LaTex: 进阶技巧实现图片灵活布局

1. 从“排排坐”到“搭积木”:为什么你需要图片布局进阶技巧?

写论文、做技术报告,最头疼的环节之一可能就是插图排版了。你肯定遇到过这种情况:辛辛苦苦画好了五张精美的图表,想在一页里优雅地展示出来,结果一放进 LaTex,要么是五张图从上到下排成一列,长得像“贪吃蛇”,占掉大半页;要么就是横着挤成一排,小得根本看不清。你心里想要的,可能是左边放一张大图,右边上下叠放三张小图,最下面再来个长条形的对比图……这种不规则的、灵活的布局,用最基本的 figure 环境加 \includegraphics,简直就像用螺丝刀去拧螺母——不是不行,但特别费劲,而且效果往往不尽人意。

这就是 LaTex 图片布局进阶技巧的用武之地。它解决的,就是把你的图片从“被动排列”变成“主动布局”。想象一下,基本的插入图片就像把照片一张张贴在墙上,位置固定,很难调整相互关系。而进阶技巧,则是给了你一个灵活的“相框组合系统”,你可以随意划定区域(minipage),在区域内自由组合子图(subfloat, subfigure),甚至用表格的思维来搭建图片的“骨架”(tabular)。掌握了这些,你就不再是 LaTex 的“乘客”,而是成了“驾驶员”,可以精准控制每一张图片的位置、大小、对齐方式和标题标注。

这些技巧尤其适合学术论文、技术文档、实验报告等需要严谨排版且图表复杂的场景。期刊编辑和审稿人第一眼看到的除了摘要,就是你的图表。清晰、专业、不浪费空间的图表布局,能极大提升文档的可读性和专业性,默默地为你的工作加分。接下来,我就把自己在写论文和报告时,最常用、也最实用的几个“搭积木”方法,掰开揉碎了讲给你听,保证你看完就能上手。

2. 你的万能工具箱:minipage 划定“自留地”

minipage 是我个人最偏爱,也认为是最基础、最强大的布局工具。你可以把它理解成 LaTex 文档里的一个“迷你页面”或者“容器盒子”。在这个盒子内部,你可以放入任何东西:文字、图片、表格,甚至另一个 minipage。最关键的是,你可以精确控制这个盒子的宽度和垂直对齐方式,并且多个 minipage 并排放在一起时,只要中间不空行,它们就会在同一行内从左到右排列。

这有什么用呢?这就相当于你在稿纸上,先用铅笔划出了几个并排的方框,然后告诉 LaTex:“第一张图放第一个框,第二、三、四张图竖着放进第二个框,第五张图放第三个框”。布局思路瞬间从“码放”变成了“规划”。

来看一个我实际用过的例子,比如我要展示一个算法的三个不同模块的效果对比:

\documentclass{article}
\usepackage{graphicx}
\usepackage{subfig} % 用于子图标题 \subfloat
\begin{document}

\begin{figure}[htbp]
\centering
% 第一个minipage,宽度占整行的45%,底部对齐
\begin{minipage}[b]{0.45\textwidth}
    \centering
    \subfloat[原始输入图像]{\label{fig:input}
        \includegraphics[width=\linewidth]{input.png}}
    \caption*{(a) 这是我们的原始数据。}
\end{minipage}
% 注意:这里没有空行!所以下一个minipage会紧挨着它右边出现
\begin{minipage}[b]{0.5\textwidth}
    \centering
    \subfloat[模块A处理结果]{\label{fig:proc_a}
        \includegraphics[width=0.48\linewidth]{proc_a.png}}
    \hfill % 一个弹性填充的空格,用于撑开两个并排的图
    \subfloat[模块B处理结果]{\label{fig:proc_b}
        \includegraphics[width=0.48\linewidth]{proc_b.png}}

    \vspace{5mm} % 稍微加一点垂直间距

    \subfloat[最终融合结果]{\label{fig:final}
        \includegraphics[width=\linewidth]{final.png}}
    \caption*{(b) 上方是中间过程,下方是最终输出。}
\end{minipage}
\caption{我们的算法处理流程与结果示例。}
\label{fig:my_awesome_figure}
\end{figure}

\end{document}

我来拆解一下这个例子里的几个关键点:

  1. 宽度参数 {0.45\textwidth}:这里我用了 \textwidth 而不是 \linewidth,它们在这个上下文中通常等价,都指当前文本行的宽度。设置成 0.45 和 0.5,给两个盒子之间留出了一点缝隙,看起来更舒服。比例加起来小于1,就能并排。
  2. 对齐参数 [b]:这是 minipage 的垂直对齐选项。[b] 表示底部对齐,[t] 表示顶部对齐,[c](默认)表示居中对齐。当你并排放置高度不同的 minipage 时,这个参数至关重要,它能确保内容以你期望的基准线对齐。
  3. “不空行”的魔法:在 LaTeX 中,换行符(空行)意味着“开启一个新段落”。在两个 \begin{minipage}...\end{minipage} 之间如果加了空行,它们就会变成上下堆叠。想要并排,就必须让它们紧密相连,中间只用注释 % 或空格隔开。
  4. \hfill 的妙用:在第二个 minipage
内容概要:本文围绕基于风光储能和需求响应的微电网日前经济调度问题展开研究,提出了一种综合考虑风能与光伏发电不确定性、储能系统充放电特性及需求响应机制的优化调度模型,并提供了完整的Python代码实现。该模型旨在通过优化算法实现微电网系统运行成本最小化与能源利用效率最大化的双重目标,涵盖从数据预处理、约束条件建模到目标函数构建与求解的全过程,体现了电力系统智能管理中对可再生能源高效集成与灵活调控的核心需求。研究属于现代智能电网与综合能源系统优化领域的关键应用之一,强调了数据驱动与优化算法在提升系统经济性与可靠性方面的重要作用。; 适合人群:具备一定Python编程基础和电力系统基础知识,从事新能源、微电网调度、能源优化及相关领域的科研人员、研究生及工程技术人员。; 使用场景及目标:①学习微电网日前经济调度问题的建模方法与关键技术环节;②掌握如何将风光出力预测、储能动态行为与需求侧响应策略有机整合进统一的优化框架中;③通过提供的Python代码进行仿真复现实验,完成调度结果分析与算法性能评估,为进一步开展多目标优化、鲁棒调度或实时调度研究奠定基础。; 阅读建议:此资源以理论建模与代码实现相结合为核心,建议读者在理解调度模型数学原理的基础上,深入阅读并调试配套Python代码,关注变量定义、约束表达与求解器调用等关键实现细节,从而实现从理论认知到实践应用的有效转化。
内容概要:本文围绕“基于超局部模型与自抗扰ESO观测器的无模型预测电流控制改进策略”展开研究,提出一种结合超局部模型(ULM)与扩张状态观测器(ESO)的无模型预测电流控制(MFPCC)改进方法,旨在提升永磁同步电机(PMSM)电流环的动态响应性能与抗干扰能力。该策略利用超局部模型对系统行为进行局部逼近,避免依赖精确数学模型,同时引入自抗扰控制中的ESO实时观测并补偿系统内外部扰动,有效抑制参数摄动、负载变化及模型不确定性带来的影响。研究通过Simulink搭建完整的控制系统仿真模型,对传统MFPCC与所提改进策略进行对比分析,验证了新方法在电流跟踪精度、响应速度和鲁棒性方面的优越性。; 适合人群:具备电机控制、现代控制理论及Simulink仿真基础的电气工程、自动化及相关专业的研究生、科研人员及工程技术人员。; 使用场景及目标:①用于高性能电机驱动系统中电流环控制器的设计与优化;②为无模型控制与自抗扰控制的融合应用提供技术参考;③支撑相关课题的仿真验证、论文复现与创新方法研究。; 阅读建议:建议读者结合Simulink仿真模型深入理解控制结构与参数整定过程,重点关注ESO的观测性能与扰动补偿机制,并可通过改变负载条件、参数偏差等工况进行鲁棒性测试,进一步掌握该改进策略的核心优势与适用边界。
内容概要:本文提出了一种基于神经网络的数据驱动迭代学习控制(ILC)算法,专门用于解决具有未知动态模型和重复任务特征的非线性单输入单输出(SISO)离散时间系统在无人车路径跟踪中的应用问题,并通过Matlab代码实现了算法的仿真验证。该方法充分利用神经网络强大的非线性逼近能力和自适应学习特性,结合迭代学习控制在周期性任务中逐步优化控制输入的优势,即使在缺乏精确系统数学模型的前提下,也能有效提升无人车在复杂环境下的路径跟踪精度与系统稳定性。算法的核心在于通过多次运行过程中不断修正控制律,实现对期望轨迹的渐近跟踪。; 适合人群:具备一定现代控制理论基础知识、熟悉迭代学习控制基本概念,并拥有Matlab编程与仿真实践经验的研究生、科研人员及自动化、机器人领域的相关工程师。; 使用场景及目标:① 解决无人车在模型未知或难以精确建模的复杂动态环境中的高精度路径跟踪控制问题;② 为一类具有重复运行特性的非线性系统提供一种不依赖精确模型的先进控制策略;③ 推动数据驱动与人工智能方法在自动化控制领域的工程应用与学术研究发展。; 阅读建议:读者应重点理解神经网络在控制律中的设计与集成方式、迭代学习机制的具体实现流程,以及两者融合的创新点。务必结合所提供的Matlab代码进行详细的阅读、调试与仿真分析,通过改变参数和工况来观察控制效果,以深化对算法内在机理和性能特点的掌握。
内容概要:本文提出了一种基于VMD-CNN-LSTM的风电功率预测模型,旨在提升高比例可再生能源背景下风电功率预测的准确性与稳定性。该模型首先采用变分模态分解(VMD)对原始非平稳风电功率序列进行自适应分解,生成若干具有较好平稳性的子序列,以有效降低数据复杂性和噪声干扰;随后,利用卷积神经网络(CNN)从各子序列中提取局部时空特征,充分挖掘输入变量间的空间相关性;最后,将提取后的特征输入长短期记忆网络(LSTM),通过其强大的序列建模能力捕捉时间维度上的长期依赖关系,实现对未来风电功率的单步精确预测。该方法融合了信号分解、深度学习与多变量输入优势,显著提高了预测精度。; 适合人群:具备一定机器学习与深度学习理论基础,从事新能源发电预测、电力系统调度、时间序列分析等相关领域研究的科研人员及工程技术人员;熟悉MATLAB编程环境,希望复现或改进先进混合预测模型的研究者。; 使用场景及目标:①应用于实际风电场的短期功率预测,为电网调度、电力市场交易与能源管理提供可靠数据支撑;②作为学术研究参考,探索VMD与深度学习架构融合在非平稳时间序列预测中的有效性;③通过引入风速、温度、湿度等多变量输入,增强模型对复杂气象因素的响应能力,满足现代智能电网对精细化预测的需求。; 阅读建议:建议读者结合所提供的MATLAB代码进行实践操作,重点关注VMD参数选择、CNN特征提取结构设计及LSTM时序建模过程;可在不同地区、不同季节的风电数据上开展模型迁移与超参数调优实验,以检验其泛化性能;同时鼓励在此基础上引入注意力机制(Attention)、优化算法(如PSO、WOA)进行参数寻优,或与其他分解技术(如EEMD、ICEEMDAN)对比分析,进一步提升模型预测精度与鲁棒性。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值