从 v1.8 开始，资源使用情况的监控可以通过 Metrics API的形式获取，具体的组件为Metrics Server，用来替换之前的heapster，heapster从1.11开始逐渐被废弃。
Metrics-Server是集群核心监控数据的聚合器，从 Kubernetes1.8 开始，它作为一个Deployment对象默认部署在由kube-up.sh脚本创建的集群中，如果是其他部署方式需要单独安装，或者咨询对应的云厂商。
一、Metrics API
2025年07月24日
从 v1.8 开始，资源使用情况的监控可以通过 Metrics API的形式获取，具体的组件为Metrics Server，用来替换之前的heapster，heapster从1.11开始逐渐被废弃。
Metrics-Server是集群核心监控数据的聚合器，从 Kubernetes1.8 开始，它作为一个Deployment对象默认部署在由kube-up.sh脚本创建的集群中，如果是其他部署方式需要单独安装，或者咨询对应的云厂商。
一、Metrics API
2025年07月24日
2025年07月24日
广谱抗生素是常见的消炎药，如阿奇霉素、头孢等。当感染是由多种细菌引起的，或者不清楚是哪种细菌引起的时候，就会考虑尽量用广谱的抗生素，因为能够覆盖更多可能的病原。
与之对应的就是“窄谱抗生素”，它是专门杀灭某一种或一类细菌的药物；当然，此类药物的应用场景就比较小了，我们通常需要对感染部位进行一系列的细菌培养，才能确定细菌的种类，再对症下药。
2025年07月24日
Photoshop快捷键(包括：6.0/7.0/8.1CS)
工具箱(多种工具共用一个快捷键的可同时按【Shift】加此快捷键选取)
矩形、椭圆选框工具 【M】
裁剪工具 【C】
移动工具 【V】
套索、多边形套索、磁性套索 【L】
2025年07月24日
注塑模流分析，就是利用现在的moldflow软件，对塑料件的注塑、保压、冷却以及翘曲等工艺过程进行有限元模拟。作为10多年的模流分析从业者，这份资料给我曾经带来很大帮助，如果想全面了解moldflow模流分析的朋友，可以私信我“模流分析”，分享专业资料给您，或者关注微信公众号“模设模流之家”可以联系我
2025年07月24日
The purpose of this tutorial is to provide guidelines and recommendations for setting up and solving a dynamic overset mesh case. Overset mesh allows you to build up your case using multiple overlapping meshes that automatically get connected by interpolating cell data in the overlapping regions. The overset meshing technique is used in conjunction with the Six Degree of Freedom (6DOF) solver, allowing bodies to move as a result of fluid and/or external forces.
2025年07月24日
遗传算法是由美国密歇根大学的 Holland教授创立于20世纪六七十年代，受达尔文“进化论”思想的启发而设计实现。遗传算法不是通过暴力搜索解的方法，而是通过模拟种群的基因交叉和突变，经过种群一代一代的适者生存的方式寻找问题优解的方法，这在解决组合优化时解空间组合爆炸中应用广泛。
我们可以这样形象地理解遗传算法，假设我们现在需要找到一个最能抵抗寒冷的人类，那么遗传算法是这样设计的：首次创造一个较寒冷生活环境(问题的限制条件)，在这个环境中投入一批各种各样的人类(初始种群)，让人类在这种寒冷的环境中生存。人类一代一代的生活，周围环境也设置得越来越寒冷，同时人类在产生下一代的时候也伴随着基因的交叉和变异(遗传算法的迭代过程)。正是随着基因交叉和突变，慢慢的产生了极少数可以抵抗寒冷的基因，慢慢的拥有可以抵抗寒冷基因的人更加适应环境而得以发展，慢慢的能够适应寒冷的人类生存了下来，其它不适应环境的被淘汰了，这个过程就是解空间的慢慢趋于优的过程，遗传算法就是模拟这一过程 。
2025年07月24日
摘 要： 针对常规二维最佳熵法计算复杂，运行时间长，收敛性差等不足，提出基于改进遗传算法的二维最佳熵阈值分割方法。通过对选择、交叉、变异等因子的优化设计，使阈值搜索的鲁棒性与收敛性有了很大改善，并对图像的分割效果进行评价。分析与仿真结果表明，改进算法在大大减少阈值搜索时间的同时，保持了良好的分割性能。
0 引言
自20世纪50年代以来，对图像分割方法的研究不断深入与发展，涌现出了许多新理论、新方法。但到目前为止，尚不存在一种通用的图像分割方法。同时缺乏一种评价各种算法性能优劣的判断标准。在众多图像分割方法中，阈值法以其实现简单、计算量小、性能稳定成为图像分割中最基本、应用最广泛的分割技术。但是，如何选取合适阈值以获得理想的分割效果成为阈值分割的一大难点[1]。随着智能算法的不断发展，将智能方法用于阈值的优化成为图像分割研究的热点[2-4]。在繁多的算法中往往存在着诸如算法的抗噪性能、运算时间、全局优化性等方面的不足。此外，各种算法的评价也缺乏完善、客观的标准，如何评判图像分割算法的性能成为图像分割研究的又一大难题。