C++静态成员变量

本文详细解释了C++静态成员变量的作用、定义方式及使用场景,通过实例展示了如何在类中定义并调用静态成员变量,强调了其在数据共享与隐藏性上的优势。同时提供了代码示例帮助理解。

                        今天我们来讨论一下C++静态成员变量,有时候,我们经常使用C++静态成员变量,但是有很多程序员会发问,我们为什么要使用静态成员变量呢?最根本的原因是我们要实现数据共享,从而节省内存,但是为了解决数据共享,我们可以设全局变量,但是全局变量有很多局限性,并且设定全局变量也是一种非常不好的编程习惯,因此我们设定了静态成员变量后,从而可以达到数据共享,并能达到数据的隐藏性。因此,有时候,设定静态成员变量是个非常不错的选择。下面我们就来讲解一下如何定义静态成员变量。

在我们所写的类里面如果我们要定义一个静态成员变量,语法是这样子的: static const int GoodGrade = 85;首先要以关键字static开头,声明这个数据变量是静态的成员变量,在上述例子中我用了一个const关键字,这个因编程序的需要而定,如果不想修改这个成员变量,我们就要用const关键字开头。模式就应该是这样的 static 数据类型 静态变量名称 = 赋予的值。

但是特别要注意的是,就是静态成员变量是属于整个类的,并不是属于某个对象。下面用程序说明一下如何使用,比如我是一位老师,学生的期末成绩出来了,我需要统计一下,有多少个人可以得A,我把得A的标准定为85. 这个85就相当于一个静态成员变量。


上图中是我的.h文件,设定了一个门限值为85.

这是我的实现文件.cpp文件。

在Test文件中,我用到了这个门限值。


从程序中可见,我任何一个对象都可以调用设定的这个静态成员变量。

根据上文,我想大家对如何使用静态成员变量有了个大致的了解,如果自己尝试一下的话,就会更加明白的。

晚安,祝大家好梦!

MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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