所述起動器元件圖模式建立元件，並且元件圖，其示出了到連線元件由元件聯結器指示經由介面兩個元件共享資訊。元件中新增了描述元素的注釋，並且這些注釋已在圖表中可見
圖1.顯示了乙個元件圖，其中兩個元件通過assembly connector連線。
該模式的目的是允許設計師，建築師和其他利益相關者建立或檢視架構或設計的邏輯部分以及它們通過介面進行通訊的方式。
該模式通常在計畫的設計階段的早期使用，以描述架構或設計的邏輯部分的方式。它可以用於：
·對設計的邏輯部分建模
·顯示元件如何通過介面進行通訊。
「兩級類組成層次結構」模式通過定義類來描述給定類的結構，並使用兩種不同的線型從中將其組成為兩級。角色端可見的 多重性描述了正在執行的系統中允許的例項數。可以根據需要新增角色名稱和其他詳細資訊。
圖1.顯示了乙個類圖，該類圖描述了使用兩種不同的線型向下劃分為兩個級別的類的層次結構，以幫助使該圖更加可讀和緊湊。
目的是描述類的組成，以便可以理解它，並可以推理其結構，並可以建立更詳細的模型。這種模式允許將類分解為兩個級別，從而使分析師可以描述和視覺化各個類的結構。
該模式可以通過以下方式使用：
·當乙個類不是原子類並且需要描述其結構時，可以使用該模式，以便可以從組成層次的兩個層次上推理或描述組成該類的類。
·它是復合結構圖的有用前體，在該結構圖中，可以根據組成類的部分來描述類的內部結構。
具有角色的基本類圖模式建立元素和乙個類圖，該圖描述兩個類如何相互關聯。關聯顯示類之間的語義或結構關係。協會兩端已獲得角色名稱，指示角色在關係的另一端相對於該類扮演的角色。每個類的基數或例項數都用多重表示。
圖1.顯示了乙個類圖，其中兩個類通過關聯關係連線。該協會被命名，並且指示器顯示了如何讀取兩個類之間的關係。協會的兩端已獲得角色名稱，這些名稱指示班級在關係的另一端相對於班級所扮演的角色。多重性表示使用中可以存在的每個元素的基數或例項數。
目的是使分析師和其他利益相關者能夠建立和檢視表示感興趣領域中重要「事物」及其相關結構或語義方式的元素。新增關係以顯示元素之間如何相互關聯，並可以用多重性（基數）和角色名稱進行裝飾，以更詳細地描述這些關係。
它通常在計畫的早期就用來描述領域中的重要元素。該模式不僅對分析有用，而且還是共享知識並確保所有利益相關者對所討論領域中重要的「事物」及其相互關係具有共識的基本工具。
完整狀態機模式從實體所表現出的重要狀態的角度描述了乙個實體（例如，類，參與者，用例或測試用例）。當進入狀態時，可以觸發進入動作，而在該狀態下，可以觸發執行動作，而在離開狀態時，可以觸發退出動作。
圖1.狀態機圖，顯示了三個狀態和四個轉換。
為了提供一種機制來表示條件（狀態），系統工程師或其他利益相關者認為在模組或其他元素的生命週期中很重要。它描述了與狀態有關的行為，該行為顯示了元素如何從狀態過渡到狀態以及在元素處於該狀態期間呼叫了哪些活動。
當軟體工程師想要定義或描述塊或其他元素可能表現出的一組離散狀態時，使用該模式。通常建立它們是為了分析系統某些部分的行為，通常是因為難以理解或行為複雜。
具有觸發器保護和效果模式的基本狀態機從其所顯示的重要狀態的角度描述了乙個實體（例如，類，參與者，用例或測試用例）。狀態機圖指示該實體可以處於兩種狀態之一，並且它在兩種狀態之間轉換。轉換已使用觸發器和防護進行了注釋，這些觸發器指示啟動（觸發）狀態更改，必須滿足什麼條件（防護）才能進行轉換（觸發）以及觸發轉換時執行的可選行為（效果） 。
圖1.狀態機圖，顯示了兩個狀態和兩個轉換以及乙個初始偽狀態和乙個最終狀態。轉換已使用觸發器，後衛和效果進行了注釋。
圖2.狀態機表，顯示狀態和偽狀態之間的轉換。
提供一種機制來表示系統工程師或其他利益相關者認為在類或其他元素的生命週期中很重要的條件（狀態）。它描述了狀態相關的行為，該行為顯示了元素如何從狀態過渡到狀態。轉換上的注釋有助於限定狀態更改。
當軟體工程師想要定義或描述類或其他元素可能表現出的一組離散狀態時，使用該模式。通常建立它們是為了分析系統某些部分的行為，通常是因為難以理解或行為複雜。
谷歌GA分析
相同瀏覽器訪問兩次也可能不同 chrome website1 ga1.2.1954912928.1588142656 ga1.2.606608872.158814 chrome website1 ga1.2.1954912928.15881 ga1.2.606608872.158814 不同瀏覽器訪...
遺傳演算法（GA）
a，問題描述 已知100個城市的經緯度座標如下 儲存為city.txt 53.7121 15.3046 51.1758 0.032246.3253 28.2753 30.3313 6.9348 56.5432 21.4188 10.8198 16.252922.7891 23.1045 10.158...
智慧型演算法 GA
變異不再是隨機地生成乙個範圍內的數，而是通過高斯分布 正態分佈 在原有點的周圍產生乙個新的點，然後繼續計算。這改進可以有效提高演算法效能。不同以往的選擇。改進的選擇方式是 每次挑選兩組解，然後比較哪一組的適應值更好，好的進入新的種群，直到到達數目。這只是最簡單的隨機競標賽，還可以進一步改進。但可以提...