05 - 常量

本文详细介绍了Inno Setup中各种常量的使用,包括目录常量如{app}、{win}、{sys}等,Shell目录常量如{group}、{localappdata}等,以及自动常量、已更名常量和其他特殊常量。常量在安装脚本中用于动态获取用户选择或系统配置的路径,以便正确安装和配置应用程序。

常量

大多数脚本条目可以在其中嵌入常量。是用大括号字符{}括起来的预定义字符串。根据用户的选择和系统配置,“安装”或“卸载”会将常量转换为它们的字面值。例如,{win}将在大多数系统上转换为“C:\WINDOWS”。

“{”字符被视为常量的开头。如果要在支持常量的地方使用该实际字符,则必须使用两个连续的“{”字符。(不需要用两个“}”字符。)

当反斜杠紧跟在常量之后时,如果常量的值已经以反斜杠结尾,则安装或卸载将自动删除反斜杠。因此,如果特定常量的值为“C:\”,则{constantname}\file将转换为“C:\file”,而不是“C:\\file”。如果您想防止这种情况的发生,请用{}字符将反斜杠引起来,例如{app}{\}。

以下是受支持的常量的列表。

常量目录

{app}

用户在“选择目标位置”页面向导上选择的应用程序安装目录。

例如:如果在条目上使用{app}\MYPROG.EXE,并且用户选择“C:\MYPROG”作为应用程序目录,则安装程序会将其转换为“C:\MYPROG\MYPROG.EXE”。

{win}

操作系统的Windows目录。

例如:如果在条目上使用{win}\MYPROG.INI,并且系统的Windows目录为“C:\ WINDOWS”,则安装或卸载会将其转换为“C:\WINDOWS\MYPROG.INI”。

{sys}

操作系统的Sys

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
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