方法与重载

本文讲解了方法定义与调用的基本概念,包括形参与实参的区别、方法重载的特点、构造函数的作用及其自动调用机制,并探讨了参数传递时基本数据类型与引用数据类型的差异。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

方法及重载

带参方法方法定义处的参数名(形参)

带参方法调用处的参数名(实参)

带参方法方法定义处的参数名(形参)可以和方法调用参数名(实参)可以不一致,但是要见名知义.名字要遵循驼峰命名规则.
在这里插入图片描述
调用方法处也可以直接写值,也可以写变量名.
在这里插入图片描述

  • 方法有没有返回值和方法有没有参数没有任何关系.

  • 参数可以写多个.

  • 参数没有顺序限制.(怎么舒服怎么写)

  • 但是实参要按照形参的顺序写.

常见错误

同类方法中可以直接用成员变量,不用新建对象.

xxxxx.(); // 调用同类方法;

数据在传参时的区别

  • 类也是一个数据类型.

  • 自定义数据类型也是引用数据类型.

  • 基本数据类型不能.xxx

  • 引用数据类型是能.xxx的

  • 参数传递是基本数据类型时,参数的变化不保留.

  • 参数传递是引用数据类型时,参数传递会保留.

  • 基本数据类型传参时是会在内存中开辟一个副本来传值.

  • 引用数据类型传参时会传同一个内存地址.

  • 基本数据类型传值,引用数据类型传址

  • 数组不管是什么数据类型的数组都是引用数据类型. 能点出来参数.

  • 数组也可以是对象数组,也属于引用数据类型. main方法不管是在类里或类外使用方法都 要创建对象.

构造函数

  1. 构造函数没有返回值类型
  2. 构造函数的函数名必须要与类名一致
  3. 构造函数并不是我们手动调用的,而是在创建对象时,jvm自动调用对应构造函数的.
    在这里插入图片描述
    构造函数的作用: 给对应的对象进行初始化.
    在这里插入图片描述
  • 一个类里默认有一个无参的构造方法,该方法缺少返回值,如果一旦手动添加有参构造方- - 法,默认的无参构造方法就会被替代.想要用无参构造方法,就要写出来.

this关键字

  • this.是当前对象
  • 谁new了对象,this.就是那个对象.
  • 一个类中允许出现多个同名但不同参数的方法,这种方法叫方法重载.
  • 方法重载与访问修饰符与返回值没有关系.
  • this也可以用来调用构造方法 this(xxx); 必须写在构造中的有效代码的第一行.

成员变量与局部变量

  • 局部变量只能作用于方法中,成员变量可以作用于一个类中。
  • 成员变量和局部变量的名字可以一样,但使用时局部变量优先级高于成员变量。
  • 局部变量使用要初始化。
  • 成员变量使用可以不用初始化(有默认值)
引言 非线性函数极值寻优是工程优化和科学计算中的核心问题,传统方法在处理高维、多峰或不可导函数时往往效果不佳。神经网络与遗传算法的结合为解决这类复杂优化问题提供了新思路。本文将从计算机专业角度,详细分析神经网络遗传算法在非线性函数极值寻优中的原理、实现方法及优化策略。 混合算法原理与架构 遗传算法(GA)与神经网络(NN)的混合架构充分发挥了两者的优势:神经网络提供强大的非线性拟合能力,遗传算法则提供全局搜索能力。该混合系统的工作流程可分为三个关键阶段: 神经网络建模阶段:构建BP神经网络结构(如2-5-1),通过训练数据学习目标函数的输入输出关系。激活函数通常选择Sigmoid或ReLU,损失函数采用均方误差(MSE)。 遗传算法优化阶段:将神经网络参数编码为染色体(实数编码),以网络预测精度作为适应度函数fitness = 1/(1+MSE)。通过选择、交叉(概率0.4-0.9)和变异(概率0.01-0.2)操作进化种群。 协同优化阶段:遗传算法优化后的参数初始化神经网络,再进行BP微调,形成"全局搜索+局部优化"的双重机制。 关键技术实现 神经网络建模 采用MATLAB的Neural Network Toolbox实现,关键步骤包括: net = feedforwardnet([5]); % 单隐藏层5神经元 net.trainFcn = 'trainlm'; % Levenberg-Marquardt算法 net = train(net, input, target); % 网络训练 遗传算法优化 适应度函数设计与参数编码是核心: function fitness = ga_fitness(x) = sim(net, x'); % 神经网络预测 fitness = 1/(1+mse(y-target)); end 种群规模建议50-
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