C++第三次上机实验-个人所得税计算器

本文介绍了一个用于计算个人所得税的程序实现,包括输入月收入、选择适用税率和扣除额,最终输出应缴税款和税后收入。通过实际案例,详细解析了算法设计与运行结果,分享了在编程过程中的心得体会,特别是对ifelse语句的应用与switch语句的学习对比。同时,总结了在编写此类程序时需要注意的关键点。

一、问题及代码

/*
* 文件名称: main.cpp
* 作    者:  王聪
* 完成日期: 2016  年 4 月 12 日
* 版 本 号:v1.0
* 对任务及求解方法的描述部分:制作个人所得税的计算器;
* 输入描述:输入月收入值;
* 问题描述:对输入的月收入值的数额做出判断并计算税收;
* 程序输出:输出应交税务以及税后收入;
* 问题分析:
* 算法设计:使用if的多分支语句的选择结构语句。
*/
#include<iostream>
using namespace std;
int main()
{
	double dSalary,dTax=0,dNetIncome=0, Tax,spare,deduction;
	cout<<"请输入您本月的收入总额(元):";
	cin>>dSalary;
	spare=dSalary-3500;
    if(spare<=0)
    {
         Tax=0 ;deduction=0;
    }
    else if(spare<=1500)   Tax=0.03, deduction=0;
    else if(spare<=4500)   Tax=0.10, deduction=105;
    else if(spare<=9000)   Tax=0.20, deduction=555;
    else if(spare<=35000)  Tax=0.25, deduction=1005;
    else if(spare<=55000)  Tax=0.30, deduction=2755;
    else if(spare<=80000)  Tax=0.35, deduction=5505;
    else
     {
      Tax=0.45, deduction=13505;
     }
     dTax=spare*Tax-deduction;
     dNetIncome=dSalary-dTax;
    cout<<"您本月应缴个人所和税 "<<dTax<<" 元,税后收入是 "<<dNetIncome<<" 元。\n";
	cout<<"依法纳税,共享繁荣。谢谢使用!\n";
 	return 0;
}


二、运行结果



三、心得体会
想了许久,觉得如果用swtich语句的话不好动手,也许是我没有想到好的转换方法。所以用了if else 语句,现在用if else 语句比较娴熟了,我会尽量多用swtich 语句,以便于今后更快的选择简单方案。
四、知识点总结
(1)在使用if else语句时,if后面的语句是判断语句,不能变成赋值;
(2)定义一个变量时,尽量使用此变量的英文名,并适当加上i或d,表明此变量属于哪类。

内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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
 
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