pathfinder算法

㈠ Photoshop中的照片滤镜是什么意思

滤镜主要是用来实现图像的各种特殊效果。它在Photoshop中具有非常神奇的作用。所以有的Photoshop都按分类放置在[]菜单中，使用时只需要从该菜单中执行这命令即可。滤镜的操作是非常简单的，但是真正用起来却很难恰到好处。滤镜通常需要同通道、图层等联合使用，才能取得最佳艺术效果。如果想在最适当的时候应用滤镜到最适当是位置，除了平常的美术功底之外，还需要用户的滤镜的熟悉和操控能力，甚至需要具有很丰富的想象力。这样，才能有的放矢的应用滤镜，发挥出艺术才华。滤镜的功能强大，用户需要在不断的实践中积累经验，才能使应用滤镜的水平达到炉火纯青的境界，从而创作出具有迷幻色彩的电脑艺术作品。 photoshop外挂滤镜大揭秘 提起Photoshop我想很多人都知道，那是Adobe公司的拳头产品，图像处理软件中的老大，但是说到Photoshop滤镜，那么很多人就不一定清楚或了解，当然也有些朋友会说不就是Photoshop软件里的一些滤镜嘛。不错，那只是Photoshop的一些内阙滤镜，这些滤镜不仅给专业设计师提供了无限的创作空间，也给初学者提供了丰富的图像处理功能，但是你若想成为一个Photoshop高手的话，那么你就必须了解Photoshop的第三方滤镜，也就是Photoshop的外挂滤镜。 Photoshop滤镜的基本知识： Photoshop滤镜基本可以分为三个部分：内阙滤镜、内置滤镜（也就是Photoshop自带的滤镜）、外挂滤镜（也就是第三方滤镜）。内阙滤镜指内阙于Photoshop程序内部的滤镜，共有6组24个滤镜。内置滤镜指Photoshop缺省安装时，Photoshop安装程序自动安装到pluging目录下的滤镜，共12组72支滤镜。外挂滤镜就是除上面两种滤镜以外，由第三方厂商为Photoshop所生产的滤镜，它们不仅种类齐全，品种繁多而且功能强大，同时版本与种类也在不断升级与更新。这就是我要所讲的重点。 据目前不完全统计，就算不考虑版本之间的差异，Photoshop第三方滤镜就有大大小小大概有800种以上，正是这些种类繁多，功能齐全的滤镜使Photoshop爱好者更痴迷。在这里由于篇幅关系，不可能一一向大家介绍，我着重为大家介绍现在一些目前比较流行和使用比较多的滤镜。 Metatools公司开发KPT系列滤镜： 我想提起KPT只要是搞设计的朋友一定听说过，从最早的KPT3，到其后的KPT5、KPT6，一直到Metatools公司最近发布的KPT7，都是专业设计师们首选的滤镜，它的功能非常强大但是操作起来比较复杂，非专业人士使用起来比较难一点，但是KPT却能让你的设计变的丰富多彩。 KP3 共包含了19种滤镜插件，主要有以下四大类：第一类KPT Gradient Designer 3.0（渐变设计师），主要是制作渐变填充的效果，其中包括了一百多种渐变变化，如果再配以组合不同混合模式的话，那可以设计出数百种光影效果。第二类KPT Spheroid Designer 3.0（球体设计师），它是KPT3中最强大最精彩的部分，它能把二维图像完美地变成三维图像。第三类KPT 3D Stereo Noise 3.0（添加杂质），它可以为图像添加混合杂质效果，配合不同混合模式能创造出各种不同效果。第四类KPT Material Pathfinder3.0（材质探险者），它能生成各种材质效果，让你的图像更漂亮。 KPT5 是继KPT3之后Metatools公司又一个力作，它并不是KPT3的升级版本，但是两者功能并不重合。KPT5增加了5个新的滤镜：KPT Blurrr（模糊效果滤镜），KPT Blurrr面版上集成了9种模糊效果，可以直接自由切换，其中有一些模糊效果是独一无二的。KPT ShapeShifter（文字特效滤镜），它能创建网页3D按钮、令人眩目的玻璃外形物件及文字。KPT Orb-It（球体生成滤镜），它可以在图像上生成无数的球体，如泡沫、雨滴等效果，并且每个球体都是独立对象，可以进行位置调整与属性设定。KPT FiberOptix（纤维效果滤镜），可以给任何图像加上令人惊奇的真实羽毛效果，产生诸如毛绒的文字、蓬松的地毯、带刺的塑胶条等效果。KPT FraxPlorer（不规则碎片滤镜），它采用新的分形算法和着色模式，通过Universe Mapping（宇宙制图）面板开发分形空间。 KPT6 滤镜是继KPT3与KPT5以后，Metatools公司又一个强大的滤镜。其中比较有代表性的为：KPT Equalizer（KPT均衡器），用来对图像进行调节，制造各种锐化效果。KPT LensFlare（闪烁透镜），它能真实的创造反射、光晕与透镜反射等效果。KPT Goo（涂抹滤镜），可以对图像进行象流质一样涂抹。KPT SkyEffects（天空滤镜），能制作生成逼真的自然天空效果。KPT SceneBuilder（建模滤镜），在Photoshop中插入三维模型，并渲染着色，类似一个小型的3DS。 KPT7 是Metatools公司最新发布的一款滤镜。KPT7一共有9个滤镜：Channel Surfing（通道滤镜），可以对图像的任一通道进行模糊、锐化、对比度等效果。Fluid（流动滤镜），可以在图像中加入模拟的流动效果、刷子带水刷过物体表面的痕迹等。Frax Flame（捕捉滤镜），它能捕捉及修改不规则的几何形状，并能对这些几个形状实行对比、扭曲等效果。Gradient Lab（倾斜滤镜），它可以创建各种不同形状、高度、透明度的色彩组合并应用到图像中。Hyper tiling（瓷砖滤镜），借鉴瓷砖贴墙的原理，产生类似瓷砖效果。Ink Dropper（墨滴滤镜），能产生墨水滴入静止水中的效果。Lightning（闪电滤镜），它能在图像上产生向闪电一样的效果。Pyramid（相叠滤镜），将原图像转换成具有类似“叠罗汉”一样对称、整齐的效果。Scatter（质点滤镜），它可以控制图像上的质点及添加质点位置、颜色、阴影等效果。

㈡ 四，交通诱导系统的内涵是什么，目前它有哪些实际的应用

城市交通诱导系统是智能交通系统(ITS)的重要组成部分，它以实时动态分配理论为核心，综合运用检测、通信、计算机、控制、GPS和GIS等高新技术，动态地向驾驶员提供最优路径引导指令和丰富的实时交通信息，通过单个车辆诱导来改善路面交通状态，防止和减轻交通阻塞，减少车辆在道路上的逗留时间，并最终实现交通流在路网中各个路段上的合理分配。交通诱导技术是正确引导道路使用者顺利到达目的地、实现交通流优化、避免交通阻塞、更有效地管理现代交通的新技术。交通诱导系统将成为2l世纪地面运输管理体系的模式和发展方向，并成为交通运输进人信息时代的重要标志。 要解决交通的诱导问题就必须解决动态和随机的交通流量在路段和交叉路口的分配问题，即所谓的“实时动态交通分配（RealTime—Dynam1cTrafficAssignment)”。这理论的主要功能是：预测交通运输系统状况、提供道路引导系统、引导车辆在最佳线路上行驶、为出行者提供出发时间和选择方式、提供诱导系统与交通控制系统的相互联系、为先进的交通管理系统和交通信息系统提供重要的理论基础。为了有效地解决这一理论问题将交通面控设施与流体神经网络相结合．设计了实际用户最优和预测用户最优动态交通分配算法。1交通诱导系统的构成
交通诱导系统由四个子系统构成交通流采集子系统、车辆定位子系统、交通信息服务子系统和行车路线优化子系统。(1)交通流采集子系统
城市安装自适应交通信号控制系统(如SC00T等系统)是实现交通诱导的前提条件。这个子系统包括两个关键词：一个是交通信号控制应是实时自适应交通信号控制系统，另一个是接口技术的研究，即把获得的网络中的交通流传送到交通流诱导主机，利用实时动态交通分配模型和相应的软件进行实时交通分配，滚动预测网络中各路段和交叉口的交通流量，为诱导提供依据。(2)车辆定位子系统
车辆定位子系统的功能是确定车辆在路网中的准确位置。车辆定位技术主要有以下几种方法。
a)地图匹配(MapMatching)定位方法
这种技术是确定车辆在带有街道名称和地址名称的地图中位置的相关技术。车辆的行驶路线同道路网格的图形相关，利用具有确定性的坐标确定车辆位置。这种技术通常与其它技术匹配，利用数字道路地图修正车辆的定位误差及协调车辆的位置。b)推算定位(Dead-Recking)方法
这种方法是根据测量到的车辆位移和航向进行定位的技术。它使用电子罗盘、速度陀螺仪、里程表、速度表及车轮脉；传感器，由这些传感器传来的信号推算出车辆的行驶距离、速度及行驶的方向。在短时问内．这种方法的定位精度较高，但时间长了会产生累积误差。C)全球定位系统(GPS)
由GPS接受机接受至少来自四颗卫星的信号，以确定车辆的位置。如果车载接收机时钟与两颗卫星的时钟严格同步的话，则来自第三颗卫星的信号足以对车辆进行定位。实际上由于卫星使用精确而且昂贵的原子钟而车载接受机使用普通的时钟，两者时钟无法严格同步，因此需要第四颗卫星的信号来补偿车载接受机时钟的误差。单独使用GPS的定位精度为1m左右，为了满足更高的精度要求经常将GPS技术与其它定位方法配合使用。d)惯性导航系统(INS)
惯性导航系统一般包括3只加速度表和3只陀螺仪，这种技术具有很高精度水平的高速捕获数据的能力，但这种技术同推算定位方法一样会产生累积误差，时间长了精度会随之降低，所以需要配以辅助的传感器，如GPS等。e)路上无线电频率(TRF)
使用TRF技术的系统从分布在系统运行区域内一定数量的信号标杆中接受无线电信号，来自同位置信号的交叉作用决定了车辆的精确位置。(3)交通信息服务子系统
交通信息服务子系统是交通诱导系统的重要组成部分，它把主机运算出来的交通信息(包括预测的交通信息)通过各种传播媒体传送给公众。这些媒体包括有线电视、联网的计算机、收音机、路边的可变信息标志和车载的信息系统等。(4)行车路线优化子系统
行车路线优化子系统的作用是依据车辆定位子系统所确定的车辆在网络中的位置和出行者输入的目的地，结合交通数据采集子系统传输的路网交通信息，为出行者提供能够避免交通拥挤、减少延误及高效率到达目的地的行车路线。在车载信息系统的显示屏上给出车辆行驶前方道路网状况图，并用箭头线标示建议的最佳行驶路线。2日本动态路线引导系统
日本的交通诱导系统(DRGS)是其通用交通管理系统的一个重要子系统。它的发展计划包括三个阶段：a)第一阶段(1995-l997年)
1996年3月在东京和神奈川县建立了4平方公里的实验区，约有200条线路可供选用。在实验区内建造带有双向红外线通信功能的交互式DRGS，对DRGS的功能进行全面试验，其重点在于线路引导信息的实时提供问题。b)第二阶段(1998-2000年)
DRGS向每一辆车提供优化线路信息，但还无法保证所有车辆运行效果的总体最优。DRGS在大城市开始发展，车载单元逐渐普及。c)第三阶段(2001年以后)
DRGS向所有车辆提供优化线路信息，使车辆处于总体最佳运营状态。由于优化线路引导是交通流优化的前提，因此国家警察署(NPA)准备对DRGS进行长期、反复的实地试验，积累技术、经验，并有目的地进行评估，使这些技术系统化、理论化，以指导通用交通管理系统的发展。按优化线路提供的方式，DRGS可分为两类独立型LDRG(现场确定的线路引导)和CDRG（控制中心确定的线路引导)。LDRG使车载单元能够选择车辆自身的优化线路(它只使用车载数据)，但是只使用此项技术就有可能使许多车辆都选择同一条线路，造成新的交通阻塞。相反，当车载单元广泛使用时，CDRG就能合理分配交通流，对未来的交通条件进行预测。因此DRGS的发展方向是建立由控制中心分配交通流的系统即交互式DRGS。3美国的道路引导系统
得克萨斯州的圣安东尼奥市是美国第9大城市，其市内高速公路路段的交通流量已经超过2O万辆／日，而交通事故频繁使该市高速公路系统的运行效率大大降低。为了解决这个问题，在得州运输厅的领导下圣安东尼奥市开发了一项强调各种运输方式和部门间协调合作、并采用新技术与新工艺的城市道路引导系统TRANSGUID。(1)TRANSGUID的基本构架
圣安东尼奥市的道路引导系统是在39.4km道路的每条车道上，按照0.8km的间隔设置对感应线圈型的车辆检测器，每隔1.6km设置摄像装置，并使用专用的光纤通讯网络。管理人员通过一种带实时数字地图显示的计算机系统来传递对交通事故的反馈处理意见。在交通控制中心，由摄像机拍摄到的影像资料与计算机图形分别显示在控制台的监测仪和一幅3m*18m的墙式屏幕上。由光纤传送的可变信号信息以及沿高速公路、匝道线安装的高架式车道控制信号，都能实时传送给监控人员。该系统在设计时还采用了多项最新技术，使用的数字通信技术能将人的声音、各项数据以及压缩后的数字图形以155Mb／s的速度传送出去该系统是美国最先使用同步光导网络(Sonet)标准的系统之，能够充分保证设备的兼容性该系统使用的计算机主机具有很强的纠错能力，其“通用性”高达99％以上。(2)TRANSGUID的工作原理
TRANSGUID使用专家系统来提供解决事故的方案。当事故发生时，由事故检测器检测到事故的存在，通过专家系统对事故进行分析确定事故的类型和严重程度，并提供种或几种事故解决方案，操作人员对这些方案做出“接受”、“修改”或“拒绝”等选择。所选方案一旦执行，系统又将继续报告当前交通状况，提供必要的新的计算。为了保证互相矛盾的方案不被执行，这个系统还设有防范程序。总之，实施TRANSGUID之后，车辆能以更高的速度行驶，同时也有利于改善大气环境。据统计，使用该系统以后不仅减轻了事故对交通的影响，而且使高速公路上的拥堵减少了27％，同时该地区每年减少C0排放量可达到128t，HC13.5t，CO217.2t，年燃油消耗可减少1200万L左右。此外，Pathfinder是美国第一个IVHS研究项目，它提供的信息为道路拥挤程度信息，以文字形式显示于电子地图上或以语音方式提示驾驶员．1991年7月-1996年12月，美国在伊利诺斯州的芝加哥进行了ADVANCE()项目的研究，这也是种分布式的路径诱导系统：目前美国投入使用的MAYDAY系统可以自动向用户报告车辆位置，在必要时可以获得紧急帮助，该系统的扩充功能包括:出行者信息、路径帮助和诱导等服务。4欧洲的相关系统
欧洲的德国和英国分别在20世纪80年代末期开发出用于示范的基于红外信标进行通信的动态路径诱导系统，其中LISB系统和AUTOGUIDE系统都是利用历史数据进行诱导。进入90年代，德国西门子公司基于LISB开发的AL1SCOUT系统(在欧洲称为EURO—SCOUT)具有一定的国际影响，它是基于红外信标通信方式的中心决定式的路径诱导系统。基于ALERT—C协议的交通数据频道广播已经或即将在英国、德国和意大利等11个欧洲国家开通，它能够向用户提供交通事故、拥挤和道路施工等信息，其商用路径诱导系统CARMINAT、DYNAGUIDE等不但可以显示或提示交通信息，亦可以实现分布式的动态路径诱导

㈢ PS中的虑镜技巧

ps滤镜主要是用来实现图像的各种特殊效果。ps滤镜在photoshop中具有非常神奇的作用。所以有的Photoshop都按分类放置在菜单中，使用时只需要从该菜单中执行这命令即可。ps滤镜的操作是非常简单的，但是真正用起来却很难恰到好处。ps滤镜通常需要同通道、图层等联合使用，才能取得最佳艺术效果。如果想在最适当的时候应用ps滤镜到最适当是位置，除了平常的美术功底之外，还需要用户的ps滤镜的熟悉和操控能力，甚至需要具有很丰富的想象力。这样，才能有的放矢的应用ps滤镜，发挥出艺术才华。ps滤镜的功能强大，用户需要在不断的实践中积累经验，才能使应用ps滤镜的水平达到炉火纯青的境界，从而创作出具有迷幻色彩的电脑艺术作品。ps滤镜的基本知识：
Photoshop滤镜基本可以分为三个部分：内阙滤镜、内置滤镜（也就是Photoshop自带的滤镜）、外挂滤镜（也就是第三方滤镜）。内阙滤镜指内阙于Photoshop程序内部的滤镜，共有6组24个滤镜。内置滤镜指Photoshop缺省安装时，Photoshop安装程序自动安装到pluging目录下的滤镜，共12组72支滤镜。外挂滤镜就是除上面两种滤镜以外，由第三方厂商为Photoshop所生产的滤镜，它们不仅种类齐全，品种繁多而且功能强大，同时版本与种类也在不断升级与更新。这就是我要所讲的重点。
据目前不完全统计，就算不考虑版本之间的差异，Photoshop第三方滤镜就有大大小小大概有800种以上，正是这些种类繁多，功能齐全的滤镜使Photoshop爱好者更痴迷。在这里由于篇幅关系，不可能一一向大家介绍，我着重为大家介绍现在一些目前比较流行和使用比较多的滤镜。
Metatools公司开发KPT系列滤镜：
我想提起KPT只要是搞设计的朋友一定听说过，从最早的KPT3，到其后的KPT5、KPT6，一直到Metatools公司最近发布的KPT7，都是专业设计师们首选的滤镜，它的功能非常强大但是操作起来比较复杂，非专业人士使用起来比较难一点，但是KPT却能让你的设计变的丰富多彩。
KP3
共包含了19种滤镜插件，主要有以下四大类：第一类KPT Gradient Designer 3.0（渐变设计师），主要是制作渐变填充的效果，其中包括了一百多种渐变变化，如果再配以组合不同混合模式的话，那可以设计出数百种光影效果。第二类KPT Spheroid Designer 3.0（球体设计师），它是KPT3中最强大最精彩的部分，它能把二维图像完美地变成三维图像。第三类KPT 3D Stereo Noise 3.0（添加杂质），它可以为图像添加混合杂质效果，配合不同混合模式能创造出各种不同效果。第四类KPT Material Pathfinder3.0（材质探险者），它能生成各种材质效果，让你的图像更漂亮。
KPT5
是继KPT3之后Metatools公司又一个力作，它并不是KPT3的升级版本，但是两者功能并不重合。KPT5增加了5个新的滤镜：KPT Blurrr（模糊效果滤镜），KPT Blurrr面版上集成了9种模糊效果，可以直接自由切换，其中有一些模糊效果是独一无二的。KPT ShapeShifter（文字特效滤镜），它能创建网页3D按钮、令人眩目的玻璃外形物件及文字。KPT Orb-It（球体生成滤镜），它可以在图像上生成无数的球体，如泡沫、雨滴等效果，并且每个球体都是独立对象，可以进行位置调整与属性设定。KPT FiberOptix（纤维效果滤镜），可以给任何图像加上令人惊奇的真实羽毛效果，产生诸如毛绒的文字、蓬松的地毯、带刺的塑胶条等效果。KPT FraxPlorer（不规则碎片滤镜），它采用新的分形算法和着色模式，通过Universe Mapping（宇宙制图）面板开发分形空间。
KPT6
滤镜是继KPT3与KPT5以后，Metatools公司又一个强大的滤镜。其中比较有代表性的为：KPT Equalizer（KPT均衡器），用来对图像进行调节，制造各种锐化效果。KPT LensFlare（闪烁透镜），它能真实的创造反射、光晕与透镜反射等效果。KPT Goo（涂抹滤镜），可以对图像进行象流质一样涂抹。KPT SkyEffects（天空滤镜），能制作生成逼真的自然天空效果。KPT SceneBuilder（建模滤镜），在Photoshop中插入三维模型，并渲染着色，类似一个小型的3DS。
KPT7
是Metatools公司最新发布的一款滤镜。KPT7一共有9个滤镜：Channel Surfing（通道滤镜），可以对图像的任一通道进行模糊、锐化、对比度等效果。Fluid（流动滤镜），可以在图像中加入模拟的流动效果、刷子带水刷过物体表面的痕迹等。Frax Flame（捕捉滤镜），它能捕捉及修改不规则的几何形状，并能对这些几个形状实行对比、扭曲等效果。Gradient Lab（倾斜滤镜），它可以创建各种不同形状、高度、透明度的色彩组合并应用到图像中。Hyper tiling（瓷砖滤镜），借鉴瓷砖贴墙的原理，产生类似瓷砖效果。Ink Dropper（墨滴滤镜），能产生墨水滴入静止水中的效果。Lightning（闪电滤镜），它能在图像上产生向闪电一样的效果。Pyramid（相叠滤镜），将原图像转换成具有类似“叠罗汉”一样对称、整齐的效果。Scatter（质点滤镜），它可以控制图像上的质点及添加质点位置、颜色、阴影等效果。 Alien Skin公司生产的Eye Candy 4000滤镜：
Eye Candy 4000滤镜又名眼睛糖果，它比Eye Candy 3.0滤镜更完善，功能更强大。它是一个内置23种滤镜的套件，能在极短的时间内生成各种不同的效果。它主要有：
Antimatters（反物质滤镜），它可以在不影响色度及饱和度的情况下反转亮度。
Bevel Boss（浮雕滤镜），它可以生成各式的斜面与雕刻外型，并能把之变成浮雕效果。Chrome（金属滤镜），可以利用映射图来生成变化多端的真实金属效果。
Corona（光晕滤镜），它能生成光晕、气流云团等天体效果并通过调节大小、色彩、伸展、闪烁等参数来进行设置。
Cut Out（切块滤镜），通过施加阴影效果，使图像产生类似空洞或凸起的效果。
Drip（水滴滤镜），可以为文本及图像添加逼真的各种水滴效果。
Fire（火焰滤镜），可以生成各种不同的火焰和类似火苗的效果。
Fur（柔毛滤镜），可以生成各种不同形状、色彩的毛、发等效果。
Glass（玻璃滤镜），通过模拟折射、滤光、反射等生成玻璃效果。
Gradient Glow（渐色辉光滤镜），围绕物体产生真实的的辉光与渐变彩色效果。
Hsb Noise（噪点滤镜），通过调节色度、饱和度及亮度，为图像添加各异的噪点效果。
Jiggle（轻舞滤镜），随机流式空间的基础上，产生强烈的扭曲变形效果。
Marble（理石滤镜），通过控制颜色、粒度、岩石的形状和脉纹来生成各种逼真的理石纹理。Melt（熔化滤镜），可生成熔化区域底部选区像素下滴的效果。
Motion Trail（动态拖曳滤镜），产生拖尾来形成物体快速移动的效果。
Shadowlab（阴影滤镜），可以为物体添加多种阴影效果。
Smoke（烟雾滤镜），能生成各种自然烟雾效果。
Squint（斜视滤镜），能产生模糊效果。
Star（星形滤镜），能快速生成各种星形效果。
Sworl（漩涡滤境），通过随机旋涡来涂抹并生成旋涡效果。
Water Drops（水滴滤境），可以生成各种颜色、形状的水滴效果。
Weave（编织滤境），能产生织物效果。
Wood（木纹滤境），能生成各种逼真的木纹效果。
Xenofex是Alien Skin Softwave公司的另一个精品滤镜：
它延续了Alien Skin Softwave设计的一贯风格，操作简单、效果精彩，是图形图像设计的又一个好助手。Xenofex滤镜主要分：
Baked Earth（干裂效果），它能制作出干裂的土地效果。
Constellation（星群效果），它能产生群星灿烂的效果。
Crumple（褶皱效果），它能产生十分逼真的褶皱效果。Flag（旗子效果），它能制作出各种各样迎风飘舞的旗子和飘带效果。
Distress（撕裂效果），能制作出一些自然剥落或撕裂文字的效果。
Lightning（闪电效果），能产生无数变化的闪电效果。
Little fluffy clouds（云朵效果），能生成各种云朵效果。
Origami（毛玻璃效果），能生成一种毛玻璃看东西的效果。
Rounded rectangle（圆角矩形效果），能产生各种不同形状的边框效果。
Shatter（碎片效果），能生成一种镜子被打碎的效果。
Puzzle（拼图效果），能生成一种拼图的效果。
Shower door（雨景效果），能生成雨中看物体的效果。
Stain（污点效果），能为图片增加污点效果。
Television（电视效果），能生成一种老式电视的效果。
Electrify（充电效果），能产生一种充电的效果。
Stmper（压模效果），可以对图像进行压模效果。
EXTENSIS公司的Photo Tools 3.0滤镜：
Photo Tools 3.0大大超越了Photo Tools 2.0的功能，除了保留2.0原有的一些功能，还另外增加了如：
PhotoAnimator（动画制作），它提供了大量的动画特效库，采用一种特殊的压缩技术，特别适合网页制作。
PhotoTexture（材质滤镜），随意的产生贴图，并能进行无缝拼贴，适合网页制作。PhotoButton（按钮滤镜），能生成各种多变的按钮。
PhotoGroov（凹槽滤镜），能进行凹槽制作及生成各种材质效果。
PhotoCastShadow（倒影滤镜），能够为图像产生各种类型的倒影效果。
PhotoGow（霓红滤镜），能在图像上产生霓红效果。
PhotoBevel（斜角滤镜），能产生各种导角效果。
PhotoEmboss（浮雕滤镜），能对文字及图像产生逼真的浮雕效果。
PhotoBar（自定义滤镜），能快速隐藏PhotoShop下拉菜单。
PhotoText（文字滤镜），可输入中文文字。
Extensis公司的Photographic滤镜：
它能让文字在Photoshop里延着路径行走，这种效果一般只能在矢量图软件里实现。
Autofx公司生产的Page Curl（卷页）滤镜：
它能让图像产生卷页的效果。还有Photo/Edge（极酷边框）滤镜，它能为图像添加漂亮的边框效果。
Panopticum公司生产的Alpha Strip（抽线）滤镜：
它能产生各种如电视机里的抽线效果。
Extensis公司生产的Mask Pro 2.0滤镜：
它能把复杂的图像轻易的抠出如，人的头发，动物的毛发等。
Diardsoftware公司的UleadType（文字特效）滤镜：
它能对文字进行渐变、网纹玻璃，浮雕、金属、水泥等效果。
以上是一些专业设计师常用的外挂滤镜，虽然这些滤镜只是当中的极小一部分，但是正是这些外挂滤镜让Adobe公司的PhotoShop被演绎的精彩非常，成为广大图像爱好者的首选图像处理软件。 Photoshop作为图像处理软件中的老大，其强大的图像处理功能大家一直有目共睹。它不仅能为图片创造出绚目的效果，更能对图像进行合成及移花接木，达到理想的境界。但再强大的软件总有它的不足，虽然Adobe公司不断推出新的更完善的Photoshop版本，但总有那么一些地方不尽如人意，不得不说是一种遗憾。不过现在这种遗憾有方法可以弥补，那就是第三方厂商为其制作的外挂滤镜。

㈣ JAVA求10个景点间各个景点的最短路径 图随便话 距离随便 求代码

最有效，切不复杂的方法使用Breadth First Search (BFS). 基本代码如下（伪代码）。因为BFS不用递归，所以可能会有点难理解。

public Stack findPath(Vertex 起始景点, Vertex 目标景点){
Queue <Vertex> q = new Queue<Vertex>();
s.enqueue(起始景点);
Vertex 当前位置;
while(!s.isEmpty()){
当前位置 = s.dequeue();
if (当前位置 == 目标景点) break;
for (每一个相邻于 当前位置 的景点 Vertex v){
if (!v.visited){
v.parent = 当前位置;
// 不是规定，不过可以节省一点时间
if (v == 目标景点){
current = v;
break;
}
s.enqueue(Vertex v);
v.visited = true;
}
}
}

Stack <Vertex> solution = new Stack <Vertex>();
Vertex parent = current;
while (parent != 起始景点){
solution.push(parent);
parent = current.parent;
}

for (graph中的每一个vertex) vertex.visited = false;

return solution(); // 其实这里建议用一个 Path 的inner class 来装所获得的路线
}

然后再 main 求每两个景点之间的距离即可
public static void main(String[] argv){
PathFinder pf = new PathFinder();

Stack[][] 路径 = new Stack[10][10];

for(int i=0; i<pf.vertices.length; i++){
for(int j=i+1; j<pf.vertices.length; j++){
Stack s = pf.findPath(pf.vertices[i], pf.vertices[j]);
路径[i][j] = s; 路径[j][i] = s; // 假设你的graph是一个undirected graph

}

}

// 这么一来就大功告成了！对于每两个景点n 与 m之间的最短路径就是在 stack[n][m] 中

}

还有一种方法就是用Depth First Search递归式的寻找路径，不过这样比较慢，而且我的代码可能会造成stack overflow

public Stack dfs(Vertex 当前景点，Vertex 目标景点){
if(当前景点 == 目标景点) return;

Stack solution = new Stack();
Stack temp;
for (相邻于 点钱景点 的每一个 Vertex v){
if (!v.visited){
v.visited = true;
temp = dfs(v, 目标景点);
// 抱歉，不记得是stack.size()还是stack.length()

if (solution.size() == 0) solution = temp;
else if(temp.size() < solution.size()) solution = temp;

v.visited = false; 复原

}

}

return solution;

}
然后再在上述的Main中叫dfs...

参考：
http://www.cs.berkeley.e/~jrs/61b/lec/29
http://www.cs.berkeley.e/~jrs/61b/lec/28

㈤ dnf枪剑士转职什么职业好

1、整体数据较高

枪剑士的各转职中，无论是属于纯输出职业的特工，还是属于辅助输出职业的消灾者、杀手和专家，其技能数据均比目前的同类型职业高出15%左右。这一现象可以归结为两个原因：

一方面，在目前毕业级武器、防具和辅助装备均产自团队副本的游戏环境下，新职业在时间积累方面相比老职业存在着不可挽回的劣势，因此通过数据进行一定的弥补;

另一方面，参考之前女圣职者四职业和守护者两职业的情况，新职业的技能数据很有可能是以今后的版本(魔兽副本、下一轮全职业平衡)为基准进行设计的，从中我们或许可以窥探到未来一轮全职业平衡的调整方向。

2、各转职分化明显

枪剑士的各转职中，在考虑武器基础数值带来的影响下，若以杀手为参照，则纯输出职业-特工的技能数据要高于杀手约20%(若考虑CD因素，则约为27%)，辅助输出职业-消灾者的技能数据要高于杀手约12%(若考虑CD因素，则约为7%)，另一输出职业-专家的技能数据与杀手相当。

纯输出职业与辅助输出职业的差距明显，而同类辅助职业之间也存在一定的分层(消灾者-杀手/专家)和同化(杀手-专家)情况，玩家可以以技能数据和职业性能作为参考，选择适合自己的职业。

就笔者在韩服的体验来说，枪剑士的输出和打击感都是比较不错的，大家可以对这个职业满怀期待。

㈥ 如何精简citespace图

精简citespace图的步骤：
第一步，不选择裁剪，进行首次分析，分析关键词网络，根据生成的网络图，如果网络合适的话就可以直接进一步分析，否则选择进行第二步。
第二步，进行网络裁剪，此时可以选择最小树法和寻径网络法。
最小树法：在Pruning区域选择Minimum Spanning Tree，系统会基于最小树算法减少节点连线，但不会减少网络节点数。
寻径网络法：在Pruning区域Pathfinder，系统会基于寻径网络算法优化网络图连线。
在网络图生成后，需要通过Control Panel调整节点大小、文字大小，节点标签出现的阈值等。同时，可以拖动节点进行进一步的优化。

㈦ 最近很流行的像是锐化的滤镜或者是什么软件,有知道是什么app 吗。以下两种图分别是什么APP上的

滤镜主要是用来实现图像的各种特殊效果。它在Photoshop中具有非常神奇的作用。所以有的Photoshop都按分类放置在[]菜单中，使用时只需要从该菜单中执行这命令即可。滤镜的操作是非常简单的，但是真正用起来却很难恰到好处。滤镜通常需要同通道、图层等联合使用，才能取得最佳艺术效果。如果想在最适当的时候应用滤镜到最适当是位置，除了平常的美术功底之外，还需要用户的滤镜的熟悉和操控能力，甚至需要具有很丰富的想象力。这样，才能有的放矢的应用滤镜，发挥出艺术才华。滤镜的功能强大，用户需要在不断的实践中积累经验，才能使应用滤镜的水平达到炉火纯青的境界，从而创作出具有迷幻色彩的电脑艺术作品。 photoshop外挂滤镜大揭秘 提起Photoshop我想很多人都知道，那是Adobe公司的拳头产品，图像处理软件中的老大，但是说到Photoshop滤镜，那么很多人就不一定清楚或了解，当然也有些朋友会说不就是Photoshop软件里的一些滤镜嘛。不错，那只是Photoshop的一些内阙滤镜，这些滤镜不仅给专业设计师提供了无限的创作空间，也给初学者提供了丰富的图像处理功能，但是你若想成为一个Photoshop高手的话，那么你就必须了解Photoshop的第三方滤镜，也就是Photoshop的外挂滤镜。 Photoshop滤镜的基本知识： Photoshop滤镜基本可以分为三个部分：内阙滤镜、内置滤镜（也就是Photoshop自带的滤镜）、外挂滤镜（也就是第三方滤镜）。内阙滤镜指内阙于Photoshop程序内部的滤镜，共有6组24个滤镜。内置滤镜指Photoshop缺省安装时，Photoshop安装程序自动安装到pluging目录下的滤镜，共12组72支滤镜。外挂滤镜就是除上面两种滤镜以外，由第三方厂商为Photoshop所生产的滤镜，它们不仅种类齐全，品种繁多而且功能强大，同时版本与种类也在不断升级与更新。这就是我要所讲的重点。 据目前不完全统计，就算不考虑版本之间的差异，Photoshop第三方滤镜就有大大小小大概有800种以上，正是这些种类繁多，功能齐全的滤镜使Photoshop爱好者更痴迷。在这里由于篇幅关系，不可能一一向大家介绍，我着重为大家介绍现在一些目前比较流行和使用比较多的滤镜。 Metatools公司开发KPT系列滤镜： 我想提起KPT只要是搞设计的朋友一定听说过，从最早的KPT3，到其后的KPT5、KPT6，一直到Metatools公司最近发布的KPT7，都是专业设计师们首选的滤镜，它的功能非常强大但是操作起来比较复杂，非专业人士使用起来比较难一点，但是KPT却能让你的设计变的丰富多彩。 KP3 共包含了19种滤镜插件，主要有以下四大类：第一类KPT Gradient Designer 3.0（渐变设计师），主要是制作渐变填充的效果，其中包括了一百多种渐变变化，如果再配以组合不同混合模式的话，那可以设计出数百种光影效果。第二类KPT Spheroid Designer 3.0（球体设计师），它是KPT3中最强大最精彩的部分，它能把二维图像完美地变成三维图像。第三类KPT 3D Stereo Noise 3.0（添加杂质），它可以为图像添加混合杂质效果，配合不同混合模式能创造出各种不同效果。第四类KPT Material Pathfinder3.0（材质探险者），它能生成各种材质效果，让你的图像更漂亮。 KPT5 是继KPT3之后Metatools公司又一个力作，它并不是KPT3的升级版本，但是两者功能并不重合。KPT5增加了5个新的滤镜：KPT Blurrr（模糊效果滤镜），KPT Blurrr面版上集成了9种模糊效果，可以直接自由切换，其中有一些模糊效果是独一无二的。KPT ShapeShifter（文字特效滤镜），它能创建网页3D按钮、令人眩目的玻璃外形物件及文字。KPT Orb-It（球体生成滤镜），它可以在图像上生成无数的球体，如泡沫、雨滴等效果，并且每个球体都是独立对象，可以进行位置调整与属性设定。KPT FiberOptix（纤维效果滤镜），可以给任何图像加上令人惊奇的真实羽毛效果，产生诸如毛绒的文字、蓬松的地毯、带刺的塑胶条等效果。KPT FraxPlorer（不规则碎片滤镜），它采用新的分形算法和着色模式，通过Universe Mapping（宇宙制图）面板开发分形空间。 KPT6 滤镜是继KPT3与KPT5以后，Metatools公司又一个强大的滤镜。其中比较有代表性的为：KPT Equalizer（KPT均衡器），用来对图像进行调节，制造各种锐化效果。

㈧ 大数据时代的商业法则

大数据时代的商业法则

法则1：解读用户的真实需求 解读用户的真实需求，就是通过数据的收集、分析挖掘出用户内心的欲望，提高企业产品推送的成功率，并将其转化为企业的订单。

大数据看似神秘莫测，其实在解读用户需求上的操作思路却极其简单，即尽可能掌握用户的个人信息和关注信息。当关注信息指向个人时，就能够相对精准地定义出用户的需求。

在这一过程中，主要的操作模式有两种：静态辐射模式和动态跟踪模式。

静态辐射模式

静态辐射模式的数据分析在一个时间节点上进行，尽量扩大分析对象，并用标签来筛选出最可能成交的用户。这是大数据应用中最典型的一种模式。由于一些大企业主动会进行用户标签的管理，需要大数据助力营销的企业就可以“借船出海”。

标签与购买的关系有两种：一类标签与购买的关系非常明显。例如，一个常常浏览经管类书籍的用户一定是这类书籍的潜在购买者。

另一类标签与购买的关系却并不十分明显。这就需要企业提前进行分析，有时还需要借助第三方专业机构的分析结果。

例如，新浪微博会根据用户平时的浏览和表达为用户贴上“标签”。但是，这些标签与有些购买行为之间的关系就并不明显。金夫人是国内婚纱摄影巨头，他们首先利用自己作为网络大客户的身份，无偿获取了网络提供的婚纱摄影客户调研分析数据，发现美食、影院等标签的用户最有可能购买婚纱摄影产品。利用这一跨数据库的结果，金夫人在新浪微博的平台上锁定了“年龄20～35左右的某地区女性”群体，加上了美食、影院等标签，精准锁定了高转化可能的用户，并购买了平台提供的“粉丝通”服务，对他们进行定向广告推送。一般来说，推送5～6万个用户大约会得到70～80个电话咨询，这种转化过来的电话咨询顾客被称“顾客资源”，从顾客资源到最后的成单，转化率优异，大约在40%。

动态跟踪模式

动态跟踪模式的数据分析在一个时间周期内进行，尽量缩小分析对象，不断通过用户的行为来为用户贴上标签，伺机发现产品推送的时点。由于这种分析针对小群体，无法由第三方机构提供统一的规模化服务，所以，对于企业来说是有高门槛的，需要企业练好内功。这种模式中，企业对于用户不断产生的新数据，要进行随时跟踪，并随时在云端进行处理。

例如，Target超市以20多种怀孕期间孕妇可能会购买的商品为基础，将所有用户的购买记录作为数据来源，通过构建模型分析购买者的行为相关性，能准确地推断出孕妇的具体临盆时间，这样Target的销售部门就可以有针对地在每个怀孕顾客的不同阶段寄送相应的产品优惠券。在一个个例中，他们居然比用户更早知道了她怀孕的信息。

又如，亚马逊基于自己对用户的了解来进行精准营销，在网站上的推荐和电子邮件对于产品的推送成为了促进成交的利器。调研公司Forrester分析师苏察瑞塔·穆尔普鲁称，根据其他电子商务网站的业绩，在某些情况下，亚马逊网站推荐的销售转化率可高达60%。这一转化率远远高于其他电子商务网站，难怪一些观察员将亚马逊的推荐系统视为“杀手级应用”。最新的消息显示，亚马逊已经注册了“未下单、先发货”的技术专利，这是更加精准的需求预判和更加直接的产品推送，他们对于大数据的应用已经是炉火纯青！

法则2：形成社会化协作的生产安排

如果能依靠大数据进行产品推送实现购买，海量需求就会从互联网汹涌而来。这意味着产品的数据增多、涉及原料增多、消费者零散下单……这一变化使得工业时代标准化的产品生产模式受到前所未有的颠覆，生产端需要基于大数据形成前所未有的柔性，来对接消费端的柔性。

互联网商业环境对价值链提出了新的挑战：链条上的采购、生产、物流、分销、零售各环节中，除了生产之外的其他环节也需要强大的数据处理能力，各个环节的数据处理系统和数据本身必须是共享的，而且，这些系统和内容还必须向全社会开放。要达到这种要求，显然应该应用价值链接网，并用大数据来进行生产协调。

大数据的确给价值链重塑带来了机会。在工业经济时代，生产更多地通过“规模经济”来获利，大规模标准化的生产最大程度地降低了单位成本。但在互联网经济时代，生产更应该通过“范围经济、协同效应和重塑学习曲线”来获利，因为，多种类、小规模的生产需要价值链上的灵动协作。

基于互联网这样一个平台，所有的价值链环节可以实现数据共享和集中处理。另外，因为使用统一的数据构架，所以不会出现数据孤岛，浪费有价值的数据。由此，价值链各个环节之间可以无缝链接，实现最敏捷、最合理的生产。基于互联网这样一个平台，企业入围合作即可以获得充分的信息，也不再会遭遇太高的学习门槛。更厉害的是，用户参与生产也变得容易，模块化的选择题，让业余者也可以发出专业的需求信号。由此，从始端原料的生产者到终端的消费者，全部都被植入了价值链（或称为价值网），社会化协作得以真正实现。而在大数据出现以前，这几乎是不可能的！

顺应法则赢未来

独具特色的大数据商业法则，将会引发未来商业格局的变化。未来的赢家，将属于能够适应新的商业法则和新的商业逻辑的代表者。

在用大数据掘金的世界，谁掌握大数据，并能利用大数据实现上述两大商业法则的变革，谁就能赢得未来。

因此，我们可以肯定地判断出，掌握了大数据的资源整合类企业，将会成为大数据时代的企业赢家。这类企业是商业生态（价值网）中的“舵手”，通过灵敏地识别市场需求，指挥网络成员协同生产，获得组合创新优势。由于控制了整个网络，此类企业拥有网络收益的剩余索取权，往往获利最为丰厚。工业经济时代，企业是依赖品牌、声誉和社会资本实现资源整合。互联网时代，资源变得无限丰富，协作变得极度频繁，企业更需要依靠大数据来发现需求、整合资源。可以这样说，掌握了大数据，这类企业就知道“用户要什么，哪里有什么，如何用资源去满足用户需求”。

未来的资源整合企业将基于大数据来运作。维克托·迈尔·舍恩伯格等人在《大数据时代》中，将基于大数据的资源整合企业分为三种：第一种是掌握数据的企业，这类企业掌握了端口，掌握了数据的所有权；第二种是掌握算法的企业，负责处理数据，挖掘有价值的商业信息，这些企业被称为“数据武士”；第三种是掌握思维的企业，他们往往先人一步发现市场的机会，他们既不掌握数据技能，也不掌握专业技能，但正因为如此才有广阔的思维，能够最大程度串联资源，形成商业模式，他们相当于“路径寻找者（pathfinder）”。

按照各自生产要素的价值性和稀缺性，很难说哪类企业真正将在大数据的商业模式中获益，三类企业各自有各自的贡献，各自有各自的稀缺之处。

ITASoftware是美国四大机票预订系统，是一个典型的掌握数据的企业，其将数据提供给Farecast这家提供预测机票价格的企业，后者是一个典型的掌握算法和思维的企业，直接接触用户。结果，ITA Software仅仅从这种合作中分得了一小块收益。

Overture是搜索引擎付费点击模式的鼻祖，如果把谷歌看作是媒体，那么Overture则是相当于广告代理公司，通过算法细分不同的浏览用户，向广告投放企业提供目标用户的付费点击（选出他们最需要的用户）。Overture是典型掌握算法和思维的企业，雅虎、谷歌则是掌握数据的企业。事实上，谷歌的两大金矿AdWords和AdSense技术，都是借鉴了Overture的算法。但是，Overture不能直接接触到用户，没有数据，丧失了话语权，只能获得少量收益，以至于最后被雅虎收购。

基于大数据的资源整合类企业，它们的生态链又将遵循两个法则。

法则一：接触用户的企业总是能够获得最多的收益，这和价值链上的分配原则是高度一致的。终端价格和原料供应之间的差价全部是由售卖终端产品的企业获取的。

法则二：掌握数据的企业具有这个商业生态内最大的议价能力，最终最有可能成为赢家。算法可以攻克，也可以购买，事实上，挤入这个行业的企业并不在少数。而思维则存在一种肯尼斯·阿罗所说的“信息悖论”，即信息在被他人知晓前都价值极高，但却无法被证实。一旦公开证实它，又因所有人都知道而失去了价值。所以，不管思维和算法企业走得多快，只要数据企业随时可以封锁数据源，就依然把握着“杀手锏”。甚至，有的数据企业在看不清楚商业模式时，将数据释放让思维和算法企业进行试错，而一旦试错成功，则收回数据所有权，模仿其商业模式。

BAT的数据帝国

因此，我们可以说，在大数据时代，资源整合企业的竞争，将会决定未来商业世界的版图。

在很多人还没有弄清楚大数据时代的商业法则时，国内互联网三巨头BAT（网络、阿里、腾讯）已经在迅速地构建自己的“数据帝国”。

在互联网的大世界中，用户有诸多的入口，可以通过不同的APP上传数据。BAT的原则是，有关吃穿用住行的一切服务商，只要能够增加他们的数据种类和质量，他们通通拿下。这里，体现出一种典型的“数据累积的边际收益递增效应”，即每多增加一个单位的数据，可挖掘的价值就有一个加速的增长，每增加一个种类的数据，可挖掘的价值就有一个加速的增长。某些时候，BAT甚至根本不考虑数据在现阶段能否变现为收益，仅仅是纳入麾下，等待未来的开发。

现实的情况是，经过了几轮的收购之后，BAT基本上覆盖了吃、穿、用、住、行、社交等各个领域的数据入口，加之其原来的庞大数据入口，在数据规模上的优势已经无与伦比。短时间内，任何企业想要超越他们，几乎都是不可能的。

BAT不仅是在做掌握数据的企业，也是在做掌握算法和思维的企业。一方面，拥有庞大的商业用户群和拥有用户群消费偏好的大数据，只要具有相应的内容，就可以形成成交、获取收益。另一方面，他们甚至可以开放应用程序接口（APIs）把自己掌握的数据授权给别人使用，这样数据就能够重复产生价值。这方面，阿里巴巴的百川计划就是一个典型。简单来说，他们向其他厂商的APP免费开放数据，但他们不收费，仅仅需要他们回馈数据作为代价。这个计划实施以后，所有的APP都会是他们的入口。

可以说，BAT的帝国是基于数据建立的。甚至有人预言，数据作为“表外资产”一定会在某个时候被会计准则纳入。因为，相对于无形资产，这种资产的价值更大。

值得一提的是，传统工业经济思维的人根本看不懂大数据时代的商业逻辑。某学者曾对阿里巴巴的收购（零售、文化、金融等）提出过质疑，他列举苹果和谷歌收购的案例，认为他们都是在进行专业领域的收购，这是有利于增强竞争力的，但阿里进行的都是多元化收购，是不利于增强竞争力的。

实际上，这是没有看懂阿里巴巴商业模式的表现。互联网时代的大多数商业模式，早就脱离了行业的限制，而在某种程度上走向了“大一统”，即“导入流量+大数据分析变现流量”。这种模式里数据就是通用的逻辑，难怪在大数据出现时，维克托·迈尔·舍恩伯格等人就断言，行业专家和技术专家的光芒会被数据专家掩盖住，因为后者不受旧观念的影响，能够聆听数据发出的声音。

尽管BAT强悍如斯，但在他们的夹缝中，仍然有一些商机，企业也可以搭建入口、解读需求、安排生产。如果说大数据改造商业的神奇已经毋庸置疑，那为何众多企业依然拿不起放在眼前的这把金钥匙？很大程度上是因为这些企业缺乏数据基因。

大数据和互联网经济的来袭，使得企业只能“被动接网”。面对海量的潜在需求，不仅无法解读，也无法调动生产进行对接。这就出现了大量企业被互联网的海量需求“反噬”，并导致供应链失控的案例。

在大数据时代，企业规模、资金、生产技术不再重要，品牌也不再拥有神力。获取数据、分析处理数据、挖掘数据价值的能力成为企业的立身之本。目前我国大部分企业还没有意识到我们已经进入大数据时代，就像我们大多数消费者没有意识到我们的消费行为随时在被计算一样。在这样的一个时代，只有建立在数据之上的企业、按照大数据时代的商业法则运营的企业才能更好地生存。

以上是小编为大家分享的关于大数据时代的商业法则的相关内容，更多信息可以关注环球青藤分享更多干货

㈨ 什么是优先级反转+有何危害+如何避免和解决

什么是优先级反转

优先级反转，英文是priority inversion，也有其他叫法：

优先级倒置

优先级逆转

优先级翻转

任务之间谁可以得到执行，是通过任务调度来完成的

2.任务调度有多种方法（算法）

罗宾环调度算法：Round-robin scheling algorithm

基于优先级的调度算法：Priority-controlled scheling algorithm

3.任务调度的一种常见调度算法就是

根据优先级高低去调度，优先让高优先级的任务去执行的

任务调度器，总是去激活某个，在所有任务中优先级是最高的，且处于就绪状态的，任务，即让其去执行

4.任务有多种状态：就绪，挂起，等等

当然，任何任务，都可能由于，需要某种资源，而该资源被别人（别的任务）占用，而无法继续运行下去

此时就变成：挂起 –> 等待其所需要的资源被释放

然后才可以继续变成，就绪，等待下次调度时，就可以继续执行了。

5.任务一般被称为：进程，或更小粒度的线程

此处，均以进程为例来说明

任务调度器，总是去激活某个，在所有任务中优先级是最高的，且处于就绪状态的，任务，即让其去执行

但是，当某个最高优先级的任务A，由于其所需要的某个资源被某个低优先级的任务C占用了（还没使用完，还没释放），所以高优先级任务A就被阻塞了。

此高优先级的任务A，必须等到低优先级任务C，把其所占用的资源释放掉后，才能继续运行。

但是要等到低优先级任务C释放其所占用的资源的话，则很明显，必须要先让低优先级的任务C去执行，等低优先级任务C执行完毕后，才能去释放，高优先级任务A所希望得到的那个资源。

所以，任务调度去，就去调度，让低优先级任务C去执行了。

但是，此时，的问题就来了：

在高优先级任务A执行的这段时间内，某个中优先级的任务B，已经处于就绪状态了。

当高优先级的任务A，由于所需资源被占用而挂起，然后中优先级的任务B，由于比（本来打算去调度执行的）低优先级任务C的优先级高，所以被调度执行，然后B去一直执行，直到结束。

一个具有中等优先级的任务（B），却比一个更高优先级的任务（A）先执行

本来应该是优先级最高的任务A先执行的，结果却变成了，比优先级最高的任务A，的优先级低一些，中等优先级任务B，先执行了。

好像是：高优先级任务A和中优先级任务B，两者之间的优先级调换了，反转了一样。

优先级反转有何危害？

说实话，很久之前，对于：

计算机的概念，都完全只是概念到时候

完全不懂相关技术和概念背后的逻辑的时候

像对于此处的优先级反转，也无法完全理解的时候，自然也不会去考虑此概念背后的含义。

而实际上，不对一个问题背后的现象，原因，去搞清楚的话，自然也是无法理解相关的概念的

（对于，对现实世界中的应用情况不了解，对于概念也理解的不深的话，很可能就会问）

（不就是个优先级反转嘛）即使，发生了优先级反转了，又如何？（地球还不是照转？！）

优先级的反转，有很大危害。

但是，在具体解释优先级反转的危害之前，需要知道相关背景知识：

1.优先级反转，这个概念，往往都是在嵌入式领域内，尤其是嵌入式实时系统方面，才会提及

关于嵌入式实时操作系统，不熟悉的，可以参考：

【整理】嵌入式实时操作系统

2.嵌入式实时操作系统，最最重要的指标就是：确保任务执行时间是可预测的，即涉及到最后期限deadline

要确保，任何时刻，执行某个任务，都不能超过某个时间，比如1ms（我随便举例的）

然后再来解释，优先级反转的危害：

由于优先级反转，造成任务调度时，时间的不确定性。

时间不确定，破坏了实时系统的实时性

严重时可能导致系统崩溃

由于本身基于优先级设计的任务，每个优先级不同的任务，往往对应着实际的现实中的执行的任务

其优先级反转，导致低优先级比高优先级先执行了

直接就导致任务错乱，逻辑错乱了

程序也就异常了？（待确定此部分的理解是否有误）

1.当年火星探路者号（Mars Pathfinder），就由于，此处所说的，优先级反转，而导致了内部执行逻辑出错的bug：

在1997年7月4号发射后，在开始搜集气象数据之后没几天，系统（无故）重启了。

后来，当然，被相关技术人员找到问题根源，就是，这个优先级反转所导致的，然后修复了此bug。

当年火星探路者号用的软硬件是：

硬件：

CPU：RS6000

总线：VME Bus

各种接口卡/外设：

音频

摄像头

1553总线接口

软件：

OS：（Wind River的）VxWorks

What really happened on Mars ?

What really happened on Mars?

如何解决或避免优先级反转？

既然，相对来说，优先级反转，这样的问题，对于，尤其是嵌入式实时系统中，危害这么大，

那么肯定N年前，就有人找到解决办法了：

优先级反转的解决办法：

禁止所有中断（以保护临近区）

当使用，禁止所有中断，来避免优先级反转时，需要满足下面的条件：

可被抢占的

中断已禁止的

由于没有别的第三种的优先级了，所以，也就不可能发生反转了。

（暂时没有完全理解此种的含义。。。。）

priority inheritance 优先级继承：

对于，占了高优先级任务A的某种所需资源的，低优先任务级C，

当A被阻塞，要去调度，即使存在另一个中优先级任务B，则也可以实现：

由于此时低优先级任务C已有和A同样的优先级了，

则调度器自然会去执行：

比中优先级任务B的优先级高的C了。

然后，等C执行完毕后，就可以继续执行A了。

优先级继承的实际例子

What really happened on Mars ?

中为例来来说明如何应用此，优先级继承：

HOW WAS THE PROBLEM CORRECTED?

VxWorks中的mutex对象，添加一个布尔值的参数，表示：

mutex是否使用优先级继承

当mutex初始化时，该参数是关闭的；

当此参数被打开时，低优先级的任务，就从高优先级的任务中继承了相同的优先级，

当然，背后是对应的检测机制：

可以判定出，当然被阻塞的高优先级的任务，所需要的资源，被当前自己这个低优先级任务所占用了

由此，解决了优先级反转的问题，避免了系统再次发生无故重启。

Priority Celling（最高优先级/优先级天花板）

给临界区，即上述的mutex等公用资源的部分

凡是想要用到，临界区的资源的任务，

要进入临界区之前，都将临界区的优先级赋值给该任务，

使得该任务有了最高的优先级，可以不被打断，而始终继续运行，直到用到资源

这样，就避免了，被高优先级A发现某资源被低优先级的C占用之类的问题了

㈩ 德国科学家早在上世纪 80 年代就造出了自动驾驶汽车

1994 年某个阳光明媚的秋日，法国 Autoroute 高速上，其他车主可能没有意识到正在发生的不同寻常的事情，两辆德国牌照的豪华轿车正在行驶于高速。这两辆灰色的梅赛德斯奔驰 500 SEL 正在加速到时速 130 公里，它们通过路况自动做出改变，没错，这两辆车是自动驾驶的，计算机控制方向盘，油门和刹车，而且它们这趟行程经过了德国和法国政府的允许。

在谷歌、特斯拉、Uber 开展自动驾驶业务的近 30 年前，一名叫 恩斯特·迪克曼斯 的德国科学家领导者一个工程师团队已经成功的实现自动驾驶。

今天园长来讲讲迪克曼斯的自动驾驶，以及他如何被人遗忘，顺便再说一下 AI 历史浪潮中的自动驾驶的起起伏伏。

迪克曼斯现在 82 岁，他已经停止向研究人员提供一般性建议，他说“人们永远不应该完全忽视曾经非常成功的方法”。

在成为“自动驾驶实际发明者”之前，迪克曼斯工作的前十年是分析太空飞船重回地球在大气层所需的轨迹。

作为一名航天工程师，他在西德雄心勃勃的航天界迅速晋升，在 1975 年，不到 40 岁的他在大学的研究院任职。

在此段时间，他的人生使命发生了改变：他想让汽车自己认路。迪克曼斯越来越相信，他的未来不在太空而是陆地。几年内，他买了一辆面包车安装了计算机，照相机和传感器，并于 1986 年开始在大学内测试。

大学同事们说他是个怪人，但是因为之前航天领域的成绩，所以对他也就睁一只眼闭一只眼。

1986 年，迪克曼斯的面包车成为第一辆自动驾驶汽车。次年，这辆车在巴伐利亚尚未对外公开的高速上以时速 90 公里的速度进行了测试。不久之后德国汽车制造商戴姆勒找到了迪克曼斯，戴姆勒成为了他的资助方，并且在 20 实际 90 年代初，提出了一个项目，他们想要一台大型客车，能够在 1994 年的巴黎展会上演示自动驾驶。

迪克曼斯听完这个要求后，做了个深呼吸，然后告诉戴姆勒“我的团队和我们的方法可以做到”。

1994 年 10 月，迪克曼斯的团队从戴高乐机场接了一批高级客人，在高速公路上，他们使用自动驾驶来完成行驶任务。名为贝林格的工程师坐在车辆的驾驶座，双手放在方向盘上以防出现问题。贝林格 24 年后谈论此事仍兴奋不已。

很多报纸头条报道了这件事。一年之后，团队测试了另一辆新车，他们从巴伐利亚到丹麦的高速公路上，用自动驾驶总共行驶了 1700 公里，最高时速超过了 175 km/h。

不过，不久之后，项目被迫中止了。

迪克曼斯的技术到了天花板，戴姆勒失去了兴趣，再之后，迪克曼斯的开拓性的工作机会被人遗忘。

人工智能的历史已经有了 60 多年,它往往伴随着一个又一个“盛夏”和“寒冬”。迪克曼斯项目起始于盛夏，而终结于寒冬。

20 世纪 50 年代末，人工智能的研究方向是如何让机器像人一样思考。一开始，人工智能这个领域的最大特点就是雷声大雨点小，各种宣传各种大佬站台，经济学家赫伯特·西蒙 20 世纪 60 年代曾预测“机器将会在 20 年内取代人类的工作”。

这些刺激了投资，大量热钱涌入但技术不能实现，20 世纪 70 年代中期泡沫破灭，资金减少，人工智能技术预冷。

在 20 世纪 80 年代中期，迪克曼斯的自动驾驶项目赶上了新一轮的盛夏，他的概念让资本方产生了兴趣，他的团队曾一度扩张至 20 人。然后是 20 世纪 90 年代寒冬的来临，让迪克曼斯的概念不再吸引人。

当时坐在驾驶室的工程师贝林格说“这是一个有趣的概念，但是对很多人来讲，太过未来主义了”。

技术专家说发明有两种：像灯泡一样，被发明就一直被使用，不断被改进。另一种像超音速客机一样，比如协和飞机，它们体现出了革命性的技术，但是过于先进而不适于当下。

迪克曼斯的自动驾驶就属于第二种。

当他在 20 世纪 80 年代开始研发时，计算机仍然需要 10 分钟来分析图像，对周围环境做出反应，并实现驾驶。

面对着看似不可逾越的障碍，他从人体生物学中汲取灵感，他认为，汽车应该想人眼一样，对街道和周围的环境有所感知。人类只能以高分辨率注意到视野中心，同样的，汽车也应该只关注与驾驶有关的东西，如道路标记。这会大大降低计算机处理的信息量。

事实上，汽车在高速公路上自动驾驶是比较简单的，因为路面不复杂，车道明确，指示牌都很清晰。

当时也有一些问题，比如前面的车挡住了指示牌，或者指示牌太旧看不清，都会让自动驾驶出现问题。

在寒冬来临之际，戴姆勒告诉迪克曼斯希望能尽快推出商用，而迪克曼斯知道这项研究在几年内根本无法商用。戴姆勒也就渐渐失去了继续下去的兴趣。

瑞士卢加诺 Dalle Molle 人工智能研究所联合主任 JürgenSchmidhuber 说“事后看来，这些项目并没有立即继续下去，这可能是一个错误，如果继续了，现在自动驾驶也没有 Google 、Uber 这些公司的事了”。

德国公司现在持有自动驾驶技术一半以上的专利，但是新参与者比如 Alphabet 的 Waymo 这样的美国科技巨头正在迎头赶上。

20 世纪 90 年代末，迪克曼斯与美国陆军研究实验室签订四年的合同。他们的合作除了新一代的自动驾驶汽车，能够处理更复杂的路面。在迪克曼斯退休时，这个项目引起了五角大楼新兴技术部的达尔帕的注意。于是 2004 年，该部门搞了了一系列“挑战”鼓励科学家们参与自动驾驶竞赛。

2005 年斯坦福大学计算机教授塞巴斯蒂安·特伦赢得了挑战赛，成立了谷歌自动驾驶车队，他是 AI 社区的名人。而与此同时，本文的主角迪克曼斯和他开创性的工作也被人遗忘了。

2011 年，迪克曼斯巴黎演示无人车之后的 17 年，纽约时报报道了塞巴斯蒂安·特伦努力制造了第一辆无人车，但马上就进行了修正，写到尽管塞巴斯蒂安·特伦开发了一辆无人驾驶汽车，但是他不是第一个这么做的人。

在 2018 年，随着人工智能之前的炒作，新的寒冬来了么？不少人这么认为的。

最近 AI 的研究普遍采用深度学习，通过算法来识别。其基本原理是在复杂的数据中找到相关性，这对大多数应用程序都奏效，但在某些情况下是死路一条。由于深度学习是数据驱动，它伴随着局限性。

之前翻译过圣地亚哥计算机科学 Piekniewski 的文章《 AI Winter is coming 》，他表示大量的热钱涌入 AI，特别是自动驾驶和机器人技术方面，指望马上出成果并不切实际。

很多投资者因为投入了这么多钱，但是期望没有成真而感到恼火。

代尔夫特大学教授 Virginia Dignum 表示“AI 人员继续去重点关注深度学习，结果会让人失望，这个领域如果想要有所突破，一定要通过较少的数据或者因果关系来建立模型，而不是依赖大量数据带来的相关性。”但她不相信 AI 寒冬来了，因为现在和以往不同，现在有大量的可商用 AI，这是因为 2010 年起的技术进步，特别是计算能力和数据储存方面的进步。

迪克曼斯仍然相信，现在的自动驾驶真正成熟，还需要十年以上的时间。现在的汽车并没有真正的分辨能力，他们仅仅是依赖于大量数据的训练，这意味着在一些道路以及通用情况下会很好，但是在一些特定的环境中会出现意外。

迪克曼斯说“我的自动驾驶技术命名为“寻路者（pathfinder vision）”，现在仍有几个机构在研究这种方法，它能让汽车在任何地方和情况下运行，不论是暴风雨过后，地震之后，战区，都可以起到作用”。

他预测，总有一天，行业会意识到现在通用的方法的局限性，到时候他会再度出山。

他补充道“我很高兴我可以成为开拓者之一，但是如果我今天重新开始，凭借现有的技术，这将是一个完全不同的故事”。