Spring Cloud 微服務架構開發, 2/e

黑馬程序員

  • Spring Cloud 微服務架構開發, 2/e-preview-1
  • Spring Cloud 微服務架構開發, 2/e-preview-2
Spring Cloud 微服務架構開發, 2/e-preview-1

買這商品的人也買了...

相關主題

商品描述

本書全面介紹Spring Cloud在微服務架構中提供的解決方案和基礎組件,並結合實際開發場景,詳細介紹如何利用Spring Cloud整合第三方框架進行Web開發。全書共11章,其中,第1章介紹微服務架構與Spring Cloud的基礎知識;第2~10章介紹Spring Cloud的常用組件,包括服務註冊中心Nacos、負載均衡組件Ribbon和Spring Cloud LoadBalancer、聲明式服務調用組件OpenFeign、服務容錯組件Sentinel、API網關Gateway、Nacos配置中心、消息驅動框架Spring Cloud Stream、分佈式鏈路追蹤組件Sleuth+Zipkin、分佈式事務解決方案Seata。第11章通過搭建一個新聞資訊系統——黑馬頭條,帶領讀者搭建一個微服務架構系統。希望讀者通過對本書的學習,能夠學會 Spring Cloud 各個組件的用法,並掌握分佈式微服務架構的搭建過程。

本書配套豐富的教學資源,包括教學PPT、教學大綱、源代碼、課後習題及答案等,為幫助讀者更好地學習本書中的內容,作者還提供了在線答疑服務,希望幫助更多讀者。

本書既可作為高等教育本、專科院校電腦相關專業的教材,也可作為編程人員的自學參考書。

作者簡介

黑马程序员,传智教育旗下高端IT品牌,由中国Java培训先行者张孝祥老师发起,联合全球最大的中文IT社区CSDN、中关村软件园共同创办的一家专业教育机构。办学至今,我们一直坚守着“为千万人少走弯路而著书,为中华软件之崛起而讲课”的办学理念,坚持培养优秀软件应用工程师的宏伟目标,在累计培养的十万余名学员中,其中90%的学员均已在北、上、广等一线城市高薪就业。为了迎合软件市场的需求,我们陆续开设了Java、网页平面、PHP、.Net、iOS、C/C++、Android等9个专业方向的课程,并且未来将逐渐开设其他专业方向的课程。随着传智播客的日益壮大,除了北京总部,我们在上海、广州、武汉、成都、深圳等地也创立了直营分支机构,传智播客俨然已成为了国内具有专业口碑的IT教育机构。

目錄大綱

01 緒論

1.1 概述 2

1.2 最優化問題及其數學模型 2

1.3 最優化問題的分類 3

1.4 最優化方法的發展及分類 5

1.4.1 傳統優化方法 6

1.4.2 計算智能方法 7

1.4.3 計算智能方法的特點 11

1.5 計算智能方法的未來發展方向 12

1.6 章節安排介紹 12

1.7 本章小結 14

1.8 習題 14

 

02 人工神經網絡理論

2.1 概述 16

2.2 人工神經網絡基本理論 17

2.2.1 人工神經元基本模型 17

2.2.2 人工神經網絡結構 19

2.2.3 人工神經網絡的學習 20

2.3 前饋型神經網絡的主要算法 22

2.3.1 感知器 23

2.3.2 BP網絡 25

2.3.3 RBF網絡 33

2.4 反饋型神經網絡的主要算法 44

2.4.1 Hopfield網絡算法 44

2.4.2 自組織映射網絡算法 51

2.5 基於MATLAB語言的人工神經網絡工具箱 54

2.5.1 基本功能介紹 55

2.5.2 BP網絡的MATLAB實現 55

2.5.3 RBF網絡的設計實例 63

2.5.4 人工神經網絡工具箱中的圖形用戶界面 78

2.6 人工神經網絡的應用實例 89

2.7 本章小結 91

2.8 習題 91

 

03 遺傳算法

3.1 概述 94

3.2 遺傳算法的基本原理 95

3.2.1 生物的進化過程 95

3.2.2 遺傳算法的基本思想 95

3.2.3 遺傳算法的具體步驟 96

3.3 遺傳算法應用中的常見問題 104

3.3.1 染色體長度和初始種群的確定問題 104

3.3.2 控制參數的選取問題 104

3.3.3 遺傳算子的具體操作問題 105

3.3.4 收斂判據的確定問題 105

3.4 遺傳算法的應用實例 106

3.5 本章小結 112

3.6 習題 112

 

04 蟻群算法

4.1 概述 116

4.2 螞蟻群體的覓食過程 117

4.3 蟻群算法的基本原理 118

4.3.1 蟻群算法的數學模型 119

4.3.2 蟻群算法的具體實現流程 122

4.4 蟻群算法的參數選擇 124

4.5 改進的蟻群算法 125

4.5.1 ACS模型 125

4.5.2 MMAS模型 127

4.6 蟻群算法的應用實例 128

4.7 本章小結 134

4.8 習題 135

 

05 人工免疫算法

5.1 概述 138

5.2 人工免疫算法的生物學基礎 139

5.2.1 生物免疫系統的基本定義 140

5.2.2 生物免疫系統的工作原理 141

5.3 人工免疫算法的基本原理 142

5.3.1 人工免疫算法的基本框架 143

5.3.2 否定選擇算法的基本原理 144

5.3.3 免疫規劃算法的基本原理 146

5.3.4 克隆選擇算法的基本原理 150

5.4 人工免疫算法的應用實例 155

5.5 本章小結 163

5.6 習題 163

 

06 粒子群優化算法

6.1 概述 166

6.2 粒子群優化算法的基本原理 166

6.3 粒子群優化算法的改進 174

6.3.1 帶慣性權重的PSO算法 174

6.3.2 帶收縮因子的PSO算法 175

6.3.3 基於種群分類與動態學習因子的PSO改進算法 176

6.4 粒子群優化算法的應用實例 178

6.5 本章小結 180

6.6 習題 180

 

07 人工蜂群算法

7.1 概述 182

7.2 人工蜂群算法的基本原理 183

7.3 改進的人工蜂群算法 187

7.3.1 針對高維復雜單目標優化問題的改進人工蜂群算法 187

7.3.2 針對多峰優化問題的小生境人工蜂群算法 188

7.4 人工蜂群算法的應用實例 193

7.5 本章小結 198

7.6 習題 198

 

08 生物地理學優化算法

8.1 概述 200

8.2 生物地理學優化算法的基本原理 200

8.3 生物地理學優化算法的基本流程 204

8.3.1 遷移操作 204

8.3.2 變異操作 205

8.3.3 算法框架 206

8.4 改進的生物地理學優化算法 207

8.4.1 混合型遷移操作 207

8.4.2 局部化生物地理學優化算法 209

8.4.3 生態地理學優化算法 213

8.5 生物地理學優化算法的應用實例 216

8.6 本章小結 220

8.7 習題 220

 

09 多目標優化算法

9.1 概述 222

9.2 三代多目標優化算法 223

9.2.1 第一代多目標優化算法 223

9.2.2 第二代多目標優化算法 223

9.2.3 第三代多目標優化算法 229

9.3 高維多目標優化算法 233

9.3.1 基於分解的多目標優化算法 233

9.3.2 NSGA-III 236

9.3.3 NSGA-III-OSD 240

9.4 多目標優化算法的測試函數和評價指標 242

9.4.1 測試函數 242

9.4.2 評價指標 246

9.5 多目標優化算法的測試實例和應用實例 247

9.6 本章小結 253

9.7 習題 253

 

10 約束優化算法

10.1 概述 256

10.2 約束處理技術 258

10.2.1 懲罰函數法 258

10.2.2 隨機排序法 258

10.2.3 可行性準則 259

10.2.4 ε約束法 260

10.2.5 多目標優化法 260

10.2.6 雙種群存儲技術 261

10.3 約束單目標優化算法 261

10.3.1 基於隨機排序法的約束單目標優化算法 262

10.3.2 基於ε約束法的約束單目標優化算法 263

10.3.3 基於雙種群存儲技術的約束單目標優化算法 264

10.3.4 約束單目標優化測試函數 267

10.4 約束多目標優化算法 269

10.4.1 基於隨機排序法的約束多目標優化算法 269

10.4.2 基於雙種群存儲技術的約束多目標優化算法 270

10.4.3 基於ε約束法的約束多目標優化算法 273

10.4.4 約束多目標優化測試函數 277

10.5 約束優化算法的應用實例 279

10.6 本章小結 283

10.7 習題 283

 

參考文獻 285