如何在Word文件中加上浮水印？

一、製作專屬的浮水印圖片首先，打開小畫家軟體，或使用你慣用的繪圖軟體，繪製一個專屬的識別圖案或印章。二、將浮水印圖片嵌入到Word文件背景中第1步 浮水印圖案畫好之後，回到Word文件，依序按下〔檢視〕→【頁首/頁尾】。第2步 進入頁首編輯狀態後，依序按下〔插入〕→【圖片】→【從檔案】，準備將剛剛畫好的浮水印圖片插入到Word文件的頁首位置。第3步 插入圖片後，我們必須調整一下圖片的位置，在圖片上按一下滑鼠右鍵，再點選【設定圖片格式】。第4步 出現「設定圖片格式」對話盒後，切換到〔配置〕功能頁面，先點選〔文字在前〕，然後再按一下〔進階〕按鈕。第5步 接著請依序調整水平與垂直位置中的「對齊方式」，將水平與垂直分別設定為【置中對齊】與【置中】，設定完後，再按下〔確定〕。第6步 調整完圖片的對齊位置後，回到Word文件編輯視窗，此時按一下〔頁首及頁尾〕工具列中的〔關閉〕按鈕，完成頁首及頁尾的底圖設定工作。[gads]第7步 如圖，剛剛的圖片已經被我們設定成word文件的浮水印囉，這樣的動作只要設定一次，其他頁面不用另外再調整，整分文件的每一頁都會自動套用相同浮水印。當你你改好文件內容並設定好浮水印後，如果不希望其他人再亂改內容，可以依照「如何將WORD文件鎖起來，只能看不能修改？」這篇的方法，將Word文件給鎖起來！

副档名为「.iso」的档案一般称为「光碟映像档」，当我们透过某些软体将整张装光碟打包、复制下来之后，便会以「.iso」档的格式（或其他专属格式）储存在电脑硬碟中。当我们将光碟打包成一个ISO光碟映像档之后，如果你要把光碟里面的资料拿给其他人的话，就可以直接透过网路直接传送给对方，不必一定要请邮差寄送。 把光碟制作成ISO档除了方便传送与保存之外，如果哪天你只需要用到光碟中的某几个档案，可以不用整张光碟片都烧录出来，直接使用支援ISO格式的WinRAR等解压缩软体，一样可以把个别的档案单独解压缩出来，方便我们取用。 当我们如果从网路上下载了ISO光碟映像档之后，该怎样把他「还原」成一般CD或DVD光碟呢？以下以比较常见的Nero烧录软体来示范，一般购买光碟机时应该都会附一套Nero烧录软体，这软体不只可以烧录资料、音乐，还可以直接把ISO映像档烧录成CD或DVD唷。 烧录方法： 第1步 如果你已经安装好Nero烧录软体了，请依序按下〔开始〕&rarr【所有程式】&rarr【Nero 7】&rarr【资料】，开启「Nero Express」软体。资料夹名称可能会因为版本不同而不太一样，请稍微找一下，找到「Nero Express」再给他按下去就是了。 第2步 开启「Nero Express」视窗之后，先按一下左边的〔映像档、专案、备份〕按钮，接着在右边视窗中按一下〔光碟映像档或专案〕，准备烧录光碟映像档。 第3步 接着请选取你要烧录的ISO光碟映像档，选择好之后再按一下〔开启旧档〕按钮。 Nero软体可支援的其他格式：ISO、NRG、CUE、IMG&hellip等 第4步 如果你的电脑有安装2台以上的烧录机的话，可以在上面的「目前烧录器」中选择你要执行烧录任务的机器，「光碟片种类」选单中也可选择目前使用中的空白光碟片类型，请依照你所购买的空白光碟片类型选择正确的类型。选好之后，请按一下〔烧录〕按钮，开始烧录光碟。 第5步 如果你想选择烧录速度或其他选项的话，可以按一下左侧的「►」开启功能表，然后再从下拉选单中点选。设定好之后，一样按下右下角的〔烧录〕按钮即可开始烧录。 [gads] 第6步 如图，请静待一段时间，等烧录进度到达100％之后，即可完成烧录工作。

参考: 重灌狂人

ISO: An ISO image is an archive file (also known as a disc image) of an optical disc in a format defined by the International Organization for Standardization (ISO). 即是 CD/DVD 所有的档案 ->转成 一个档案

而这个档案也可以转回到 CD/DVD 去. <GTMain>

最近研究了一下遗传算法，因为要用遗传算法来求解多元非线性模型。还好用遗传算法的工具

箱予以实现了，期间也遇到了许多问题。借此与大家分享一下。

首先，我们要熟悉遗传算法的基本原理与运算流程。

基本原理：遗传算法是一种典型的启发式算法，属于非数值算法范畴。它是模拟达尔文的自然

选择学说和自然界的生物进化过程的一种计算模型。它是采用简单的编码技术来表示各种复杂

的结构，并通过对一组编码表示进行简单的遗传 *** 作和优胜劣汰的自然选择来指导学习和确定

搜索的方向。遗传算法的 *** 作对象是一群二进制串（称为染色体、个体），即种群，每一个染

色体都对应问题的一个解。从初始种群出发，采用基于适应度函数的选择策略在当前种群中选

择个体，使用杂交和变异来产生下一代种群。如此模仿生命的进化进行不断演化，直到满足期

望的终止条件。

运算流程：

Step 1：对遗传算法的运行参数进行赋值。参数包括种群规模、变量个数、交叉概率、变异概

率以及遗传运算的终止进化代数。

Step 2：建立区域描述器。根据轨道交通与常规公交运营协调模型的求解变量的约束条件，设

置变量的取值范围。

Step 3：在Step 2的变量取值范围内，随机产生初始群体，代入适应度函数计算其适应度值。

Step 4：执行比例选择算子进行选择 *** 作。

Step 5：按交叉概率对交叉算子执行交叉 *** 作。

Step 6：按变异概率执行离散变异 *** 作。

Step 7：计算Step 6得到局部最优解中每个个体的适应值，并执行最优个体保存策略。

Step 8：判断是否满足遗传运算的终止进化代数，不满足则返回Step 4，满足则输出运算结果

。

其次，运用遗传算法工具箱。

运用基于Matlab的遗传算法工具箱非常方便，遗传算法工具箱里包括了我们需要的各种函数库

。目前，基于Matlab的遗传算法工具箱也很多，比较流行的有英国设菲尔德大学开发的遗传算

法工具箱GATBX、GAOT以及Math Works公司推出的GADS。实际上，GADS就是大家所看到的

Matlab中自带的工具箱。我在网上看到有问为什么遗传算法函数不能调用的问题，其实，主要

就是因为用的工具箱不同。因为，有些人用的是GATBX带有的函数，但MATLAB自带的遗传算法

工具箱是GADS，GADS当然没有GATBX里的函数，因此运行程序时会报错，当你用MATLAB来编写

遗传算法代码时，要根据你所安装的工具箱来编写代码。

以GATBX为例，运用GATBX时，要将GATBX解压到Matlab下的toolbox文件夹里，同时，set path

将GATBX文件夹加入到路径当中。

最后，编写Matlab运行遗传算法的代码。

这块内容主要包括两方面工作：1、将模型用程序写出来（.M文件），即目标函数，若目标函

数非负，即可直接将目标函数作为适应度函数。2、设置遗传算法的运行参数。包括：种群规

模、变量个数、区域描述器、交叉概率、变异概率以及遗传运算的终止进化代数等等。

为方便大家理解，以下为例：

求解模型：TC=x1+2*x2+3*x3+4*x4，-1<=x<=0

根据上面的求解模型，可以写出模型的.M文件如下，即适应度函数

function TC=TotalCost(x)

TC=0

for i=1:4

TC=TC+i*x(i)

end

然后，可以利用遗传算法工具箱来写出遗传算法运行的主要程序，如下：

%定义遗传算法参数

NIND=20 %个体数目

MAXGEN=200 %最大遗传代数

NVAR=4 %变量维数

PRECI=20 %变量的二进制位数

GGAP=0.9 %代沟

trace=zeros(MAXGEN,2)%算法性能跟踪

%建立区域描述器

FieldD=[rep(PRECI,[1,NVAR])rep([-10],[1,NVAR])rep([1011],[1,NVAR])]

Chrom=crtbp(NIND,NVAR*PRECI) %创建初始种群

gen=0 %代计数器

ObjV=TotalCost(bs2rv(Chrom,FieldD)) %计算初始种群个体的目

标函数值

while gen<MAXGEN,

FitnV=ranking(ObjV)%分配适应度值

SelCh=select('sus',Chrom,FitnV,GGAP) %选择

SelCh=recombin('xovsp',SelCh,0.7) %重组

SelCh=mut(SelCh,0.07) %变异

ObjVSel=TotalCost(bs2rv(SelCh,FieldD)) %计算子代目标函数值

[Chrom ObjV]=reins(Chrom,SelCh,1,1,ObjV,ObjVSel) %重插入

gen=gen+1

%输出最优解及其对应的10个变量的十进制值

[Y,I]=min(ObjVSel)

Y,X=bs2rv(Chrom(I,:),FieldD)

trace(gen,1)=min(ObjV)

trace(gen,2)=sum(ObjV)/length(ObjV)

end

plot(trace(:,1))hold on

plot(trace(:,2),'-.')grid

legend('种群均值的变换','最优解的变化')

显然，根据模型的特征，最优解应该是-10，自变量分别取-1，-1，-1，-1。大家可以安装

GATBX，在Matlab中建立目标函数的.M文件以及遗传算法主程序的文件来进行试验。

希望以上内容对学习和运用遗传算法的同仁有所帮助，因为本人也是初学，因此有不详之处请

见谅。

////////////////////////////////////////////////////

matlab遗传算法工具箱函数及实例讲解（转引）

gaotv5

核心函数：

(1)function [pop]=initializega(num,bounds,eevalFN,eevalOps,options)--初始种群的生

成函数

【输出参数】

pop--生成的初始种群

【输入参数】

num--种群中的个体数目

bounds--代表变量的上下界的矩阵

eevalFN--适应度函数

eevalOps--传递给适应度函数的参数

options--选择编码形式(浮点编码或是二进制编码)[precision F_or_B],如

precision--变量进行二进制编码时指定的精度

F_or_B--为1时选择浮点编码，否则为二进制编码,由precision指定精度)

(2)function [x,endPop,bPop,traceInfo] = ga(bounds,evalFN,evalOps,startPop,opts,...

termFN,termOps,selectFN,selectOps,xOverFNs,xOverOps,mutFNs,mutOps)--遗传

算法函数

【输出参数】

x--求得的最优解

endPop--最终得到的种群

bPop--最优种群的一个搜索轨迹

【输入参数】

bounds--代表变量上下界的矩阵

evalFN--适应度函数

evalOps--传递给适应度函数的参数

startPop-初始种群

opts[epsilon prob_ops display]--opts(1:2)等同于initializega的options参数，第三

个参数控制是否输出，一般为0。如[1e-6 1 0]

termFN--终止函数的名称,如['maxGenTerm']

termOps--传递个终止函数的参数,如[100]

selectFN--选择函数的名称,如['normGeomSelect']

selectOps--传递个选择函数的参数,如[0.08]

xOverFNs--交叉函数名称表，以空格分开，如['arithXover heuristicXover

simpleXover']

xOverOps--传递给交叉函数的参数表，如[2 02 32 0]

mutFNs--变异函数表，如['boundaryMutation multiNonUnifMutation nonUnifMutation

unifMutation']

mutOps--传递给交叉函数的参数表,如[4 0 06 100 34 100 34 0 0]

注意】matlab工具箱函数必须放在工作目录下

【问题】求f(x)=x+10*sin(5x)+7*cos(4x)的最大值，其中0<=x<=9

【分析】选择二进制编码，种群中的个体数目为10，二进制编码长度为20，交叉概率为0.95,

变异概率为0.08

【程序清单】

%编写目标函数

function[sol,eval]=fitness(sol,options)

x=sol(1)

eval=x+10*sin(5*x)+7*cos(4*x)

%把上述函数存储为fitness.m文件并放在工作目录下

initPop=initializega(10,[0 9],'fitness')%生成初始种群，大小为10

[x endPop,bPop,trace]=ga([0 9],'fitness',[],initPop,[1e-6 1

1],'maxGenTerm',25,'normGeomSelect',...

[0.08],['arithXover'],[2],'nonUnifMutation',[2 25 3]) %25次遗传迭代

运算借过为：x =

7.8562 24.8553(当x为7.8562时，f（x）取最大值24.8553)

注：遗传算法一般用来取得近似最优解，而不是最优解。

遗传算法实例2

【问题】在－5<=Xi<=5,i=1,2区间内，求解

f(x1,x2)=-20*exp(-0.2*sqrt(0.5*(x1.^2+x2.^2)))-exp(0.5*(cos(2*pi*x1)+cos

(2*pi*x2)))+22.71282的最小值。

【分析】种群大小10，最大代数1000，变异率0.1,交叉率0.3

【程序清单】

％源函数的matlab代码

function [eval]=f(sol)

numv=size(sol,2)

x=sol(1:numv)

eval=-20*exp(-0.2*sqrt(sum(x.^2)/numv)))-exp(sum(cos(2*pi*x))/numv)

+22.71282

%适应度函数的matlab代码

function [sol,eval]=fitness(sol,options)

numv=size(sol,2)-1

x=sol(1:numv)

eval=f(x)

eval=-eval

%遗传算法的matlab代码

bounds=ones(2,1)*[-5 5]

[p,endPop,bestSols,trace]=ga(bounds,'fitness')

注：前两个文件存储为m文件并放在工作目录下，运行结果为

p =

0.0000 -0.0000 0.0055

大家可以直接绘出f(x)的图形来大概看看f（x）的最值是多少，也可是使用优化函数来验证。

matlab命令行执行命令：

fplot('x+10*sin(5*x)+7*cos(4*x)',[0,9])

evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结

束函数时传递个maxGenTerm的参数，即遗传代数。xoverops是传递给交叉函数的参数。mutops

是传递给变异函数的参数。

---