当前位置： 首页 > article >正文

基于机器学习的水量智能调度研究

article 2025/6/6 8:25:22

摘要：随着城市化进程的加速和水资源供需矛盾的日益突出，传统的水量调度模式因缺乏精准预测和动态调控能力，难以满足现代供水系统对高效性、稳定性和节能性的要求。本文针对供水系统中用水峰谷预测不准确、能耗高、供需失衡等核心问题，提出基于机器学习的水量智能调度解决方案。通过引入 LSTM-Attention、XGBoost 等先进算法，构建融合多源数据的用水预测模型，并结合水库、清水池等蓄水设施实现水量的动态优化调度。研究从问题分析、技术架构、实现路径、应用案例及效益评估等维度展开，旨在为智慧水务建设提供理论支撑与实践参考。

关键词：水量智能调度；机器学习；LSTM-Attention；XGBoost；供需平衡

一、引言

1.1 研究背景与意义

随着城市化进程的加速和居民生活水平的提升，城市用水量呈现出日益复杂的动态变化特征。用水需求在时间维度上的不均衡性（如早晚高峰用水集中）与供水系统的刚性产能之间的矛盾日益突出，导致水厂常面临高峰期供水压力骤增、低谷期设备闲置的困境。与此同时，传统调度模式依赖人工经验制定生产计划，难以实时响应负荷波动，不仅造成水资源浪费，还因频繁启停设备导致能耗成本居高不下（据统计，供水系统能耗约占城市总能耗的15%-20%）和设备寿命缩短。

在此背景下，引入数据驱动的智能调度技术成为破解困局的关键。机器学习算法因其强大的非线性建模能力，能够从海量历史数据中挖掘用水规律与影响因素的内在关联，为精准预测用水峰谷提供了新工具。通过构建高效的预测模型并集成到调度系统中，可实现“以需定产”的动态调控，在低谷期利用闲置产能蓄水，高峰期减少设备启停频率，从而优化资源配置、降低运行成本，对保障城市供水安全与可持续发展具有重要的理论与实践意义。

1.2 研究目标与内容

本研究以解决城市供水系统供需不平衡与高能耗问题为核心目标，重点开展以下工作：

  1. 构建多源异构数据集，整合历史用水量、气象因子（温度、降雨）、日期类型（工作日/假日）等数据，分析各因素对用水行为的影响机制。
  2. 设计基于LSTM-Attention、XGBoost等算法的用水峰谷预测模型，对比不同模型的预测性能，筛选最优方案。
  3. 开发水量智能调度系统，将预测结果与水泵启停、水厂生产计划动态联动，形成“预测-优化-执行”的闭环控制流程。
  4. 通过实际案例验证模型的有效性，评估智能调度策略在降低能耗、提升供水效率方面的实际效果。

二、相关研究综述

2.1 水量预测技术研究现状

水量预测作为智能调度的基础，其精度直接影响调度效果。早期研究多采用传统时间序列模型，如ARIMA、指数平滑法等，这类方法基于线性假设，难以捕捉用水数据的非线性特征和复杂周期性。近年来，机器学习算法逐渐成为主流：

  • 神经网络模型：LSTM（长短期记忆网络）因其对时序数据的长程依赖建模能力，被广泛应用于用水量预测。例如，文献[1]利用LSTM模型预测城市日用水量，结果显示其精度优于ARIMA模型。但传统LSTM在处理多变量输入时，难以有效区分不同特征的重要性，注意力机制（Attention）的引入则通过动态分配权重提升了模型对关键因素的捕捉能力[2]。
  • 集成学习模型：XGBoost、LightGBM等梯度提升树算法凭借高效的并行计算能力和正则化机制，在处理高维特征时表现出色。文献[3]对比了XGBoost与BP神经网络在小时级用水预测中的性能，发现前者的预测误差降低了12%-15%。此外，CatBoost算法通过有序分类特征处理，进一步提升了对日期类型等类别变量的建模效率[4]。

2.2 智能调度系统研究进展

智能调度系统的核心是将预测结果转化为可执行的调度策略。现有研究主要围绕“预测-优化”框架展开：

  • 预测模块：多数研究聚焦单一算法优化，如结合深度学习与粒子群优化（PSO）提升LSTM参数寻优效率[5]，或通过特征工程筛选关键影响因子[6]。
  • 优化模块：以能耗最小化、供水可靠性最大化为目标，建立混合整数规划（MIP）、随机优化等数学模型，求解水泵启停时刻与水厂产能分配方案[7]。例如，文献[8]基于滚动时域优化（RTO）策略，实现了对水泵机组的实时调度，降低了30%的峰值能耗。

2.3 现存问题与挑战

尽管现有研究取得了一定进展，但仍存在以下不足：

  1. 多源数据融合不足：部分研究仅利用用水量时序数据，忽略了气象、节假日等外部因素对用水行为的显著影响。
  2. 模型泛化能力有限：多数模型基于特定区域数据训练，缺乏对不同季节、气候条件的适应性调整机制。
  3. 调度策略实时性不足：传统优化模型求解复杂度高，难以满足实时调度需求，需进一步优化算法效率。

三、基于机器学习的水量智能调度框架设计

3.1 系统架构设计

本研究构建的水量智能调度系统由数据层、模型层、调度层三部分组成（图1）：

  • 数据层：负责采集、存储历史用水量（分钟级/小时级）、气象数据（温度、降雨量、湿度）、日期类型（工作日、周末、节假日）等多源数据，并进行预处理（缺失值填充、异常值检测、归一化）。
  • 模型层：基于预处理数据训练LSTM-Attention、XGBoost等预测模型，输出未来24小时用水峰谷时段预测结果（如高峰时段为6:00-9:00、17:00-21:00）。
  • 调度层：根据预测结果，通过优化算法生成水泵启停计划与水厂生产负荷分配方案，驱动执行机构（如变频水泵、蓄水池阀门）调整运行状态，实现水量动态平衡。

图1 水量智能调度系统架构

3.2 数据预处理

3.2.1 数据采集与清洗
  • 数据来源：某城市自来水公司2022-2024年历史用水数据（流量传感器采集，分辨率为15分钟）、当地气象站同期气象数据（API接口获取）、日期类型标注（基于国家法定节假日历）。
  • 清洗步骤：
    1. 缺失值处理：采用线性插值法填充用水量缺失数据，利用相邻时刻均值填充气象数据缺失值。
    2. 异常值检测：基于3σ原则识别用水量异常点，通过前后时刻数据加权平均修正。
3.2.2 特征工程
  • 输入特征：
    • 时序特征：滞后用水量（t-1, t-2, ..., t-24）、日周期特征（一天中的小时数，0-23）、周周期特征（星期几，0-6）。
    • 外部特征：当前时刻温度、降雨量、湿度，日期类型（0-工作日，1-周末/节假日）。
  • 输出特征：未来1小时用水量（用于单步预测）或未来24小时用水量序列（用于多步预测）。

3.3 预测模型构建

3.3.1 LSTM-Attention模型
  • 网络结构：
    • 输入层：接收归一化后的多变量序列（维度为n_timesteps×n_features）。
    • LSTM层：包含2层双向LSTM单元，每层128个神经元，捕捉时序数据的长期依赖关系。
    • 注意力层：对LSTM输出的隐藏状态进行加权求和，计算公式为（1）：

（1）

  • 其中，ht为t时刻LSTM隐藏状态，W、w、b为可训练参数，at为各时刻的注意力权重。
  • 全连接层：将注意力层输出映射到预测值，激活函数为线性函数。
3.2 XGBoost模型
  • 参数设置：
    • 树结构：采用GBDT（梯度提升决策树）框架，最大树深6，学习率0.01，迭代次数1000，子采样率0.8。
    • 正则化：L1正则化系数（alpha）0.1，L2正则化系数（lambda）1，防止过拟合。
  • 特征处理：对日期类型等类别变量进行独热编码（One-Hot Encoding），数值型特征归一化到[0,1]区间。
3.3.3 模型训练与评估
  • 数据集划分：按8:1:1比例划分训练集、验证集、测试集，采用时间序列交叉验证（Time Series Cross-Validation）避免数据泄漏。
  • 损失函数：均方根误差（RMSE）与平均绝对误差（MAE），计算公式为(2)：

 (2)

  • 优化算法：LSTM模型采用Adam优化器，学习率0.001；XGBoost采用默认优化策略。

四、智能调度策略与系统集成

4.1 基于预测结果的调度规则设计

4.1.1 峰谷时段识别

根据预测的用水量序列，采用滑动窗口法（窗口大小为1小时）识别峰谷时段：

  • 高峰时段：窗口内用水量超过历史同期均值+1.5倍标准差。
  • 低谷时段：窗口内用水量低于历史同期均值-1.5倍标准差。
4.1.2 水泵启停优化
  • 低谷期策略：开启备用水泵，利用清水池与水库蓄水，将产水量提升至设计产能的120%，储存多余水量。
  • 高峰期策略：优先消耗蓄水池存量，减少主水泵启停次数，通过变频调速维持管网压力稳定，避免设备频繁启停。
4.1.3 水厂生产计划调整
  • 建立多水厂协同调度模型，以总能耗最小化为目标，约束条件包括：

 

 

4.2 系统集成与实时控制

  • 技术栈：
    • 数据存储：采用时序数据库InfluxDB存储实时用水数据与模型预测结果。
    • 模型部署：通过Flask框架将训练好的模型封装为API接口，供调度系统调用。
    • 控制执行：利用SCADA（数据采集与监控系统）实现对水泵、阀门的远程控制，通信协议采用Modbus TCP。
  • 运行流程：
    1. 每日凌晨1点，系统自动调用预测模型，生成未来24小时逐小时用水量预测曲线。
    2. 调度模块根据预测结果与实时库存水位，计算各时段水泵启停状态与水厂产水量指令。
    3. SCADA系统按15分钟周期执行调度指令，并反馈设备运行状态与实际用水量数据，形成闭环控制。

五、实验设计与结果分析

5.1 实验数据与环境

  • 数据集：选取某地级市2024年1-6月的用水数据（共21600条记录，分辨率15分钟），其中包含52个工作日、20个周末、11个节假日，覆盖春季与夏季典型用水场景。
  • 实验环境：
    • 硬件：Intel i7-12700H CPU，32GB RAM，NVIDIA RTX 3060 GPU。
    • 软件：Python 3.9，TensorFlow 2.12（LSTM模型），XGBoost 1.7.5，Pandas 1.5.3。

5.2 预测模型性能对比

5.2.1 单步预测结果

以预测未来1小时用水量为目标，对比LSTM-Attention、XGBoost、LSTM（无Attention）、ARIMA模型的性能，结果如表1所示：

模型RMSE（m³/h）MAE（m³/h）训练耗时（s）
ARIMA182.5145.32.1
LSTM128.7102.445.6
XGBoost115.291.818.3
LSTM-Attention105.685.258.9

由表1可知，LSTM-Attention模型在预测精度上显著优于传统ARIMA模型，RMSE降低了42.1%，表明注意力机制有效提升了模型对关键特征（如温度、节假日）的关注度。XGBoost模型凭借高效的特征筛选能力，性能接近LSTM-Attention，且训练速度更快，适用于实时性要求较高的场景。

5.2.2 多步预测结果

采用滚动预测方式（每次预测未来24小时用水量，滑动步长1小时），对比LSTM-Attention与XGBoost模型在不同预测时长下的误差变化，如图2所示：

图2 预测时长与误差关系

结果显示，随着预测时长增加，两种模型的RMSE均呈上升趋势，但LSTM-Attention模型在长序列预测中表现更优（24小时预测RMSE为152.3 m³/h，较XGBoost低9.7%），说明其对时序数据的长期依赖建模能力更强。

5.3 智能调度效果评估

5.3.1 能耗对比

选取2024年6月某周（包含3个工作日、2个周末、2个节假日）作为测试期，对比传统调度与智能调度的能耗数据，结果如表2所示：

调度模式总能耗（kWh）峰期能耗占比低谷期蓄水利用率
传统调度128,50068.2%45%
智能调度102,30052.7%82%

数据表明，智能调度通过低谷期蓄水、高峰期减少设备运行，使总能耗降低了20.4%，峰期能耗占比下降15.5个百分点，同时低谷期蓄水利用率提升近一倍，验证了策略的有效性。

5.3.2 设备损耗分析

通过监测水泵启停次数与运行时长，发现智能调度模式下：

  • 主水泵日均启停次数从传统模式的8次降至3次，减少了62.5%，降低了机械磨损。
  • 设备日均满负荷运行时长从5.2小时缩短至2.8小时，延长了设备寿命（据厂商数据，满负荷运行时长每减少1小时，设备故障率降低5%）。

六、讨论与展望

6.1 模型优缺点分析

  • 优点：
    1. LSTM-Attention模型在多变量时序预测中表现出较强的特征融合能力，尤其适用于受气象、节假日等外部因素影响显著的用水场景。
    2. XGBoost模型兼具高效性与准确性，适合作为轻量级预测方案部署于边缘计算设备。
  • 局限性：
    1. 模型对极端天气（如暴雨、高温预警）的响应滞后，需进一步引入实时气象预警数据增强鲁棒性。
    2. 调度策略未考虑管网漏损、用户用水习惯突变等不确定因素，可通过引入随机优化或强化学习机制提升适应性。

6.2 未来研究方向

  1. 多模型融合：构建LSTM-Attention与XGBoost的混合模型，结合深度学习的特征提取能力与集成学习的决策效率，进一步提升预测精度。
  2. 边缘计算部署：将轻量化模型（如XGBoost）部署于供水泵站边缘节点，实现本地化实时预测与控制，降低对云端的依赖。
  3. 低碳调度优化：将碳交易价格、可再生能源出力等纳入调度目标函数，构建“能耗-碳排放”双优化模型，推动绿色供水系统建设。

七、结论

本研究通过整合机器学习算法与智能调度策略，构建了一套数据驱动的水量智能调度系统。实验结果表明，LSTM-Attention与XGBoost模型能够有效捕捉用水规律与影响因素的非线性关系，预测精度显著优于传统方法。结合低谷蓄水、峰期稳供的调度策略，可实现能耗降低20%以上、设备损耗减少的显著效益，为城市供水系统的智能化升级提供了可行方案。未来研究需进一步提升模型对动态环境的适应性，推动该技术在复杂供水网络中的规模化应用。

 (未经作者授权严谨转载和收录，违者必究)

相关文章：

基于机器学习的水量智能调度研究

摘要：随着城市化进程的加速和水资源供需矛盾的日益突出，传统的水量调度模式因缺乏精准预测和动态调控能力，难以满足现代供水系统对高效性、稳定性和节能性的要求。本文针对供水系统中用水峰谷预测不准确、能耗高、供需失衡等核心问题&#xf…...

编程日记 2025/6/6 8:25:22

深度解码：我如何用“结构进化型交互学习方法”与AI共舞，从学习小白到构建复杂认知体系

嗨，亲爱的学习者们，思考者们，以及所有渴望在知识海洋中自由翱行却时常感到迷茫的朋友们： 你是否也曾有过这样的深夜，面对堆积如山的学习资料，眼神迷离，内心却一片荒芜？明明每个字都…...

编程日记 2025/6/6 8:24:13

深入浅出 Scrapy：打造高效、强大的 Python 网络爬虫

在数据为王的时代，高效获取网络信息是开发者必备的技能。今天我将为大家介绍 Python 爬虫领域的王者框架——Scrapy。无论你是数据工程师、分析师还是开发者，掌握 Scrapy 都能让你的数据采集效率提升数倍！ 项目地址：https://github.com/scrapy/scrapy 官方文档：https://do…...

编程日记 2025/6/6 8:23:10

ES6 Promise 状态机

状态机：抽象的计算模型，根据特定的条件或者信号切换不同的状态 一、Promise 是什么？ 简单来说，Promise 就是一个“承诺对象”。在ES6 里，有些代码执行起来需要点时间，比如加载文件、等待网络请求或者设置…...

编程日记 2025/6/6 8:22:04

Axure 与 Cursor 集成实现方案

Axure 与 Cursor 集成实现方案 以下是一个完整的 Axure 与 Cursor AI 集成的原型实现方案，通过自定义 JavaScript 代码实现无缝对接： 一、整体架构设计 #mermaid-svg-f9hQDSN4hijU3mJY {font-family:"trebuchet ms",verdana,arial,sans-seri…...

编程日记 2025/6/6 8:20:59

汽车加气站操作工证考试重点

汽车加气站操作工证考试重点 一、汽车加气站操作工证考试主要内容 汽车加气站操作工证是从事CNG（压缩天然气）和LNG（液化天然气）加气站作业人员的必备资格证书。随着新能源汽车的快速发展，该证书的市场需求持续增长&a…...

编程日记 2025/6/6 8:19:51

贪心算法应用：带权任务间隔调度问题详解

贪心算法应用：带权任务间隔调度问题详解 贪心算法是一种在每一步选择中都采取在当前状态下最好或最优（即最有利）的选择，从而希望导致结果是全局最好或最优的算法。带权任务间隔调度问题是贪心算法的一个经典应用场景。 问题定义…...

编程日记 2025/6/6 8:18:43

用电脑控制keysight示波器

KEYSIGHT示波器HD304MSO性能 亮点： 体验 200 MHz 至 1 GHz 的带宽和 4 个模拟通道。与 12 位 ADC 相比，使用 14 位模数转换器 （ADC） 将垂直分辨率提高四倍。使用 10.1 英寸电容式触摸屏轻松查看和分析您的信号。捕获 50 μVRMS …...

编程日记 2025/6/6 8:16:30

LLaMA-Factory - 批量推理（inference）的脚本

scripts/vllm_infer.py 是 LLaMA-Factory 团队用于批量推理（inference）的脚本，基于 vLLM 引擎，支持高效的并行推理。它可以对一个数据集批量生成模型输出，并保存为 JSONL 文件，适合大规模评测和自动化测试。…...

编程日记 2025/6/6 8:15:24

React从基础入门到高级实战：React 高级主题 - 测试进阶：从单元测试到端到端测试的全面指南

React 测试进阶：从单元测试到端到端测试的全面指南 引言 在2025年的React开发环境中，测试不仅是代码质量的保障，更是提升开发效率和用户体验的关键支柱。随着React应用的复杂性不断增加，高级测试技术——如端到端（E2…...

编程日记 2025/6/6 8:13:18

Ansible 剧本精粹 - 编写你的第一个 Playbook

Ansible 剧本精粹 - 编写你的第一个 Playbook 如果说 Ansible Ad-Hoc 命令像是你对厨房里的助手发出的零散口头指令（“切个洋葱”、“烧开水”），那么 Playbook 就是一份完整、详细、写在纸上的菜谱。它列明了所有需要的“食材”（变量），详细的“烹饪步骤”（任务），甚至还…...

编程日记 2025/6/6 8:12:13

【Elasticsearch】Elasticsearch 核心技术（二）：映射

Elasticsearch 核心技术（二）：映射 1.什么是映射（Mapping）1.1 元字段（Meta-Fields）1.2 数据类型 vs 映射类型1.2.1 数据类型1.2.2 映射类型 2.实际运用案例案例 1：电商产品索引映射案…...

编程日记 2025/6/6 8:11:09

【计算机网络】网络层协议

1. ICMP协议的介绍及应用 IP协议的助手 —— ICMP 协议 ping 是基于 ICMP 协议工作的，所以要明白 ping 的工作，首先我们先来熟悉 ICMP 协议。 ICMP 全称是 Internet Control Message Protocol，也就是互联网控制报文协议。 里面有个关键词 …...

编程日记 2025/6/6 8:10:04

.NET Core接口IServiceProvider

.NET Core 接口 IServiceProvider 深度剖析 在 .NET Core 和 .NET 5 的世界里，依赖注入（Dependency Injection，简称 DI）是构建可维护、可测试应用程序的关键技术。而 IServiceProvider 接口，正是依赖注入机制中的核心…...

编程日记 2025/6/6 8:08:57

结构型设计模式之Proxy（代理）

结构型设计模式之Proxy（代理） 前言： 代理模式，aop环绕通知，动态代理，静态代理 都是代理的一种，这次主要是记录设计模式的代理demo案例，详情请看其他笔记。 1）意图 为其…...

编程日记 2025/6/6 8:07:52

案例分享--汽车制动卡钳DIC测量

制动系统是汽车的主要组成部分，是汽车的主要安全部件之一。随着车辆性能的不断提高，车速不断提升，对车辆的制动系统也随之提出了更高要求，因此了解车辆制动系统中每个部件的动态行为成为了制动系统优化的主要途径，同时…...

编程日记 2025/6/6 8:06:46

Redis Set集合命令、内部编码及应用场景(详细)

文章目录 前言普通命令SADDSMEMBERSSISMEMBERSCARDSPOPSMOVESREM 集合间操作SINTERSINTERSTORESUNIONSUNIONSTORESDIFFSDIFFSTORE 命令小结内部编码使用场景 前言 集合类型也是保存多个字符串类型的元素的，但和列表类型不同的是，集合中 1）元…...

编程日记 2025/6/6 8:05:42

C++算法动态规划1

DP定义： 动态规划是分治思想的延申，通俗一点来说就是大事化小，小事化无的艺术。 在将大问题化解为小问题的分治过程中，保存对这些小问题已经处理好的结果，并供后面处理更大规模的问题时直接使用这些结果。 动态规划具…...

编程日记 2025/6/6 8:04:37

【快速预览经典深度学习模型：CNN、RNN、LSTM、Transformer、ViT全解析！】

🚀快速预览经典深度学习模型：CNN、RNN、LSTM、Transformer、ViT全解析！ 📌你是否还在被深度学习模型名词搞混？本文带你用最短时间掌握五大经典模型的核心概念和应用场景，助你打通NLP与CV的任督二脉&#xf…...

编程日记 2025/6/6 8:03:26

KaiwuDB在边缘计算领域的应用与优势

KaiwuDB 在边缘计算场景中主要应用于 工业物联网（IIoT）、智能电网、车联网 等领域，通过其分布式多模架构和轻量化设计，在边缘侧承担 数据实时处理、本地存储与协同分析 的核心作用。以下是具体案例和功能解析： 1. 典型…...

编程日记 2025/6/6 8:02:14

如何避免二极管过载？

如何避免二极管过载？ 二极管作为电路中的基础元件，其过载可能导致性能下降甚至烧毁。以下从选型、安装、保护设计及散热四方面提供实用解决二极管过载方案： 精准选型匹配需求 根据电路特性选择二极管类型：高频电路优先选用肖特基…...

编程日记 2025/6/6 8:01:09

Vue.js组件开发系统性指南

结合核心概念、最佳实践及性能优化策略，帮助您构建高效可维护的组件体系： 一、组件基础与核心结构 1.单文件组件（SFC）组织 模板：使用<template>定义HTML结构，遵循单根元素原则。 逻辑：在<script>中通过export default导出组件选项（数据、方法、生命周期钩…...

编程日记 2025/6/6 8:00:06

React---day9

11、css 11.1 styled的基本使用 CSS-in-JS的模式就是一种将样式&#xff08;CSS&#xff09;也写入到JavaScript中的方式&#xff0c;并且可以方便的使用JavaScript的状态&#xff1b; npm add styled-componentsconst Title styled.h1font-size: 1.5em;text-align: center…...

编程日记 2025/6/6 7:59:02

设计模式 - 模板方法模式

该模式将定义一个操作中的算法骨架&#xff0c;并将算法的一些步骤延迟到子类中实现&#xff0c;使得子类可以在不改变算法结构的情况下重定义算法的某些特定步骤。 例如&#xff0c;炒菜的步骤是固定的&#xff0c;具体可分为倒油、热油、倒蔬菜、倒调料品、翻炒等。通过模板…...

编程日记 2025/6/6 7:57:57

鸿蒙开发List滑动每项标题切换悬停

鸿蒙开发List滑动每项标题切换悬停 鸿蒙List滑动每项标题切换悬停&#xff0c;功能也很常见 一、效果图&#xff1a; 二、思路&#xff1a; ListItemGroup({ header: this.itemHead(secondClassify, index) }) 三、关键代码&#xff1a; build() {Column() {List() {ListIt…...

编程日记 2025/6/6 7:56:54

ubuntu开机自动挂载windows下的硬盘

我是ubuntu和windows的双系统开发&#xff0c;在ubuntu下如果想要访问windows的硬盘&#xff0c;需要手动点击硬盘进行挂载&#xff0c;这个硬盘我每次编译完都会使用&#xff0c;所以用下面的步骤简化操作&#xff0c;让系统每次开机后自动挂载。 第一步. 确定硬盘的设备标识…...

编程日记 2025/6/6 7:55:51

C# 实现软件开机自启动（不需要管理员权限）

本文参考C#/WPF/WinForm/程序实现软件开机自动启动的两种常用方法&#xff0c;将里面中的第一种方法做了封装成AutoStart类&#xff0c;使用时直接两三行代码就可以搞定。 自启动的原理是将软件的快捷方式创建到计算机的自动启动目录下&#xff08;不需要管理员权限&#xff0…...

编程日记 2025/6/6 7:54:46

使用 Golang `testing/quick` 包进行高效随机测试的实战指南

使用 Golang testing/quick 包进行高效随机测试的实战指南 Golang testing/quick 包概述testing/quick 包的功能和用途为什么选择 testing/quick 进行测试快速入门&#xff1a;基本用法导入 testing/quick 包基本使用示例&#xff1a;快速生成测试数据quick.Check 和 quick.Val…...

编程日记 2025/6/6 7:53:41

32 C 语言字符处理函数详解：isalnum、isalpha、iscntrl、isprint、isgraph、ispunct、isspace

1 isalnum() 函数 1.1 函数原型 #include <ctype.h>int isalnum(int c); 1.2 功能说明 isalnum() 函数用于检查传入的整数参数是否为 ASCII 编码的字母或数字字符&#xff08;A - Z、a - z、0 - 9&#xff0c;对应 ASCII 值 65 - 90、97 - 122、48 - 57&#xff09;。…...

编程日记 2025/6/6 7:43:28

Qt实现一个悬浮工具箱源码分享

一、效果展示 二、源码分享 hoverToolboxWidget.h #ifndef HOVERTOOLBOXWIDGET_H #define HOVERTOOLBOXWIDGET_H#include <QWidget> #include <QMouseEvent> #include <QPropertyAnimation> #include <QStyleOption> #include <QPainter>namespa…...

编程日记 2025/6/6 7:34:30