这几篇代码的每一句都是什么意思啊

Question

下面三张图里每一句代码的意思是什么呢 求指导🥺🙏用标准言语来形容

Answer 1

【相关推荐】

• 你可以看下这个问题的回答https://ask.csdn.net/questions/7647782
• 这篇博客也不错, 你可以看下使用向量点乘的方式计算两条直线夹角的代码案例（平面内，也可拓展至三维空间）
• 您还可以看一下 CSDN讲师老师的【在线峰会】物联网全栈开发之道视频教程课程中的 【第一场】现代物联网应用系统构架与技术栈小节, 巩固相关知识点
  
• 除此之外, 这篇博客: 求解驾驶时间和等待时间，复现【城市纯电动汽车快速充电设施的布局选址优化模型研究】论文中的排队模型中的 复现代码 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

  下面展示一些 内联代码片。

  
  import numpy as np
  
  def driving_time_one_moment(W_I,M_J,TRAVELTIME_IJ,Y_IJ):
      print(np.sum(np.dot(np.dot(W_I,Y_IJ),TRAVELTIME_IJ.T)))
      return np.sum(np.dot(np.dot(W_I,Y_IJ),TRAVELTIME_IJ.T))
  
  def waiting_time_one_moment(W_I,M_J,TRAVELTIME_IJ,Y_IJ):
      tc=8           # 服务时间，24小时提供服务；
      tf=2           #每辆车充电时长；
      # 第一步：计算用户达到率
      Tao_J=np.dot(W_I,Y_IJ/tc)
  
      # 第二步：单位时间内充电站平均服务能力
      U_J=M_J/tf
  
      # 第三步：充电站排队系统服务强度：，由于ROU_J会存在大于1的情况，从而会促使后面求解
      ROU_J=Tao_J/U_J
  
      # 第四步：充电站内充电桩全部空闲概率：
      P_J=np.full(shape=(1,M_J.shape[1]),fill_value=0.0)
      for j in range(M_J.shape[1]):
          temp = 0
          for k in range(M_J.shape[1]):
              temp+=(np.power(M_J[0,j]*ROU_J[0,j],k))/(np.math.factorial(k))
          p_j0=1/(temp+(np.power(M_J[0,j]*ROU_J[0,j],M_J[0,j]))/(np.math.factorial(M_J[0,j])*(1-ROU_J[0,j])))
          P_J[0,j]=p_j0
  
      # 第五步：计算排队等候时间期望
      W_Jq=np.full(shape=(1,M_J.shape[1]),fill_value=0.0)
      for j in range(M_J.shape[1]):
          w_jq=(np.power(M_J[0,j],M_J[0,j])*np.power(ROU_J[0,j],M_J[0,j]+1)*P_J[0,j])/(ROU_J[0,j]*np.math.factorial(M_J[0,j])*np.power(1-ROU_J[0,j],2))
          W_Jq[0,j]=w_jq
  
      # 第六步：所有用户的总的等待花费时间
      T2=0
      for j in range(M_J.shape[1]):
          T2+=W_Jq[0,j]*Tao_J[0,j]*tc
      print(T2)
  
  if __name__ == '__main__':
      # 需求量；
      W_I = np.array([[10, 20, 30, 50]])
      # 充电桩供给量；
      M_J = np.array([[5, 10, 15]])
      # 行是demand，列是provider
      TRAVELTIME_IJ = np.array([[1, 1.5, 2.5],
                                [1.5, 1, 2],
                                [1, 1.5, 1],
                                [2.5, 1.5, 1]])
      # 出行时间的阻尼函数，衰减函数
      F_DIJ = 1 / TRAVELTIME_IJ
      Sum_Dij_I = np.sum(F_DIJ, axis=1)
      # 计算选择权重
      Y_IJ = np.full(shape=(TRAVELTIME_IJ.shape), fill_value=0.0)
      for i in range(W_I.shape[1]):
          Y_IJ[i, :] = F_DIJ[i, :] / Sum_Dij_I[i]
  
      # 计算驾车时间
      driving_time_one_moment(W_I,M_J,TRAVELTIME_IJ,Y_IJ)
      # 计算等候时间
      waiting_time_one_moment(W_I,M_J,TRAVELTIME_IJ,Y_IJ)
  

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^