Hero Image
一些 Word 编辑技巧

1. 设置 Word 多级标题模板 在 Word 2021 上建立本科毕业论文的多级标题模板，最终实现效果如下： 图 1.1: 多级标题最终效果 1.1 设置各级标题的样式 首先在 “开始 —> 样式” 里设置每一级标题的格式。设置好样式后，选中文档内容再选择相应样式即可。 图 1.2: 创建各类标题样式的入口 1.1.1 正文 本文正文要求：中文宋体（西文 Times New Roman）五号、不加粗、首行缩进、对齐方式为两端对齐、段前段后 0 间距、行距为固定值 20 磅。设置如下： 图 1.3: 正文的中英文和对齐方式设置 图 1.4: 正文段落设置 其中“段落”在“修改样式”左下角的“格式”中打开。

    Sunday, May 11, 2025 | 1 minute Read
    Hero Image
    磁矢势

    磁矢势的推导 磁矢势其引入方式与电势类似，但有点硬凑出来的感觉。 下面我们从电磁场的基本性质出发，系统推导磁矢势的数学表达式。 与电势的类比 对于稳恒电场，其基本性质由以下方程组描述： $$ \begin{cases} \nabla \cdot \vec{E} = \rho / \varepsilon_0 \\ \nabla \times \vec{E} = 0 \end{cases} $$ 电势的引入基于电场无旋性 $ \nabla \times \vec{E} = 0 $。由于任意标量函数的梯度的旋度恒为零 $ \nabla \times (\nabla U) = 0 $，我们可以定义电势 $ U $ 满足： $$ \vec{E} = - \nabla U $$ 顺便提一下，$ \nabla \times (\nabla U) $ 类似于两个平行向量叉乘，围不成四边形，有向面积为 0。 磁场的特殊性 我们想按照电势的推导来推出类似磁势的东西，但却不能。 对于稳恒磁场，其基本性质为： $$ \begin{cases} \nabla \cdot \vec{B} = 0 \\ \nabla \times \vec{B} = \mu_0 \vec{j} \end{cases} $$

      Sunday, April 20, 2025 | 3 minutes Read
      Hero Image
      Algorithms

      A-Star Path Planning Algorithm 应用场景 很多NPC或者机器人（AI）需要自动寻路的功能来达到与玩家交互的功能。例如吃鸡游戏中，机器人在城镇中跑毒就需要自动寻路，不然可能就被墙卡死了。A-Star（A*）寻路算法原理与实现 算法简介 A* 算法是一种很常用的路径查找和图形遍历算法，最初发表于 1968 年，由 Stanford 研究院的 Peter Hart, Nils Nilsson 以及 Bertram Raphael 发表。它可以被认为是 Dijkstra 算法的扩展。 由于借助启发函数的引导，A* 算法通常拥有更好的性能。路径规划之 A* 算法 发展历程 广度优先搜索：从起点开始，首先遍历起点周围邻近的点，然后再遍历已经遍历过的点邻近的点，逐步的向外扩散，直到找到终点。 这种算法就像洪水（Flood fill）一样向外扩张。 Dijkstra算法：在Dijkstra算法中，需要计算每一个节点距离起点的总移动代价。同时，还需要一个优先队列结构。对于所有待遍历的节点，放入优先队列中会按照代价进行排序。 在算法运行的过程中，每次都从优先队列中选出代价最小的作为下一个遍历的节点。直到到达终点为止。 最佳优先搜索：在一些情况下，如果我们可以预先计算出每个节点到终点的距离，则我们可以利用这个信息更快的到达终点。 其原理也很简单。与Dijkstra算法类似，我们也使用一个优先队列，但此时以每个节点到达终点的距离作为优先级，每次始终选取到终点移动代价最小（离终点最近）的节点作为下一个遍历的节点。 A*算法 A*算法实际上是综合上面这些算法的特点于一身的。 A*算法通过下面这个函数来计算每个节点的优先级。 $$ f(n) = g(n) + h(n) $$ 其中： $ f(n) $ 是节点 $ n $ 的综合优先级。当我们选择下一个要遍历的节点时，我们总会选取综合优先级最高（值最小）的节点。 $ g(n) $ 是节点 $ n $ 距离起点的代价。 $ h(n) $ 是节点 $ n $ 距离终点的预计代价，这也就是 A* 算法的启发函数。 A* 算法在运算过程中，每次从优先队列中选取 $ f(n) $ 值最小（优先级最高）的节点作为下一个待遍历的节点。

        Thursday, March 6, 2025 | 2 minutes Read
        Hero Image
        Optimization Methods

        Lagrangian relaxation The explanation I provide is based on Lagrangian relaxation-Wikipedia and Chapter 12 Lagrangian Relaxation-ens-lyon Lagrangian relaxation is a relaxation method which approximates a difficult problem of constrained optimization by a simpler problem. The method penalizes violations of inequality constraints using a Lagrange multiplier, which imposes a cost on violations. These added costs are used instead of the strict inequality constraints in the optimization. In practice, this relaxed problem can often be solved more easily than the original problem.

          Thursday, December 12, 2024 | 11 minutes Read
          Hero Image
          Matrix Base

          0.1 Determinant Theorem: $ det(AB) = det(A)det(B) $ Let $ A, B $ be a square matrices of order n. Let $ det(A) $ be the determinant of $ A $. Let $ AB $ be the matrix product of $ A $ and $ B $. Then: $ det(AB) = det(A)det(B) $ Proof The proof I provide is based on Determinant of Matrix Product Consider two cases: $ A $ is singular.

            Wednesday, November 20, 2024 | 56 minutes Read
            Hero Image
            Circuit Base

            Basic circuit Charge It is defined in terms of the ampere by counting the total charge that passes through an arbitrary cross section of a wire during an interval of one second. In the SI system, the fundamental unit of charge is the coulomb (C). Current We define the current at a specific point and flowing in a specified direction as the instantaneous rate at which net positive charge is moving past that point in the specified direction. Current is symbolized by I or i, and so

              Thursday, November 7, 2024 | 3 minutes Read
              Hero Image
              Multimodal-fusion research

              Fusion stage Figure 1: Mind map of Deep Multimodal Learning Inference mechanism for multi-sensors fusion Figure 2: Mind map of A comparative review on multi-modal sensors fusion based on deep learning

                Wednesday, October 16, 2024 | 1 minute Read
                Hero Image
                Recommendation Progress

                个人情况 本科： 重庆大学 专业： 计算机科学与技术 排名： 1.3% (rank 3) 英语： 六级 547 荣誉： 国家奖学金、重庆市三好学生 竞赛： 无竞赛 科研： 有 CV 领域相关经历，面试时有 NIPS 二作在投 最终去向： 中国科学技术大学-计算机科学与技术学院 夏令营情况 院校 类型 入营 offer 南京大学-计算机科学与技术学院 硕士 √ 候补 清华大学-深圳国际研究生院(数据与信息研究院人工智能项目) 硕士 × 清华大学-网络研究院 硕士 × 南京大学-人工智能学院 硕士 × 中国人民大学-高瓴人工智能学院 直博 √ 时间冲突，放弃参营 上海交通大学-人工智能学院 直博 √ 不合格（斩杀） 中国科学技术大学-计算机科学与技术学院 硕士 √ 学硕 南京大学-计算机科学与技术学院 线上测试过了，线下机试 0 分。。。 南京大学-人工智能学院 入了计院，不让入人工智能学院？ 上海交通大学-人工智能学院 没有提前联系好老师，科研积累太少。 预推免情况 院校 类型 入营 offer 清华大学-软件学院 专硕 √ × 浙江大学-计算机科学与技术学院 硕士 √ 专硕 总结：入营基本都能入，但自身实力差。南大机试报零，面试差导致上交直博不合格。

                  Thursday, October 10, 2024 | 1 minute Read
                  Hero Image
                  C language lecture 1

                  怎么和计算机打交道 Figure 1: 早期将穿孔纸带输入计算机 Figure 2: 使用汇编语言编程 Figure 3: 使用高级语言C语言编程 为什么要学 C 语言 基础性强：C 语言是一门底层语言，靠近计算机硬件。学习 C 语言能够帮助你理解计算机是如何工作的，如内存管理、指针操作和硬件交互等。很多高级语言（如 C++、Python）都基于 C 语言。 高效性能：C 语言生成的代码通常比很多高级语言效率更高，特别适合对性能要求高的场景，比如实时系统、游戏引擎等。 。。。 怎么开始学习 C/C++ 语言 首先需要一个写代码的好地方，推荐 VS Code 安装 VS Code 安装 C/C++ 扩展 安装 MinGW-w64 编译工具，并检查 向编程世界打声招呼 #include <iostream> using namespace std; int main() { cout << "Hello, World!" << endl; return 0; }

                    Friday, September 13, 2024 | 1 minute Read