主页 | Goat

Zotero 是一款免费开源的文献管理工具，能帮研究者高效收集、组织、注释和引用研究资料。它可通过浏览器插件一键抓取网页、数据库中的文献信息与 PDF 全文，也能自动识别本地 PDF 的元数据。

写作时，它能与 Word、 Latex 等深度集成，一键插入引用并按 APA、MLA 等上万种格式自动生成参考文献列表。同时支持跨设备同步、团队协作共享，还可通过丰富插件拓展功能，且由非营利组织开发保障数据安全。

一、国赛模板

模板请使用XeLatex编译，编译引用或修改表格列宽时要编译两次才能实装效果。

为了正常使用，请勿轻易修改导言区。

二、插入图片

强制图片位置

\FloatBarrier % 强制在此处插入上方代码的图形

Goat_Yang2025/8/23大约 13 分钟

门控循环神经网络 GRU

Gate Recurrent Unit（GRU）是一种门控循环神经网络，由 Cho 等人在提出 Seq2Seq 模型时引入。

设计目标是：
在缓解传统 RNN 梯度消失问题的同时，保持比 LSTM 更简单的结构与更高的训练效率。

核心思想：
通过门控机制直接在隐藏状态上进行更新，不再区分“记忆单元”和“隐状态”。

GRU 相比 RNN / LSTM 的特点

相比普通 RNN

引入门控结构，缓解梯度消失
使用加权加法路径，稳定梯度传播

Goat_Yang2026/1/30大约 3 分钟

长短时记忆网络 LSTM

Long Short-Term Memory（LSTM）是一种门控循环神经网络（Gated RNN），由 Hochreiter & Schmidhuber 提出，用于解决普通 RNN 在处理长序列依赖时的梯度消失 / 梯度爆炸问题。

核心思想：
通过显式的记忆单元（cell state）和门控机制，控制信息的写入、保留与输出。

LSTM 相比普通 RNN 的改进点

普通 RNN：

Goat_Yang2026/1/30大约 2 分钟

残差连接和归一化层 Add & Norm

残差连接（Residual Connection / Skip Connection）

解决问题：

梯度消失 / 梯度爆炸
退化问题（Degradation Problem）： 前面训练的不好，后面层数训练没有效果，更难训练

基本结构

y = x + F(x)

Goat_Yang2026/1/30大约 2 分钟

TOPSIS 逼近理想解排序法

1. 基本概念

TOPSIS（Technique for Order Preference by Similarity to Ideal Solution） 是一种经典的多属性决策方法（MCDM）。

核心思想：

最优方案应当 最接近正理想解，且最远离负理想解

适用于：多方案、多指标的综合评价与排序问题。

2. 问题设定

方案数： $m$
指标数： $n$
决策矩阵：

Goat_Yang2026/1/30大约 2 分钟

基于分解的多目标进化算法（MOEA/D）

MOEA-D（Multi-Objective Evolutionary Algorithm based on Decomposition） 是 Zhang 和 Li 于 2007 年提出的一类多目标进化算法。
其核心思想是：将一个多目标优化问题分解为多个标量子问题，并通过协同进化同时求解这些子问题。

与基于 Pareto 排序的算法（如 NSGA-II、SPEA2）不同，MOEA-D 不显式进行非支配排序，而是通过分解函数 + 邻域协作机制来实现收敛性与多样性的平衡。

算法流程图

一、算法原理与核心机制

Goat_Yang2026/1/26大约 6 分钟

类型提示

类型提示（Type Hints）是 Python 在语法层面提供的一种静态类型标注机制，用于描述：

变量类型
函数参数类型
函数返回值类型
复杂数据结构的组成类型

1）创建指定语言的用户 snippet

VS Code：Ctrl/Cmd + Shift + P → 输入：Snippets: Configure Snippets→ 选择markdown语言或者点击新建全局代码片段文件并输入markdown.json

Goat_Yang2026/1/22大约 1 分钟

dataclass 用法

介绍

dataclass 是 Python 3.7+ 引入的一个装饰器，用来简化“数据类”的定义。

传统写法：

class Person:
    def __init__(self, name, age):
        self.name = name
        self.age = age

Goat_Yang2026/1/22大约 1 分钟