你好！ 這是你第一次使用markdown編輯器所展示的歡迎頁。如果你想學習如何使用markdown編輯器, 可以仔細閱讀這篇文章，了解一下markdown的基本語法知識。
全新的介面設計，將會帶來全新的寫作體驗；
在創作中心設定你喜愛的**高亮樣式，markdown將**片顯示選擇的高亮樣式進行展示；
全新的katex數學公式語法；
增加了支援甘特圖的mermaid語法1
功能；增加了焦點寫作模式、預覽模式、簡潔寫作模式、左右區域同步滾輪設定等功能，功能按鈕位於編輯區域與預覽區域中間；
增加了檢查列表功能。
撤銷：ctrl/command + z
重做：ctrl/command + y
加粗：ctrl/command + b
斜體：ctrl/command + i
無序列表：ctrl/command + shift + u
有序列表：ctrl/command + shift + o
檢查列表：ctrl/command + shift + c
插入**：ctrl/command + shift + k
插入：ctrl/command + shift + g
直接輸入1次#，並按下space後，將生成1級標題。
輸入2次#，並按下space後，將生成2級標題。
以此類推，我們支援6級標題。有助於使用toc語法後生成乙個完美的目錄。
強調文字
強調文字
加粗文字加粗文字
標記文字
刪除文字
引用文字h2o is是液體。
210 運算結果是 1024.
帶尺寸的:
居中的:
居中並且帶尺寸的:
當然，我們為了讓使用者更加便捷，我們增加了拖拽功能。
去部落格設定頁面，選擇一款你喜歡的**片高亮樣式，下面展示同樣高亮的**片.
// an highlighted block
var foo =
'bar'
;
專案3乙個簡單的**是這麼建立的：
專案value
電腦$1600
手機$12
導管$1
使用:---------:居中
使用:----------居左
使用----------:居右
第一列第二列
第三列第一列文字居中
第二列文字居右
第三列文字居左
smartypants將ascii標點字元轉換為「智慧型」印刷標點html實體。例如：
type
ascii
html
single backticks
'isn't this fun?'『isn』t this fun?』
quotes
"isn't this fun?"「isn』t this fun?」
dashes
-- is en-dash, --- is em-dash– is en-dash, — is em-dash
markdown
text-to-
html conversion tool
authors
john
luke
乙個具有註腳的文字。2
markdown將文字轉換為 html。
您可以使用渲染latex數學表示式 katex:
gamma公式展示 γ(n
)=(n
−1)!
∀n∈n
\gamma(n) = (n-1)!\quad\forall n\in\mathbb n
γ(n)=(
n−1)
!∀n∈
n 是通過尤拉積分
γ (z
)=∫0
∞tz−
1e−t
dt.\gamma(z) = \int_0^\infty t^e^dt\,.
γ(z)=∫
0∞t
z−1e
−tdt
.
你可以找到更多關於的資訊latex數學表示式here.可以使用uml圖表進行渲染。 mermaid. 例如下面產生的乙個序列圖：:
這將產生乙個流程圖。:
我們依舊會支援flowchart的流程圖：
如果你想嘗試使用此編輯器, 你可以在此篇文章任意編輯。當你完成了一篇文章的寫作, 在上方工具欄找到文章匯出，生成乙個.md檔案或者.html檔案進行本地儲存。
如果你想載入一篇你寫過的.md檔案或者.html檔案，在上方工具欄可以選擇匯入功能進行對應副檔名的檔案匯入，
繼續你的創作。
mermaid語法說明↩︎
註腳的解釋 ↩︎
蟻群優化演算法
蟻群優化演算法作為一種全域性最優化搜素方法，同遺傳演算法一樣，靈感都 於自然界，並有良好的搜素效能。然而，從數學的角度來理解分析它們的工作方式是很難的，因為這些演算法都具有很複雜的隨機過程。aco演算法的過程具有一定的隨機性，這就要求初始化螞蟻的數量和更新資訊素的次數必須足夠的多，只有這樣才能最終收...
蟻群演算法詳解
今天開始學習優化演算法，話說蟻群演算法是之前看過的，唉，今天一看都看不懂了，蟻群演算法的思想我就不說了，現在來理解一下這個 吧！該 的主要思想是 for 迭代次數 for 螞蟻個數 每個螞蟻完整的走完一遍 每個點訪問一次 end更新資訊素 end然後根據資訊素的多少找出一條路徑來 tsp的蟻群演算法...
ACO蟻群演算法
aco蟻群演算法 總結一下 在蟻群演算法中有兩個比較重要的引數資訊素濃度a，距離d，主要依靠這兩個特徵引數來推算出蟻群去往地點的概率。在比較早的時候成功解決了tsp旅行商的問題 在後面的例子中也會以這個例子 要用演算法去模擬螞蟻的這種行為，關鍵在於資訊素的在演算法中的設計，以及路徑中資訊素濃度越大的...