互联网时代的思维变革:人类与网络的共进演化

需积分: 14 3 下载量 141 浏览量 更新于2024-07-17 收藏 2.78MB PDF 举报
"《人类思维如何与互联网共同进化》由【美】约翰·布罗克曼著,付晓光译,探讨了互联网对人类思维模式的影响。本书集结了众多专家的观点,涵盖了互联网如何改变我们的思考方式、学习、交流、注意力、信息处理等多个方面。" 在当今数字化时代,互联网已经深入到人类生活的各个角落,对我们的思维方式产生了深远影响。本书通过对"互联网是否改变了你的思维方式"这一年度问题的探讨,揭示了互联网如何塑造我们的认知、记忆、创新和社交行为。 1. **无形学院**:互联网成为了无界限的学习平台,打破了传统的教育模式,使知识获取更加自由和广泛。 2. **无书的图书馆**:数字图书馆的兴起,使得书籍资源触手可及,但同时也引发了关于实体书价值的讨论。 3. **网络收益**:互联网提高了信息传播效率,促进了全球化的交流,但也带来了信息过载的问题。 4. **白日梦**:互联网可能减少了人们的深度思考时间,影响了创造性思维的发展。 5. **社会媒体的崛起**:社交媒体改变了人际交往,加深了连接,但也可能导致虚假信息的传播和注意力碎片化。 6. **知识的获取与判断**:互联网让我们能轻易找到信息,但判断信息的真实性成为新的挑战。 7. **注意力的分散**:互联网上的多任务处理可能削弱了人们的专注力。 8. **信息的新陈代谢**:互联网加速了信息的更新速度,要求人们更快地适应和处理新信息。 9. **思想的外包**:搜索引擎等工具使得我们越来越依赖外部资源进行思考。 10. **互联网与思维进化**:互联网可能推动了人类思维的进化,比如更倾向于即时思考,但同时也可能导致深度思考的缺失。 本书通过60多个独立篇章,汇集了科学家、哲学家、艺术家等不同领域专家的见解,全面探讨了互联网时代的思维变革。这些观点既包含对互联网积极作用的肯定,也指出其可能带来的负面影响,引发读者对自我思维习惯和互联网使用方式的反思。通过这些深入的讨论,我们可以更好地理解互联网如何塑造我们的思维,并在信息洪流中找到保持独立思考和智慧成长的道路。

import deap import random from deap import base, creator, tools, algorithms import numpy as np import pandas as pd # 参数 stations = 30 start_end_stations = [1, 2, 5, 8, 10, 14, 17, 18, 21, 22, 25, 26, 27, 30] min_interval = 108 min_stopping_time = 20 max_stopping_time = 120 passengers_per_train = 1860 min_small_loop_stations = 3 max_small_loop_stations = 24 average_boarding_time = 0.04 # 使用 ExcelFile ,通过将 xls 或者 xlsx 路径传入,生成一个实例 stations_kilo1 = pd.read_excel(r'D:\桌面\附件2:区间运行时间(1).xlsx', sheet_name="Sheet1") stations_kilo2 = pd.read_excel(r'D:\桌面\附件3:OD客流数据(1).xlsx', sheet_name="Sheet1") stations_kilo3 = pd.read_excel(r'D:\桌面\附件4:断面客流数据.xlsx', sheet_name="Sheet1") print(stations_kilo1) print(stations_kilo2) print(stations_kilo3) # 适应度函数 def fitness_function(individual): big_loop_trains, small_loop_trains, small_loop_start, small_loop_end = individual small_loop_length = small_loop_end - small_loop_start if small_loop_length < min_small_loop_stations or small_loop_length > max_small_loop_stations: return 1e9, cost = (big_loop_trains + small_loop_trains) * (stations - 1) * min_interval + average_boarding_time * passengers_per_train * (big_loop_trains + small_loop_trains) return cost, # 创建适应度和个体类 creator.create("FitnessMin", base.Fitness, weights=(-1.0,)) creator.create("Individual", list, fitness=creator.FitnessMin) # 注册初始化函数 toolbox = base.Toolbox() toolbox.register("big_loop_trains", random.randint, 1, 10) toolbox.register("small_loop_trains", random.randint, 1, 10) toolbox.register("small_loop_start", random.choice, start_end_stations) toolbox.register("small_loop_end", random.choice, start_end_stations) toolbox.register("individual", tools.initCycle, creator.Individual, (toolbox.big_loop_trains, toolbox.small_loop_trains, toolbox.small_loop_start, toolbox.small_loop_end), n=1) toolbox.register("population", tools.initRepeat, list, toolbox.individual) # 注册遗传算法操作 toolbox.register("mate", tools.cxTwoPoint) toolbox.register("mutate", tools.mutUniformInt, low=[1, 1, min(start_end_stations), min(start_end_stations)], up=[10, 10, max(start_end_stations), max(start_end_stations)], indpb=0.5) toolbox.register("select", tools.selBest) toolbox.register("evaluate", fitness_function) # 设置遗传算法参数 population_size = 100 crossover_probability = 0.8 mutation_probability = 0.2 num_generations = 100 # 初始化种群 population = toolbox.population(n=population_size) # 进化 for gen in range(num_generations): offspring = algorithms.varAnd(population, toolbox, cxpb=crossover_probability, mutpb=mutation_probability) fits = toolbox.map(toolbox.evaluate, offspring) for fit, ind in zip(fits, offspring): ind.fitness.values = fit population = toolbox.select(offspring, k=len(population)) # 找到最佳个体 best_individual = tools.selBest(population, k=1)[0] # 解码最佳个体 big_loop_trains, small_loop_trains, small_loop_start, small_loop_end = best_individual # 输出结果 print("Big Loop Trains:", big_loop_trains) print("Small Loop Trains:", small_loop_trains) print("Small Loop Start Station:", small_loop_start) print("Small Loop End Station:", small_loop_end)分析代码

2023-04-22 上传