C++学习杂记190401

本文探讨了在C++与Python中遍历并修改字符串或列表时的行为差异,特别是在使用for循环时字符串长度变化的影响。通过具体示例说明了两种语言中迭代器的工作原理,并提供了一个UVa489题目的解决方案。

今天的第一点,是关于使用for循环遍历string对象的内容是string长度发生变化的情况,例如下面这段:

#include<iostream>
#include<string>

using namespace std;

int main() {
    string a="1234567";
    for(int j;j<a.length();j++){
        a.erase(0,1);
        cout<<a<<endl;
        cout<<"j: "<<j<<endl;
    }
}

这段程序的输出结果为:

234567
j: 0
34567
j: 1
4567
j: 2
567
j: 3

我们可以看到,使用erase方法,随着string的长度变化,for循环中的条件判断中a.length()并不会始终使用最初的a.length(),而是也是在跟着不断变化,这样就不必担心出现string的length减小后访问越界的情况。

然而与之对比的,python也有类似的现象,比如下面这段:

a = list(range(1, 8))
for i in a:
    a.pop(0)
    print(i, a)

输出结果为:

1 [2, 3, 4, 5, 6, 7]
3 [3, 4, 5, 6, 7]
5 [4, 5, 6, 7]
7 [5, 6, 7]

这里用于迭代的lista也是随着迭代而不断变化的,但是这里与C++有一个差别就是,因为foreach循环的实现机制类似于一个迭代器,每次虽然总长度会减少,但是迭代的位置仍然是不断向前的,所以会出现这样的情况。


今天的练习是 UVa 489

其中我使用的count方法,在<algorithm>中,此外,在猜中时,由于再此猜同样的也算错,所以要对猜过的做特殊处理,其实这里完全没必要用erase,直接换成空格这样的字符即可。

#include<iostream>
#include<string>
#include<algorithm>

using namespace std;

int main() {
    while (true) {
        int kase;
        string a, b;
        cin >> kase;
        if (kase == -1) break;
        cin >> a >> b;
        int wrong = 0;
        for (int i = 0; i < b.length(); i++) {
            if (!count(a.begin(), a.end(), b[i])) {
                wrong++;
                continue;
            }
            for (int j=0; j < a.length(); j++) {
                if (a[j] == b[i]) a.erase(j, 1);
            }
        }
        if (wrong >= 7) cout << "You lose." << endl;
        else if (a != "") cout << "You chickened out." << endl;
        else cout << "You win" << endl;
    }
}

 

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