那两个空矩阵和后面两行关于这个矩阵的代码是啥意思

那两个空矩阵和后面两行关于这个矩阵的代码是啥意思。这是计算圆周率和计算次数的关系的问题

【相关推荐】

• 帮你找了个相似的问题, 你可以看下: https://ask.csdn.net/questions/7739497
• 这篇博客也不错, 你可以看下利于深度学习实现淘宝买家评论的情感分析与分类并结合远程监督的思想进行整合数据（代码实现与讲解）
• 您还可以看一下 刘建萍老师的人工智能系列课程零基础讲解知识点和实例应用线性回归梯度下降逻辑回归课程中的 讲解机器学中会涉及到的有关数学方面的知识储备有哪些小节, 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 ^-^