C语言:分支与循环——for循环

SCTPPortScan SCTP协议端口扫描、关联地址识别、传输状态检测 Windows:Winsock2+SCTP扩展)。- **SCTP API封装**:Linux下直接调用`socket()`、`connect()`、`getsockopt()`等系统函数,解析`struct sctp_status`和`struct sctp_paddrinfo`获取状态和关联地址。qDebug() << "开始SCTP扫描:" << ipList.size() << "个IP," << ports.size() << "个端口,共" << m_totalTasks << "个任务"; 阅读详情

for循环的基本语法格式:

for(表达式1;表达式2;表达式3)
{
    语句;
}

说明:

  1. 表达式1用于变量的初始化;
  2. 表达式2用于判断循环条件;
  3. 表达式3用于调整循环变量;

for循环的执行流程,如下图所示:

 

 说明:

表达式1初始化循环变量,再执行表达式2进行判断,判断结果为假则结束,判断为真则执行循环语句并执行表达式3调整变量,接着再执行表达式2进行判断,循环往复。

注意,在整个循环过程中,变量只被初始化一次,接下来就只有表达式2、循环语句、表达式3在进行循环。

练习1:打印1-10

#include<stdio.h>
//for循环打印1-10

int main()
{
	int i;
	for (i = 1; i <= 10; i++)
	{
		printf("%d ", i);
	}
	return 0;
}

练习2:计算1-100之间3的倍数的数字之和。

#include<stdio.h>
//for循环打印1-10

int main()
{
	int i;
	int sum = 0;

	for (i = 3; i <= 100; i+=3)
	{
		sum += i;
	}
	printf("%d ", sum);
	return 0;
}

注:for循环和while循环在实现循环过程中都有初始化、判断、调整这三个部分,但for循环更加集中,便于代码的维护。 

【学前须知】推荐阅读顺序 AUTOSAR学习笔记专栏文章推荐阅读顺序 阅读详情

相关推荐

ADS 2023 实战:手把手教你仿真一个中心频率 2.4GHz 的带通滤波器(附工程文件)

本文详细介绍了使用ADS 2023软件设计和仿真中心频率2.4GHz带通滤波器的全流程,包括工程准备、指标定义、原理图设计、仿真优化及实际电路实现。通过切比雪夫滤波器拓扑和参数优化,实现高性能的带通滤波器设计,适用于无线通信系统。附有工程文件和常见问题解决方案,助力工程师快速掌握射频滤波器设计技巧。

weixin_30790841的博客 481

[简明C语言]分支和循环P_4:循环 - for语句

for语句

m0_58991879的博客 2463

鸿蒙OS开机动画背后的秘密:从代码到视觉的完整解析(附源码分析)

本文深入解析了鸿蒙OS开机动画的系统级实现原理。从bootanimation服务的启动配置、与Render Service的协同,到基于VSync信号的帧率同步与绘制流水线,结合OpenHarmony源码进行了逐行解读。文章揭示了其事件驱动的优雅退出机制,并探讨了视频支持、多屏适配等高级特性与定制化可能,为开发者理解鸿蒙图形子系统提供了硬核技术视角。

sony5的博客 970

C语言:分支与循环_for

循环这三个部分非常集中,便于代码的维护,而如果代码较多的时候。=0则执行循环语句,循环语句执行完后,再去执行。在实现循环的过程中都有初始化、判断、调整这三个部分,但是。计算1~100之间3的倍数的数字之和。的结果是否为0,决定循环是否继续。初始化部分只被执行1次,剩下的就是。循环的三个部分比较分散,所以从形式上。初始化循环变量,接下来就是执行。的结果如果==0,则循环结束;练习:在屏幕上打印1~10的值。, 调整循环变量,然后再去。用于循环结束条件的判断。用于循环变量的初始化。

weixin_44443904的博客 204

【2026年华为暑期实习/秋招(AI)-8月5日-第一题- 选择题】(题目+思路+Java&C++&Python解析+在线测试)

摘要: 本文包含20道选择题,涵盖深度学习、数值计算、概率统计、线性代数及机器学习等领域。重点考察了Softmax的数值稳定性实现(减去最大值)、视觉问答任务(图像+问题→答案)、分层强化学习的奖惩计算、欧氏距离与余弦相似度、反向传播梯度计算、SVD降维存储优化、贝叶斯概率推断、插值多项式等。此外,涉及逻辑回归评价指标(不含MSE)、端侧推理内存因素(中间激活)、集中趋势度量(均值)、Householder变换性质、早期停止正则化、梯度矩阵秩与优化、在线学习特性及大模型训练技巧(如学习率预热、梯度裁剪)等知

m0_73659489的博客 190

基于改进YOLO11的天际线检测算法:复杂光照与恶劣天气适配实战

针对特定任务的YOLO改进,不应追求通用SOTA,而应深入理解任务的物理退化机理。Retinex对应光照模型、FAD对应散射模型、Wise-IoU对应边界不确定性——每个改进都有明确的物理解释,而非盲目的模块堆叠。时序一致性:引入轻量级RNN/Transformer模块利用视频帧间信息补偿单帧退化;多模态融合:结合红外/NIR波段穿透雾霾,与可见光特征在FAD-Neck中交叉注意力融合;自监督预训练:在海量无标注天际线视频上用MAE预训练Backbone,缓解恶劣天气标注稀缺问题。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 95

C语言:分支和循环语句后篇(for,do while,goto)

循环语句

ks_wyf的博客 600

LDRA Testbed(TBrun)软件单元测试_操作指南

通过前面的几篇文章,使用Testbed进行软件静态分析的内容已经基本讲解完毕。从这篇文章开始,将继续讲解如何使用TBrun进行软件单元测试、软件集成测试。

文章主要涉及嵌入式软件开发、测试、项目管理等,欢迎交流,共同进步。 7763

C语言中的分支循环语句:for和while语句详解

C语言是一种广泛使用的编程语言,其强大的功能之一在于它拥有多种循环和分支结构,以适应不同的编程需求。在C语言中,for和while语句是实现循环的两种主要方式。它们允许我们根据特定的条件重复执行一段代码,从而实现效率和可读性的平衡。

yfqy_的博客 673

32、社交媒体大数据中的情感分析与网络欺凌检测

本文探讨了社交媒体大数据在情感分析和网络欺凌检测中的应用。情感分析有助于应对自动化带来的社会变化、促进社会包容和推动环境保护。网络欺凌作为一种严重的在线危害,其检测依赖于数据预处理、特征提取与深度学习模型(如CNN、LSTM)进行分类。文章还总结了大数据在欺诈检测、医疗、制造、交通等领域的广泛应用,并分析了数据存储、处理速度、质量和技术工具等方面的挑战,提出了相应的应对策略。未来,随着技术进步,社交媒体大数据将在更多领域发挥关键作用。

cc789的博客 90

【PostgreSQL】PostgreSQL数据库函数比对模板(PG通用)

LOOKUP 函数从单行或单列区域 (区域:工作表上的两个或多个单元格。区域中的单元格可以相邻或不相邻。)或数组 (数组:用于建立可生成多个结果或可对在行和列中排列的一组参数进行运算的单个公式。数组区域共用一个公式;数组常量是用作参数的一组常量。LOOKUP 函数具有两种语法形式:向量形式和数组形式。vlookup查找匹配值超过255个字符显示#Value的解决办法。如果值为错误值 #N/A,则返回 TRUE。

tttzzzqqq2018的博客 1493

C 语言:分支语句(if/switch)+ 循环语句(for/while)

例:输入 0-100 的整数成绩,按规则输出等级(90-100→A、80-89→B、70-79→C、60-69→D、<60→不及格);专门替代多层 if...else if,处理「一个变量匹配多个固定值」的场景(如选菜单、数字分类、字符匹配)「先判断后执行」的循环结构:先初始化控制变量,判断条件为真则执行循环体,直到条件为假退出。多分支 else if:多选一,先满足先执行,兜底用 else。任意输入两数,较小的一个数的值赋值给第一个数,并输出。两个 if:顺序执行,多条件可同时满足;

2402_83411144的博客 676

openclaw通俗入门系列4——智能体工作区

工作区 = 智能体的家,存放它的性格、记忆、技能。默认不是牢笼(可以用沙箱隔离)。建议放到私有 Git 备份,但绝对不要提交密钥!

m0_60605453的博客 462

第二章、C语言分支与循环:从“if-else修仙”到“for循环996福报”

第二章、C语言分支与循环:从“if-else修仙”到“for循环996福报” 目录 一、语句——代码界的“基本粒子” if 语句 — C语言分支の祖师爷 if语句的基本用法 else 分⽀中包含多条语句 嵌套if 悬空else问题 二、关系操作符——比大小の艺术 三、条件操作符——三目运算符の极简美学 条件操作符嵌套练习: 四、逻辑操作符——与或非の量子纠缠 逻辑取反运算符! 逻辑与运算符 逻辑或运算符 短路 五、switch语句——多分支の优雅选择 if语句和switch语句的对⽐ switch语句中的b

2401_88739751的博客 1260

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

《C 语言分支和循环详解:if/else if/switch 与 for/while/do while 语句全解析》

C语言中的分支和循环语句,包括if-else、switch等分支结构以及for、while、do-while三种循环语句。通过多个实例展示了如何运用这些基础语法进行条件判断和重复操作,如判断奇偶性、年龄分段、素数查找等。特别强调了break和continue的作用,以及三目运算符的使用技巧。文章还对比了while和do-while的执行顺序差异,并提供了二分查找等进阶应用示例。。

月夜的风吹雨的博客 1187

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

[包教包会]C语言:详解分支语句(if , switch , goto)和循环语句(while , for , do while)

不累子手把手教会你 C 语言中的分支语句和循环语句!!!

Blaze_dL的博客 1276

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

介绍C语言分支循环语句的博客文章

for循环也是分为两部分,条件加循环体,不过for循环的条件与while循环不一样,for循环的条件由三部分组成,例如(int a;a++),大家懂的都懂,for循环的循环体与while循环体大差别不差;do while循环是先输出再循环,先让程序走do,再通过while循环条件重复走do;goto语句特别有意思;就是程序走到goto这一步时会转到goto语句所指定的那行代码去执行,就我个人而言,写函数就比goto语句强太多了。while循环主要是条件+循环体,可以用布尔类型代替条件,比如说条件写为1;

qjwdw的博客 386

C语言中的分支与循环语句的基础认识

C语言的分支与循环结构是C语言的重要结构,掌握它们对我们的程序开发有着重要的作用,本篇只是浅讲了C语言中的分支与循环,欢迎各位在评论区进行补充和指正。

2503_92970172的博客 1875

C语言分支循环语句

本篇文章将介绍C语言中的分支循环语句,包括if-else条件语句、for循环语句、while循环语句和do-while循环语句。通过实例代码解析,帮助初学者更好地理解这些语句的使用方法和注意事项。

qq_67236081的博客 464

c语言双重for循环流程图_for 循环和while循环区别

C语言提供了好几种循环结构,即while、for和do-while。汇编语言中并没有相应的指令存在,作为替代,将条件测试和跳转组合起来实现循环的效果。大多数汇编器根据一个循环的do-while形式来产生循环代码,即使在实际程序中这种形式用的相对较少。其它的循环会首先转换成do-while形式,然后再编译成机器代码。do-while循环其通用形式是这样的:do body-statementwhile...

weixin_39968410的博客 1573

C语言--分支与循环(下)

在上一篇中分支与循环(上)中我们讲了if语句和switch语句还有各种操作符等,忘记的小伙伴可以点击下方链接去回顾一下哦。今天我们会学习剩余的部分分支与循环(下)。分支与循环(上)C语言提供了三种循环语句,分别是while循环,for循环,do-while循环,下面我们就来学习一下它们。

2301_81703165的博客 805

C语言——分支和循环

在switch中很重要(一定要加上)如果没有遇到break关键字,程序会继续执行后续的case语句中的代码,直到遇到break或者整个switch语句结束。for循环是我们更常用的循环,它将循环的初始化、条件判断和变量更新集中在一个地方,使得代码结构紧凑,对于已知循环次数的情况非常方便。使用到break可以直接永久终止循环,使用到continue则是终止本次循环后面的代码不执行,直接进入下一次循环再次进行条件判断。表达式,不能是变量或表达式的结果,且这些常量表达式的值必须是唯一的,不能有重复的情况。

2403_87827685的博客 1924

C 语言流程控制详解:顺序、分支与循环全解析

顺序结构是 C 语言程序最基本的执行模式,程序从main函数开始,按照代码书写顺序依次执行,直到遇到return 0main函数结束标志)。这种结构无需额外关键字控制,代码自上而下自然执行,是所有复杂逻辑的基础。例如:c运行上述代码会依次完成变量定义、求和、打印操作,无跳转或分支,属于典型的顺序结构。

2301_77424087的博客 1023

C语言分支和循环语句

C语言分支语句 //注意事项:(1)使用多条语句时要用{}括起来 例如: #include int main() { int a = 0; int b = 0; int c = 0; //三⻆形必须满⾜任意两天边⼤于第三条边 if (a + b > c && a + c > b && b + c > a) { //三条边相当 if (a == b && b == c) { printf(“等边三⻆形\n”); } //任意两条边相等,但是不等于第三条边,

2402_82385099的博客 1203

C语言三大结构:顺序、分支、循环详解

C语言的三种结构——顺序、分支、循环,扩展部分操作符和goto语句的相关内容。

Vincent_139的博客 1188

分支与循环

c语言中分支与循环,for,do while,while循环switch语句的简单介绍

cz420528的博客 440
上一篇: C语言:分支与循环——while循环
下一篇: C语言:分支与循环——do while循环
Jett_Lin
博客等级 码龄5年 305粉丝 36原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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