虚基类-摩托车继承自行车和机动车

第十二周C++作业任务【三】自行车类的虚基类为车辆类,机动车类的虚基类也为车辆类,摩托车类的基类为自行车类和机动车类,类之间均为公有继承 【任务3】在下面一段类的定义中,自行车类的虚基类为车辆类,机动车类的虚基类也为车辆类,摩托车类的基类为自行车类和机动车类,类之间均为公有继承。 (1)根据上面各类间关系的描述,补全下面程序段中空缺的代码 (2)实现程序中声明的成员函数,注意相应操作中的动作发生的条件不能满足时应给出提示。 (3)运行程序,享受开摩托的过程。(BB平台上提供了一个可执行文件,可以先运行再编程。不必申请驾照,这个 阅读详情
/* Copyright (c) 2016* All rights reserved 烟台大学计算机与控制工程学院  
* 文件名称:3.cpp  
* 作者:刘丽  
* 完成日期:2016年 5 月 19日  
* 版本号: v1.0  
  
*【项目 - 摩托车继承自行车和机动车】
在下面一段类的定义中,自行车类的虚基类为车辆类,机动车类的虚基类也为车辆类,摩托车类的基类为自行车类和机动车类,类之间均为公有继承,如图所示。
下载可执行文件链接motorcar.exe.
<img src="https://img-blog.youkuaiyun.com/20160524171414587?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQv/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center" alt="" />
(1)根据上面各类间关系的描述,补全下面程序段中空缺的代码;
(2)实现程序中声明的成员函数,注意相应操作中的动作发生的条件不能满足时应给出提示。
(3)运行程序,享受开摩托的过程。(可以下载可执行文件motorcar.exe,先运行再编程。不必申请驾照,这个摩托车很安全。)
(4)在报告中,请用自己的话写清楚使用虚基类解决什么问题?
*/  
#include <iostream>
#include<conio.h>
#include <windows.h>
using namespace std;
enum vehicleStaus {rest, running};  //车辆状态:泊车、行进
class vehicle //车辆类
{
protected:
    int maxSpeed;       //最大车速
    int currentSpeed;   //当前速度
    int weight;         //车重
    vehicleStaus status; //rest-泊车状态;running-行进状态
public:
    vehicle(int maxS, int w); //构造函数,初始时,当前速度总为0且处在停车状态
    void start();  //由rest状态到running, 初速为1
    void stop(); //由running状态到rest, 当前速度小于5时,才允许停车
    void speed_up();  //加速,调用1次,速度加1
    void slow_down(); //减速,调用1次,速度减1,速度为0时,停车
};
vehicle::vehicle(int maxS, int w):maxSpeed(maxS),weight(w){};
void vehicle::start()
{
    status=running;
    currentSpeed=1;
    
}
void vehicle::stop()
{
    
    if(currentSpeed<5)
    {
		status=rest;    
		currentSpeed=0;
    }
	else
		cout<<"车速太快!先减速再停车……"<<endl;

}
void vehicle::speed_up()
{
    currentSpeed+=1;
}
void vehicle::slow_down()
{
	if(currentSpeed>0)
		currentSpeed-=1;
}
class bicycle :virtual public vehicle //(1)自行车类的虚基类为车辆类
{
protected:
    double height; //车高
public:
    bicycle(int maxS=10, int w=50, double h=0.7);   //定义构造函数
};
bicycle::bicycle(int maxS, int w, double h):vehicle(maxS,w),height(h){};
class motorcar : virtual public vehicle//(2)机动车类的虚基类也为车辆类
{
protected:
    int seatNum; //座位数
    int passengerNum; //乘客人数
public:
    motorcar(int maxS=150, int w=1500, int s=5, int p=1);   //定义构造函数
    void addPassenger(int p=1);   //增加搭载的乘客,超员要拒载,有人下车时,p为负数。当然车上乘客至少有1个(司机)。只有车停稳后才能上下客。
};
 motorcar ::motorcar(int maxS, int w, int s, int p):vehicle(maxS,w),seatNum(s),passengerNum(p){};
 void motorcar ::  addPassenger(int p)
 {
	 if(!currentSpeed)
	 {
		 if(p<0&&passengerNum>1)
			 passengerNum--;
		 else if(passengerNum<seatNum)
			passengerNum++;
	 }
	 else
		 cout<<"车辆正在行驶,停车后再上下车!"<<endl;
 }
class motorcycle: public bicycle, public motorcar //(3)摩托车类的基类为自行车类和机动车类
{
public:
    motorcycle(int maxS=90, int w=100, int s=3, int p=1, double h=0.7);//定义构造函数
    void show(); //显示摩托车的运行状态
};
motorcycle::motorcycle(int maxS, int w, int s, int p, double h):
    vehicle(maxS,w),motorcar(s,p),bicycle(h){};
void  motorcycle::show()
{
	if(status)
		 cout<<"状态:行进	";
	else
		 cout<<"状态:泊车	";
	cout<<"车速:"<<currentSpeed<<'/'<<maxSpeed<<"	";
	cout<<"当前乘员:"<<passengerNum<<'/'<<seatNum<<endl;

}
int main( )
{
    motorcycle m;
    bool end=false;
    while (!end)
    {
        cout<<"请操作:1-启动  2-加速  3-减速  4-有人上车  5-有人下车  6-停车 0-结束"<<endl;
        char keydown= getch(); //_getch()返回键盘上读取的字符
        switch(keydown)
        {
        case '1':
            cout<<"选中的操作是1-启动\t";
            m.start();
            break;
        case '2':
            cout<<"选中的操作是2-加速\t";
            m.speed_up();
            break;
        case '3':
            cout<<"选中的操作是3-减速\t";
            m.slow_down();
            break;
        case '4':
            cout<<"选中的操作是4-有人上车\t";
            m.addPassenger();
            break;
        case '5':
            cout<<"选中的操作是5-有人下车\t";
            m.addPassenger(-1);
            break;
        case '6':
            cout<<"选中的操作是6-停车\t";
            m.stop();
            break;
        case '0':
            end=true;
            break;
        }
        m.show();
        cout<<endl;
        Sleep(200);  //要包含头文件<windows.h>
    }
    return 0;
}

总结:

虚基类解决了在继承中歧义的问题。虚基类是在内存中只有基类成员的一份拷贝,而不会产生歧义。

第十二周上机项目2 摩托车继承自行车和机动车 【项目2 - 摩托车继承自行车和机动车】 在下面一段类的定义中,自行车类的虚基类为车辆类,机动车类的虚基类也为车辆类,摩托车类的基类为自行车类和机动车类,类之间均为公有继承,如图所示。 下载可执行文件链接motorcar.exe. (1)根据上面各类间关系的描述,补全下面程序段中空缺的代码; (2)实现程序中声明的成员函数,注意相应操作中的动作发生的条件不能满足时应给出提示。 (3)运行 阅读详情

相关推荐

第十二周 【项目2 - 摩托车继承自行车和机动车】

【项目2 - 摩托车继承自行车和机动车】 在下面一段类的定义中,自行车类的虚基类为车辆类,机动车类的虚基类也为车辆类,摩托车类的基类为自行车类和机动车类,类之间均为公有继承,如图所示。 下载可执行文件链接motorcar.exe. (1)根据上面各类间关系的描述,补全下面程序段中空缺的代码; (2)实现程序中声明的成员函数,注意相应操作中的动作发生的条件不能满足时应给出提示。 (3)

张旺华的博客 976

第十二周项目3-摩托车继承自行车和机动车

/* *程序的版权和版本声明部分: *Copyright(c)2014,烟台大学计算机学院学生 *All rights reserved. *文件名称: *作者:田成琳 *完成日期:2014 年 5 月 12 日 *版本号:v1.0 *对任务及求解方法的描述部分: *输入描述:无 *问题描述:在下面一段类的定义中,自行车类的虚基类为车辆类,机动车类的虚基类也为车辆类,

♛ 走心。的专栏 826

车(Vehicle)基类,具有MaxSpeed、Weight等成员变量

定义一个车(Vehicle)基类,具有MaxSpeed、Weight等成员变量,Run、Stop等成员函数,由此派生出自行车类(bicycle),汽车类(motocar)类,自行车类有高度等属性,汽车有座位数(seatNum)等属性。

第十二周任务三 在下面一段类的定义中,自行车类的虚基类为车辆类, 机动车类的虚基类也为车辆类,摩托车类的基类为自行车类和机动车类,类之间均为公有继承。

/* (程序头部注释开始) * 程序的版权和版本声明部分 * Copyright (c) 2011, 烟台大学计算机学院学生 * All rights reserved. * 文件名称: 第十二周任务三 在下面一段类的定义中,自行车类的虚基类为车辆类, 机动车类的虚基类也为车辆类,摩托车类的基类为自行车类和机动车类,类之间均为公有继承。 *

shitoujianqiang123的专栏 3096

STM32HAL库学习笔记九——LCD显示

本文不会对驱动编写做特别详细的描述,以记录CubeMX的部署流程为主。

weixin_44762233的博客 6918

PTPX功耗分析实战——从脚本配置到报告解读

本文详细介绍了PTPX功耗分析的全流程,从脚本配置到报告解读,帮助工程师快速掌握芯片设计中的功耗估算技术。文章涵盖了环境搭建、波形文件处理、功耗报告解析等关键环节,并提供了实战经验和优化建议,特别适合需要提升PTPX功耗分析效率的开发者。

weixin_29248313的博客 279

第十二周上机实践项目——摩托车继承自行车和机动车

/* *程序的版权和版本声明部分: *Copyright(c)2014,烟台大学计算机学院学生 *All rights reserved. *文件名称: 摩托车继承自行车和机动车 *作者:刘中林 *完成日期:2014 年 5 月 17 日 *版本号:v1.0 *对任务及求解方法的描述部分: *输入描述:无 *问题描述:在下面一段类的定义中,自行车类的虚基类为车辆类,机动车类的虚

u012369385的专栏 736

从TL431光耦到集成隔离器:3种反激电源反馈方案全对比,你的项目到底该选哪个?

本文深入对比了反激电源设计中TL431光耦、集成隔离器和原边反馈三种主流反馈方案的优缺点,帮助开发者在电源设计中选择最适合的方案。从精度、成本、隔离等级等多维度分析,为反激式(Flyback)拓扑的应用提供实用选型指南。

weixin_30536513的博客 399

《C++第十二周实验报告3-1》-----自行车类的虚基类为车辆类,机动车类的虚基类也为车辆类,摩托车类的基类为自行车类和机动车类,

/* 【任务3】在下面一段类的定义中,自行车类的虚基类为车辆类,机动车类的虚基类也为车辆类,摩托车类的基类为自行车类和机动车类,类之间均为公有继承。 (1)根据上面各类间关系的描述,补全下面程序段中空缺的代码 (2)实现程序中声明的成员函数,注意相应操作中的动作发生的条件不能满足时应给出提示。 (3)运行程序,享受开摩托的过程。(BB平台上提供了一个可执行文件,可以先运行再编程。不必申请驾

IT痴者 1896

使用trae自动生成前后端分离的web应用程序

使用ai自动生成前后端分离的web应用程序

一介书生 2524

沉降预测算法-指数曲线法

沉降预测的指数曲线法原理和代码实现

yh523的博客 1009

第12周任务3(自行车类的虚基类为车辆类,机动车类的虚基类也为车辆类,摩托车类的基类为自行车类和机动车类,类之间均为公有继承。)

/* (程序头部注释开始) * 程序的版权和版本声明部分 * Copyright (c) 2011, 烟台大学计算机学院学生 * All rights reserved. * 文件名称: * 作 者: 臧鹏 * 完成日期: 2012 年 5 月 8 日 * 版 本 号:

一名java从业者的专栏 2011

Onnxruntime之YOLOP部署过程记录

魔改YoloP部署过程记录

如果想成为中心,那么就到中心去吧。 1924

第十二周项目二 摩托车继承自行车和机动车(虚基类)

项目要求 详见贺老师博文:《C++语言基础》实践参考——摩托车继承自行车和机动车 代码如下 #include #include #include using namespace std; enum vehicleStaus {rest, running}; //车辆状态:泊车、行进 class vehicle //车辆类 { protected: int max

绿皮哥布林 564

企业级托管钱包架构设计与MPC密钥管理:基于Go语言的生产级实践

本文探讨了2026年Web3生态中企业级托管钱包的技术架构与实现方案。文章指出,传统私钥管理模式已无法满足机构级资产管理需求,而基于多方安全计算(MPC)和门限签名(TSS)的技术方案成为主流选择。研究分析了托管钱包的四层架构设计,详细解读了MPC的核心技术原理,包括分布式密钥生成(DKG)和签名协议演进。通过Go语言实现案例,展示了密钥分片管理、DKG流程和交易签名等核心模块的代码实现。文章还提出了生产部署的安全原则、容灾设计和监控体系,并讨论了密钥撤销等现存挑战及TEE融合等未来趋势。研究为构建安全、高

分享AI、区块链技术及应用,未来已来 81

DeepSeek-OCR安装部署文档和避坑指南,包含大多数人遇到的安装报错问题

DeepSeek-OCR安装部署指南摘要:本文详细介绍高性能OCR工具DeepSeek-OCR的安装流程,支持多语言识别和复杂场景文字提取。系统要求包括Linux/Windows/macOS操作系统,推荐NVIDIA显卡(显存≥6GB)和≥16GB内存。安装步骤涵盖:1)创建conda虚拟环境;2)安装PyTorch等核心依赖;3)解决常见问题如CUDA版本冲突、模型下载慢等。提供GPU内存不足等问题的解决方案,帮助开发者快速部署OCR服务。(149字)

yolo模型训练找我,AI游戏合作找我 2946

第12周-多继承、虚基类,继承和组合-项目2-摩托车继承自行车和机动车

/* * Copyright (c) 2014, 烟台大学计算机学院 * All rights reserved. * 文件名称:test.cpp * 作 者:刘畅 * 完成日期:2015 年 5 月 25 日 * 版 本 号:v1.0 * * 问题描述:(1)根据上面各类间关系的描述,补全下面程序段中空缺的代码; (2)实现程序中声明的成员函数,注意相

想去海邊 1254

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

2015年第十二周项目二:摩托车继承自行车和机动车

【项目2 - 摩托车继承自行车和机动车】 在下面一段类的定义中,自行车类的虚基类为车辆类,机动车类的虚基类也为车辆类,摩托车类的基类为自行车类和机动车类,类之间均为公有继承,如图所示。 下载可执行文件链接motorcar.exe. (1)根据上面各类间关系的描述,补全下面程序段中空缺的代码; (2)实现程序中声明的成员函数,注意相应操作中的动作发生的条件不能满足时应给出提示。 (3)运行

liyingjie01的专栏 361

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

第十一周项目5-摩托车继承自行车和机动车

问题及代码: /* *Copyright (c) 2016,烟台大学计算机学院 *All rights reserved. *文件名称:zwj.cpp *作 者:张伟晶 *完成日期:2016年5月10日 *版 本 号:v1.0 * *问题描述:摩托车继承自行车和机动车 *输入描述: *程序输出: */ #include #include #include usin

味精加盐不加糖 1273

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")

12项目3 - 摩托车继承自行车和机动车

程序://【项目3 - 摩托车继承自行车和机动车】在下面一段类的定义中,自行车类的虚基类为车辆类, //机动车类的虚基类也为车辆类,摩托车类的基类为自行车类和机动车类,类之间均为公有继承,如图所示。 //(1)根据上面各类间关系的描述,补全下面程序段中空缺的代码; //(2)实现程序中声明的成员函数,注意相应操作中的动作发生的条件不能满足时应给出提示。 //(3)运行程序,享受开摩托的过程。(可以

玲玲的专栏 681

第10、11周项目5:摩托车继承自行车和机动车

/* * Copyright(c)2016,烟台大学计算机与控制工程学院 * All rights reserved. * 文件名称:第10、11周项目5:摩托车继承自行车和机动车 * 作者:马康泰 * 完成日期:2016.5.28 * 版本号:v1.0 * * 问题描述: (1)根据上面各类间关系的描述,补全下面程序段中空缺的代码; (2)实现程序中声明的成

makangtai的博客 313

第十二周 项目二--摩托车继承自行车和机动车(贺老师版)

问题及代码: /* *Copyright (c) 2015,烟台大学计算机学院 *All rights reserved. *文件名称:test.cpp *作者:吴胜男 *完成日期:2015年05月27日 *版本号:v1.0 * *问题描述:在下面一段类的定义中,自行车类的虚基类为车辆类,机动车类的虚基类也为车辆类,摩托车类的基类为自行车类和机动车类,类之间均为公有继承,如图所示

ytdxwushengnan的专栏 860

第11周项目5-摩托车继承自行车和机动车

/* *Copyright(C) 2016,计算机与控制工程学院 *All rights reserved. *文件名:test.cpp *作者:张志新 *完成日期:2016年5月1日 *版本号:v1.0 * *问题描述:在下面一段类的定义中,自行车类的虚基类为车辆类,机动车类的虚基类也为车辆类, * 摩托车类的基类为自行车类和机动车类,类之间均为公有继承。 */ #include

hello_world8888的博客 494

第十二周项目二:摩托车继承自行车和机动车

问题及代码: /* *Copyright (c)2015,烟台大学计算机与控制工程学院 *All rights reserved. *文件名称: 教师兼干部类 .cpp *作 者:白云飞 *完成日期:2015年5月21日 *版 本 号:v1.0 * *问题描述:在下面一段类的定义中,自行车类的虚基类为车辆类,机动车类的虚基类也为车辆类,摩托车类的基类为自行车类和机动车类,

baiyunfei08的专栏 428

第十周项目5——摩托车继承自行车和机动车

问题及代码: /*copyright(c)2016.烟台大学计算机学院 * All rights reserved, * 文件名称:text.Cpp * 作者:李一波 * 完成日期:2016年5月14日 * 版本号:vc++6.0 * * 问题描述: * 输入描述: * 程序输出:在下面一段类的定义中,自行车类的虚基类为车辆类,机动车类的虚基类也为车辆类,摩托车类的基类为自行车

helloliyibo的博客 367

第十二周实验指导--任务三--设计一个在下面一段类的定义中,自行车类的虚基类为车辆类,机动车类的虚基类也为车辆类,摩托车类的基类为自行车类和机动车类,类之间均为公有继承

/* (程序头部注释开始) * 程序的版权和版本声明部分 * Copyright (c) 2011, 烟台大学计算机学院学生  * All rights reserved. * 文件名称:设计一个在下面一段类的定义中,自行车类的虚基类为车辆类,机动车类的虚基类也为车辆类,摩托车类的基类为自行车类和机动车类,                      类之间均为公有继承 * 作

leihengxin的专栏 2326
上一篇: 教师兼干部类
下一篇: 实现复数类中的运算符重载
LLmuggles
博客等级 码龄11年 2粉丝 49原创
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
 
 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