Network,RNN)DNN...
  • 结构是一种非常常见的数据结构,并且在很多场景下也被用到。其实栈结构跟数组结构很像,只是在数组的基础...数据结构——栈一、什么是栈二、栈结构的方法三、用代码实现一个栈结构(1)创建一个构造函数(2)实现push
  • 设计了一种用于空间可抛物面天线的能量节点机构,并分析其展开机理,对杆件及其端部的扭簧组成的宏单元的缩减刚度矩阵进行了讨论。结果表明,在结构体系中设置能量节点可显著改善结构的共振性能,证明该设计是可靠...
  • 当面临一个树结构的时候,一般首先考虑用 tree 组件,但是,这里显然是不可能的,理由如下: 数据量太多,一个节点可能有数万子节点,显示会非常卡(一般来说,最多显示几百个才能保证性能,超过 1000 很容易卡);...
  • idea的项目结构的包展示格式设置

    千次阅读 2022-02-17 18:15:18
    今天有小伙伴询问idea的项目结构的包结构都是连在一起的,在查找和新建包的时候路径看的比较难受。idea中关于包结构展示模式的设置有两种,一种是展开的,一种是压实的或者压缩成一排的。默认idea一般都是包结构是写...
  • eclipse项目目录展示结构设置

    千次阅读 2019-09-29 13:47:43
    常用的目录展示结构 而修改的方式很简单,步骤如下 1.鼠标移动到下图圈起来的位置 2.移动到选项Projects Presentation 3.选择选项Hierarchical
  • 提出了一个利用伸缩杆驱动的六棱柱展开单元,和国内外已有的设计相比,该单元可动机构数较少,展开可靠度高,结构刚度好,且具有很广泛的几何适应性,能容易地构造复杂二维可展结构,具有广泛的应用前景。利用伸缩杆六棱柱...
  •  外观结构,及LED散热主要构造--一般使用AL6063,铝挤模,前期成本投入低,表面处理美观,散热效果好,前些日子去看也有发现有厂商开始做压铸的框架,这样IP等级可以做高一点,且封光好些,整体美观,但是前期...
  • 为了定量、准确地预测煤体结构空间布,基于沁水盆地柿庄北区块煤层气测井和钻井取心数据,引入煤岩地质强度因子的概念,对煤岩煤体结构进行宏观描述与定量表征,通过分析煤体结构表征值与各测井曲线间相关性,选取体积...
  • 一、什么是数据结构 1、数据结构的起源 1968年,美国的高纳德教授开设了一门基本算法的课程,开创了数据结构的先河。 数据结构是一门研究数据之间关系和操作的学科,而非是计算方法。 数据结构+算法=程序 沃思凭借这...
  • IDEA 树形展示包结构

    万次阅读 2019-04-26 16:39:16
    IDEA 编辑器默认的包结构如图 在这样的包结构上创建文件夹非常不方便,将其更改为树形结构步骤如下 点击图中设置图标 将Compact MiddlePackages 的勾去掉,如果是第一次修改此处显示的应该是...
  • 本文将来讲解一下一种常见的线性数据结构—链表,因为链表和数组一样都是一种线性的数据结构,但是它俩的实现原理是完全不同的,所以在讲解链表之前,我们来回顾一下 数组 结构
  • 基于Python的Abaqus二次开发在空间可单簧片结构仿真分析中的应用
  • 集合这个概念应该大家在学习数学的时候都听过并且有学习过,它也是一种数据结构,我们还是需要用代码来实现集合的很多方法。 学习过ES6语法的小伙伴应该知道,ES6新增了一种 Set 数据结构,这就是集合,尽管官方已经...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 728,304
精华内容 291,321
关键字:

展字的结构是什么结构

友情链接: HC-SR04-V1.2.zip