17、C++ 中的类型擦除与重载解析管理

C++ 中的类型擦除与重载解析管理

1. 性能与抽象的权衡

在编程中,当性能至关重要但又需要抽象时,我们常常会采用与类型擦除相反的方法,即使用模板。以 C++20 中的范围(ranges)为例,范围是抽象的序列。我们可以编写一个对范围进行操作的函数,然后用向量(vector)、双端队列(deque)、从这些容器创建的范围、该范围的子范围或过滤视图来调用它。只要能从 begin() 迭代到 end() ,任何东西都可以是一个范围。

然而,从向量和双端队列创建的范围是不同的类型,尽管从接口角度来看它们都是序列的抽象。标准库提供了多个范围适配器和范围视图,它们都是模板,对范围进行操作的函数也是模板。

我们能否实现一个类型擦除的范围呢?答案是肯定的,而且并不难。我们最终会得到一个单一类型 GenericRange ,它可以从向量、双端队列、列表或任何具有 begin() end() 和前向迭代器的东西构造。不过,除了向量之外,它的速度大约是大多数容器迭代器的两倍。向量的迭代器实际上只是指针,向量化编译器可以进行优化,使代码速度至少提高一个数量级。当我们擦除原始容器的类型时,就失去了这种优化的可能性。

C++ 设计者做出了这样的决定:一方面,范围为某些行为提供了抽象,让我们可以将接口与实现分离;另一方面,他们不愿意牺牲性能。因此,他们选择将范围和所有对其进行操作的代码都做成模板。

作为软件系统的设计者,你可能也需要做出类似的决定。一般的指导原则是:对于紧密相关的组件,为了性能考虑,优先选择更紧密的耦

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  | 博主筛选后可见
 
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