开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

Optaplanner:如果打破硬约束，如何将计划变量保留为空

Optaplanner是一个开源的约束求解器，用于解决排班、路径规划、资源分配等优化问题。在Optaplanner中，硬约束是必须满足的条件，而软约束是可选的条件，可以在一定程度上违反。

如果要打破硬约束并将计划变量保留为空，可以通过以下步骤实现：

定义计划变量：首先，需要在问题领域中定义一个计划变量，该变量可以为空。例如，如果要解决排班问题，可以定义一个计划变量表示员工的排班情况。
定义硬约束：确定问题中的硬约束条件，这些条件必须满足。例如，在排班问题中，硬约束可能包括员工的工作时间不能超过规定的上限。
定义软约束：确定问题中的软约束条件，这些条件是可选的，可以在一定程度上违反。例如，在排班问题中，软约束可能包括员工的连续工作时间不宜过长。
配置优化算法：根据具体问题的特点，配置Optaplanner的优化算法。可以设置算法的搜索策略、时间限制、评分规则等。
运行求解器：将问题输入Optaplanner的求解器中，并运行求解器来寻找最优解。求解器会尝试不断优化解决方案，直到找到一个满足硬约束的最优解或者达到设定的时间限制。

需要注意的是，打破硬约束并将计划变量保留为空可能会导致问题的解决方案不符合实际需求或者不够优化。因此，在实际应用中，需要权衡硬约束和软约束之间的关系，确保解决方案既满足必要的条件，又尽可能优化。

腾讯云相关产品和产品介绍链接地址：

腾讯云计算：https://cloud.tencent.com/product
腾讯云人工智能：https://cloud.tencent.com/product/ai
腾讯云物联网：https://cloud.tencent.com/product/iotexplorer
腾讯云移动开发：https://cloud.tencent.com/product/mobdev
腾讯云存储：https://cloud.tencent.com/product/cos
腾讯云区块链：https://cloud.tencent.com/product/baas
腾讯云元宇宙：https://cloud.tencent.com/product/umc

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

OptaPlanner规划引擎的工作原理及简单示例(1)

在之前的文章中，已介绍过APS及规划的相关内容，并对Optaplanner相关的概念和一些使用示例进行过介绍，接下来的文章中，我会自己做一个规划小程序 - 一个关于把任务分配到不同的机台上进行作业的小程序，并在这个小程序的基础上对OptaPlanner中更多的概念，功能，及使用方法进行讲解。但在此之前，我需要先讲解一下OptaPlanner在进行规则运算的原理。所以，本文是讲述一些关于寻找最优解的过程中的原理性的内容，作为后续通过示例深入讲解的基础。但这些原理知识不会涉及过分深奥的数学算法，毕竟我们的目标不是写一个新的规划引擎出来，更不是要研究各种寻优算法；只是理解一些概念，用于理解OptaPlanner是依据什么找出一个相对优解的。以便在接下来的一系列文章中，可以快速无障碍地理解我所讲解的更细化的OptaPlanner功能。

00

OptaPlanner笔记3

*score(分数)*表示特定解决方案的质量，越高越好。OptaPlanner通过在可用时间寻找最高得分的解决方案的方式来寻找最优方案，它也可能是最佳方案。

02

OptaPlanner规划引擎的工作原理及简单示例(2)

在前面一篇关于规划引擎OptaPlanner的文章里（OptaPlanner规划引擎的工作原理及简单示例(1)），老农介绍了应用OptaPlanner过程中需要掌握的一些基本概念，这些概念有助于后面的内容的理解，特别是关于将约束应用于业务规则上的理解。承上一文，在本篇中将会减少一些理论，而是偏向于实践，但过程中，借助实际的场景对一些相关的理论作一些更细致的说明，也是必要的。本文将会假设我们需要对一个车间，需要制定生产计划.我们为生产计划员们设计一套智能的、自动的计划系统；并通过OptaPlanner把这个自动计划系统开发出来。当然，里面的业务都是经过高度抽象形成的，去除了复杂的业务规则，仅保留可以体现规划引擎作用的一些业务需求。因此，这次我们只用一个简单的小程序即可以演绎一个自动计划系统，来呈现规划引擎OptaPlanner在自动计划上的魅力。

01

OptaPlanner 基本概念 - 规划问题，约束，方案

之前的文章中，分别从APS，排产到规划引擎叙述了一些理论基础；并介绍了一些Optaplanner大概的情况；并一步步将Optaplanner的示例运行起来，将示例源码导进Eclipse分析了一下它的Hello world入门示例，从本篇开始，我们将分步学习它的一些概念及用法。

00

OptaPlanner逐步学习(0) ：基本概念 - 规划问题,约束与方案

之前的文章中，分别从APS，排产到规划引擎叙述了一些理论基础；并介绍了一些OptaPlanner大概的情况；并一步步将OptaPlanner的示例运行起来，将示例源码导进Eclipse分析了一下它的Hello world入门示例，从本篇开始，我们将分步学习它的一些概念及用法。

00

普通企业的规划类项目中，OptaPlanner更适合作为APS的规划优化引擎

在企业的规划、优化场景中，均需要开发规划类的项目，实现从各种可能方案中找出相对最优方案。如排班、生产计划（包括高层次的供应链优化，到细粒度的车间甚至机台作业指令）、车辆调度等。因为这类场景需要解决的问题，均可以归约为数学中的NP-C或NP-Hard问题。而解决此类问题，均需要通用的求解器才能实现。这类求解器也称规划引擎，通过它才能从天文数字的可能方案中，找出一个可行且相对优化的方案。

00

APS技术中的多目标规划问题

在进行APS（高级计划与排程）系统开发时，绝大多数情况下是需要考虑多目标的。但面对多目标问题进行规划求解时，我们往往极容易因处理方法不当，而影响输出结果，令结果与用户期望产生较大差别。事实上很多时候用户，面对此类问题也无法给出一个确定的合理的期望，因为多个目标混合在一起的时候，产生复杂的规划逻辑，用户自身也会被迷惑，到最后就错误地提出一些所有目标都达到极致的“完美”计划要求；但客观上是不存在这种“完美”计划的。

00

OptaPlanner笔记1

每个组织都面临规划问题：为产品或服务提供有限的受约束的资源（员工、资产、时间和金钱）。OptaPlanner用来优化这种规划，以实现用更少的资源来做更多的业务。这被称为Constraint Satisfaction Programming（约束规划，这是运筹学学科的一部分）。

03

【译】OptaPlanner开发手册本地化: (0) - 前言及概念

在此之前，针对APS写了一些理论性的文章；而对于OptaPlanner也写了一些介绍性质，几少量入门级的帮助初学者走近OptaPlanner。在此以后，老农将会按照OptaPlanner官方的用户手册的结构，按章节地对其进行翻译，并成型一系列的操作说明文章。在文章中，为了降低对原文的理解难度，有些地方我不会直接按原文档的字面翻译，而是有可能加入一些我自己的理解，或添一些解释性的内容。毕竟英语环境下的思维和语言表达方式，跟中文或多或少会有差别的，所以如果全部按字面翻译，内容就非常生硬，可读性差，解程难度较大。我认为应该在理解了作者原意的基础上，再进一步以中文方式的表达，才算是真的的本地化。记得老农还是少农时，学习开发技术，需要阅读一些外国书箱的翻译本时，印象最深的是候捷老师的书，尽管《深入浅出MFC》，砖头厚度的书，硬是被我翻散了线，MFC尽管真的晦涩难懂，但候老却能把Windows的消息机制及MFC中整个个宏体系，系统地通俗地描述出来，令读者不需要花费太多精力去理解猜测书中字面的意义，大大降低的VC++中MFC的学习门槛。但老农毕竟只是一个一线开发人员，不是专业的技术资料翻译人才，不可能有候老师的专业水平，因此，我也只可尽我所能把内容尽量描述得通俗一些，让读者尽量容易理解，花费更少的时间掌握这些知道要点。

00

人工智能包括约束求解器吗？

以下是翻译Optaplanner创始人Geoffrey De Smet的一篇文章《Does A.I. include constraint solvers?》。　　因为英语及中文表达习惯的差异，以该

03

多工序、多机台(产线)环境下的排程要点

释义：文中提到的资源，是指需要完成一个生产作业（或称任务，生产任务）所需的生产条件，例如机台、原料等，称为广义资源。对于生产计划，常见有以下四种类型：

09

浅尝一个排程引擎Optaplanner - 前序

当码农有10多年了，由建筑行业软件，各种MIS，通用物流定制平台，CCTV客户端(是闭路电视，不是央视喔)啥都做过。最后小试一下创业，不过那都是闹着玩的，不到一年就回到码农的队列，重拾搬砖的行当。近些年一直在制造业，做过ERP，当过小组负责人。有人问为什么不转纯管理？是能力不足，气质不佳还是人品低下？我觉得都有些且不全吧。反正无论是当管理还是做技术，我还是觉得手里拿点实在的东西心里才踏实。并不是说管理不是一个好技能，而是本人遇机问题，机会不多，所以大多数时间都是在做搬砖，砖搬多了，当然想试一下，看能不能搞个自动化机械出来，总不能搬到退休那天吧，码农到底多少岁退休呀？看来如果再不练就点拿得出手来的东西，到时候我就只能退，无法休了。那些奋斗于500强，30岁而立之年已赚足退休资本的农场主们不在此列。

00

OptaPlanner的新约束表达方式 Constraint Streams

有好些时间没有写过关于OptaPlanner的东西了，其实近半年来，OptaPlanner还是推出了不少有用、好用的新特性。包括本文讲到的以Stream接口实现评分编程。关于OptraPlanner的约束详细用法，可以参考官方资料：

03

OptaPlanner终于支持多线程并行运行 - Multithreaded solving

OptaPlanner 7.9.0.Final之前，启动引擎开始对一个Problem进行规划的时候，只能单线程进行的。也就是说，当引擎对每一个possible solution进行分数计算的过程中，细化到每个步骤(Caculation)，都只能排队在同一个线程中依次计算，不管你的问题是否存在并行计算的可能。很显然这种运算方式应用于一些可并行计划的场景下，是相当不利的。就算是一些在业务逻辑上无法实现并行运算的情况，在引擎自行调用指定的算法进行寻优时，若可以将每个Step,甚至每个Move的运行操作，适当地分配到不同的线程中执行，那么在多核CPU的环境下，无疑能大大提升规划运算性能，从而在规定的时间内行到更优的效果。毕竟对于NP-Hard/NP-Complete问题，除了比较算法优劣外，另一个维度对比的就是运算量，单位时间内运算量越大，找到更佳方案的机率越大。

03

体现公平性公式在规划问题中的应用

本文是在Optaplanner创始人 Geoffrey De Smet先生的一篇文章《Formula for measuring unfairness》的基础上进行翻译而成。因为其博文发表在Optaplanner的官网上，因此，其行文过程中存在一定的上下文默认情况，如果直译原文，将会大大降低其可读性。因此，本文是在原文的基础上添加一些本人修饰的表达而成。

03

OptaPlanner笔记2

Timeslot类表示教授课程的时间段，例如:星期一上午10：30-11：30或星期二13：30-14：30。为简单起见，所有时间段的持续时间相同，午餐或其他休息时间没有时间段。时间段没有日期，因为高中的课程表每周都是一样的。因此，无需进行连续规划（18.4）。

01

关于APS在企业生产计划上的应用

本人是名软件开发人员，从事软件开发工作10多年。近几年慢慢沉淀到制造业信息化方面，主要是APS在生产计划方面的应用，APS - Advance Planning and Scheduling, 高级计划与排程技术。其实就是计划的一种优化手段，其中使用了一些优化算法，令计划的质量更高一些。通过该技术生成的计划，在达到一些硬性约束的基础上，能实现更进一步的优化。例如满足生产工艺的同时，提高订单的按时交付率，降低成本等。从最开始被调去做ERP数据适配APS项目实施，到现在自己在为公司设计、开发排产程序（通过第三方规划引擎用、求解器实现）。从中也接触过不少排程产品，针对不同的场景，其适应性、可用性千差万别。长期制造企业生产领域的工作经历，令我有更多机会面对各种供应链、排产等方面的问题。本人细说一下APS技术在制造业的生产计划上的应用。

03

Excel与Google Sheets中实现线性规划求解

很久没更新过APS系列文章了，这段时间项目工作确实非常紧，所以只能抽点时间学习一下运筹学的入门知识，算是为以后的APS项目积累点基础。看了一些运筹学的书（都是科普级别的）发现原来我目前面对的很多排产、排班、资源分配和路线规划问题，都是运筹学上的典型案例。与此同时，除了继续使用Optaplanner来做我们的规划类项目外，还花点时间去研究了一下Google OR-Tools开源规划引擎，这是Google旗下的一个开源求解器，接下来我会专门写一些关于Google OR-Tools应用的文章，并与Optaplanner作些关联对比。

02

相克军_Oracle体系_随堂笔记004-shared pool

oracle 中只可以整体设置shared pool的大小，不可以对shared pool中的内存区域分别设置大小。

03

探究Optaplanner示例，初步认识规划引擎的运行步骤

上一篇我们成功以把Opotaplanner规划引擎下载回来，并把它的示例运行起来，简单解析了一下它的Cloud balance示例。这一篇我们这些示例的源代码导入到Eclipse中，看看它在后台是怎么运行的。

03

OptaPlanner - 从探究示例中的hello world 初步认识规划引擎的运行步骤

上一篇我们成功以把Opotaplanner规划引擎下载回来，并把它的示例运行起来，简单解析了一下它的Cloud balance示例。这一篇我们这些示例的源代码导入到Eclipse中，看看它在后台是怎么运行的。

03

相邻两个生产计划之间的衔接问题

本文主要探讨在生产计划的“编制 -> 执行”过程中，遇到的计划与实际生产活动，相邻两个计划之间的衔接问题，及常见的方案建议。

02

疑案重审，真相大白:_optim_peek_user_binds是惯犯

客户新业务上线（数据库版本为 10.2.0.5）一段时间后，系统CPU都在20%左右。19日，系统CPU使用率突然接近100%，交易处理速度也严重下降。20日凌晨1:15分之后，系统CPU突然又降到20%左右，交易速度也有大幅提高（只有几毫秒）；

03

OptaPlanner 7.32.0.Final版本彩蛋 - SolverManager之批量求解

上一篇介绍了OptaPlanner 7.32.0.Final版本中的SolverManager接口可以实现异步求解功能。本篇将继续介绍SolverManager的另一大特性 - 批量求解。

04

使用OptaPlanner解决多工序、多机台(资源)排程的新思路

在解决多工序联动、多机台共享的场景下排程过程中，常用同时把所有存在前后接续关系的任务，和存在共用特性的机台，一起建模成为规划变量(Planning Entity)与问题事实(Problem Fact)，并一次性提供给引擎进行求解运算。但这种方法，因为双链（下文详述）特性的存在，规划问题过于复杂，导致问题规模过大，从而令引擎的搜索究竟指数级增大，进行各种性能改善后，仍难以获得满意解；甚至部分情况下规划运算所得结果还不如人工排程方案。

03

【DB笔试面试389】在Oracle中，什么是绑定变量窥探？

目标SQL若不使用绑定变量，则当具体输入值一旦发生了变化，目标SQL的SQL文本就会随之发生变化，这样Oracle就能很容易地计算出对应Selectivity和Cardinality的值，进而据此来选择执行计划。但对于使用了绑定变量的目标SQL而言，情况就完全不一样了，因为现在无论对应绑定变量的具体输入值是什么，目标SQL的SQL文本都是一模一样的。对于使用了绑定变量的目标SQL而言，Oracle可以选择如下两种方法来决定其执行计划：

02

MethodHandle结合LambdaMetafactory-使用方法及性能测试

在进行实例的动态推断和构建时，我们会经常使用到反射这一技巧，然而在某些场景中反射的效率显得有些力不从心。从JDK7开始，MethodHandle被推出，用于解决反射的效率问题。在JDK8，MethodHandle又与Lambda进行深度结合，成为Lambda的最底层调用方式。在JDK9，MethodHandle又被进一步增强。在开源项目中，Mybatis Mapper的动态代理实现则运用了MethodHandle。

04

【机器学习】支持向量机

本文介绍了支持向量机模型，首先介绍了硬间隔分类思想（最大化最小间隔），即在感知机的基础上提出了线性可分情况下最大化所有样本到超平面距离中的最小值。然后，在线性不可分的情况下，提出一种软间隔线性可分方式，定义了一种hinge损失，通过拉格朗日函数和对偶函数求解参数。其次，介绍线性模型中的一种强大操作—核函数，核函数不仅提供了支持向量机的非线性表示能力，使其在高维空间寻找超平面，同时天然的适配于支持向量机。再次，介绍SMO优化方法加速求解支持向量机，SMO建立于坐标梯度上升算法之上，其思想与EM一致。最后，介绍支持向量机在回归问题上的应用方式，对比了几种常用损失的区别。

01

资源 | 英语不行？你可以试试TensorFlow官方中文版教程

TensorFlow 最近提供了官方中文版教程（Tutorials）和中文版指南（Guide）。其中教程主要介绍了 TensorFlow 的基本概念，以及各种基础模型的简单实现方法，这些模型基本上都是用 Keras 等易于理解的高阶 API 完成。而指南则深入介绍了 TensorFlow 的工作原理，包括高阶 API、Estimator、低阶 API 和 TensorBoard 等。

02

资源 | 英语不行？你可以试试TensorFlow官方中文版教程

现在 TensorFlow 有官方中文版教程啦，以前的英文版 Tutorials 有了对应的中文翻译。各位还在 TensorFlow 门前徘徊的开发者们，现在可以对着中文教程学习各种流行模型啦。

03

【错综复杂】一个执行计划异常变更的案例（中）

前文回顾：一个执行计划异常变更的案例（上）上篇文章我们说了，绑定变量实际是一些占位符，可以让仅查询条件不同的SQL语句可以重用解析树和执行计划，避免硬解析。绑定变量窥探则是第一次执行SQL硬解析时，会窥探使用的绑定变量值，根据该值的分布特征，选择更合适的执行计划，其缺点在于如果绑定变量列值分布不均匀，由于只有第一次硬解析才会窥探，所以可能接下来的SQL执行会选择错误的执行计划。有时可能我们需要查看某条SQL使用了什么绑定变量值，导致执行计划未用我们认为最佳的一种。方法一：10046 使用level

05

为什么软件工程师出身的CEO越来越“香”？

作者 | Gene Bond 编译 | 王强、褚杏娟策划 | Tina 不会敲代码的 CEO，不是好领导？很多优秀互联网企业的 CEO 都是软件工程师出身。马化腾、李彦宏、雷军、周鸿祎等人都自己写过代码。“当时马化腾和张志东都自己亲手做网站，公司主页也是马化腾自己写的代码并亲手调试一些小细节。”《腾讯十年》中提到了当年马化腾创业写代码的经历；李彦宏以超链算法专利出名，曾因出色的逻辑思路和技术功底被当时美国搜索第一人 william zhang 选为接班人；雷军则在大一写出了程序 pascal，大二就被

03

一个执行计划异常变更的案例 - 外传之rolling invalidation

刚做完一次网络切换支持，得空写一篇，其实今儿取了巧，这篇文章是之前写过的，碰巧又是这次“执行计划异常变更”案例涉及的一个知识点，所以再次翻出来。

02

父游标、子游标及共享游标

游标是数据库领域较为复杂的一个概念，因为游标包含了shared cursor和session cursor。两者有其不同的概念，也有不同的表现形式。共享游标的概念易于与SQL语句中定义的游标相混淆。本文主要描述解析过程中的父游标，子游标以及共享游标，即shared cursor，同时给出了游标(session cursor)的生命周期以及游标的解析过程的描述。

03

数量级提升！深度学习让机器人抓取更高效

电子商务仓库中的拣选机器人需要快速计算各种配置之间有效且平稳的机器人手臂运动。最近的研究中是将抓取力分析与手臂运动规划结合，以计算最佳的手臂平滑运动；然而，数十秒的计算时间支配着运动时间。深度学习的最新研究将神经网络应用于计算这些运动。但是，运算结果缺乏产生符合运动学和动力学运动所需的精度。虽然运算结果不可行，但神经网络计算的运动接近最佳结果。该研究中所提出的方法以近似运动为起点，开始优化，优化运动规划器将近似方法通过几次迭代，优化为切实可行运动。

03

Theano 中文文档 0.9 - 3. Theano一览

Theano是一个Python库，它允许你定义、优化和求值数学表达式，特别是具有多维数组（numpy.ndarray）的数学表达式。对于涉及大量数据的问题，使用Theano可以获得与手工编写的C实现不相上下的速度。它还可以通过利用最近的GPU超过CPU上的C多个数量级。

04

【DB笔试面试586】在Oracle中，什么是自适应游标共享（1）？

绑定变量窥探的副作用就在于，使用了绑定变量的目标SQL只会沿用之前硬解析时所产生的解析树和执行计划，即使这种沿用完全不适合于当前的情形。在Oracle 10g及其后续的版本中，Oracle会自动收集直方图统计信息，这意味着与之前的版本相比，在Oracle 10g及其后续的版本中Oracle有更大的概率会知道目标列实际数据的分布情况，也就是说绑定变量窥探的副作用将会更加明显。当Oracle执行绑定变量窥探操作时绑定变量所对应的输入值是否具有代表性就至关重要了（这里“代表性”是指该输入值所对应的执行计划和该SQL在大多数情况下的执行计划相同），因为这会直接决定此目标SQL在硬解析时所选择的执行计划，进而决定后续以软解析/软软解析重复执行时所沿用的执行计划。

02

父游标、子游标及共享游标

游标是数据库领域较为复杂的一个概念，因为游标包含了shared cursor和session cursor。两者有其不同的概念，也有不同的表现形式。共享游标的概念易于与SQL语句中定义的游标相混淆。本文主要描述解析过程中的父游标，子游标以及共享游标，即shared cursor，同时给出了游标(session cursor)的生命周期以及游标的解析过程的描述。

02

支持向量机

支持向量机自己就是一个很大的一块，尤其是SMO算法，列出来也有满满几页纸的样子，虽然看过但是并不能完全看懂其中精髓。

02

传统工厂的物流智能化转型——“智能工厂物流构建”系列连载之六

导语：对现有工厂的物流系统进行升级转型，需要建立在系统、全面的诊断和评审基础上，明确工厂存在的问题、机会以及约束等，选择与自身条件相匹配的、具有较好经济效益的切入点进行物流改造和优化。本文具体分析了工厂物流转型升级的基本模式、切入点、效益和约束。

03

精读《type challenges - easy》

TS 强类型非常好用，但在实际运用中，免不了遇到一些难以描述，反复看官方文档也解决不了的问题，至今为止也没有任何一篇文档，或者一套教材可以解决所有犄角旮旯的类型问题。为什么会这样呢？因为 TS 并不是简单的注释器，而是一门图灵完备的语言，所以很多问题的解决方法藏在基础能力里，但你学会了基础能力又不一定能想到这么用。

01

学会这14种模式，你可以轻松回答任何编码面试问题

对于许多开发人员而言，编写采访编码的过程会引起焦虑。涉及的内容太多，常常感觉很多与开发人员在日常工作中所做的事情无关，这只会增加压力。

04

图灵奖得主Bengio：深度学习不会被取代，我想让AI会推理、计划和想象

在1990年代那个漫长而寒冷的AI寒冬期，大多数人认为神经网络是一条研究的死胡同，Yoshua Bengio等研究者却仍坚持不懈地进行着该领域的研究。

01

SVM系列（三）：手推SVM

在前面的两篇文章SVM系列（一）：强对偶性、弱对偶性以及KKT条件的证明以及SVM系列（二）：核方法概述---正定核以及核技巧中，我们引入了一些基本概念，这些概念对理解SVM有着很重要的作用。

01

边缘计算资源分配与任务调度优化综述

摘要随着物联网和移动终端的迅速发展，边缘计算技术应运而生，通过将计算和存储配置在互联网边缘，处理物联网终端产生的大量数据，应对时延敏感型应用请求。为提高计算资源使用效率，优化性能指标，边缘计算资源分配与任务调度优化问题受到了广泛关注。边缘计算资源的地理分散性、异构性以及对性能、能耗、费用、稳定性等的需求，增加了优化调度的复杂性。通过介绍边缘计算和物联网、云计算协同的系统模型，给出优化的指标、调度模型及其求解算法，包括精确算法、启发式方法及智能优化方法等，归纳典型应用案例，指出有待进一步研究的内容和方向，有助于促进边缘计算的发展。

03

JS–JavaScript变量详解(全局变量、局部变量)

JavaScript也支持不使用var命令，直接使用未声明的变量。但建议用户养成“先声明后使用”的良好习惯。

01

Oracle-绑定变量binding variable解读

Oracle 中，对于一个提交的sql语句,存在两种可选的解析过程, 一种叫做硬解析,一种叫做软解析.

01

喜新厌旧，是我的本性。今天就宠mapstruct怎么了！

这些年写Java写多了，感觉Java是越来越丑。尤其是在玩了TypeScript之后，看到Java代码总有一股想吐的感觉。这种思想的转变，从侧面上证明了，我并不是一个专一的人。

01

Android WorkManager: 轻松管理后台任务

在Android应用开发中，有效地管理后台任务是至关重要的。Android WorkManager是一个强大的库，旨在简化任务调度和后台工作管理。本文将深入探讨WorkManager的内部实现细节、原理和具体使用。

02

【每日一摩斯】-Shared Pool优化和Library Cache Latch冲突优化 (1523934.1)-系列1

Oracle的实例主要包括共享内存(主要是SGA，还有PGA)和Background Processes，其中SGA中又包括了Shared Pool、Buffer Cache、Redo Log Buffer以及其它一些内存区。

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭