C++编程思想----第9章、内联函数

本文深入探讨了C语言中宏与内联函数的使用场景与注意事项,包括宏的效率与缺陷,内联函数的概念、实现及应用场景,以及与编译器交互的细节。通过具体例子解释了宏展开过程中的优先级问题、宏滥用可能导致的意外行为,以及内联函数如何避免函数调用开销并提高代码效率,同时指出了内联函数的局限性,如函数体过大可能导致代码膨胀。

概述

1.c中的宏----保持效率:

(1)宏:直接用“函数体”替换调用(工作由预处理器完成,简单高效,不能像编译器一样做完整的参数检查,不适合大函数:递归,循环,过多调用等等)

(2)函数的调用流程:参入压栈---->调用汇编语言CALL---->返回参数---->执行汇编语言RETURN。对于简单的函数来说这个流程的开销比使用宏大很多。


9.1预处理器的缺陷

1.例一

#define FLOOR(x,b) x>=b?0:1

if(FLOOR(a&0x0f,0x07))

上述展开之后由于优先级的问题得到的并不是我们想要的结果。解决方法,增加尽量多的():

#define FLOOR(x,b) (((x)>=(b))?0:1),这需要编程的时候很仔细。


2.例二

#define BAND(x) (((x)>5 && (x) <10) ? (x):0)

使用方式:BAND(a++),带入表达式之后其实执行了三次a++,这和我们的初衷可能是违背的。

例如在cstdio中putc()和toupper()方法的实现都是用宏,我们在使用的时候一部小心就可能遇上这种情况,如:toupper(*p++)


9.2内联函数:inline

(1)C++的内联函数 实现类似于C中宏的功能,使用的时候直接展开(避免函数调用的开销),内联函数是真正的函数

(2)类中定义的函数自动成为内联函数(只是声明的这是非内联函数)。

(3)普通函数成为内联函数的定义方式:inline + 函数的声明和函数体结合在一起。如:

        inline int plusOne(int x){ return x++;}  

(4)使用内联函数的目的是:减少函数调用的开销。但是如果函数体较大,用于需要在每一处调用出都重复的复制代码,这样会使得代码膨胀,可能会等不到预期的效率。

(5)内联函数用于:访问函数,修改器和访问器


9.4内联函数和编译器:

(1)对于任何函数,编译器在他的符号表里放入函数类型(函数名称、参数类型、函数返回类型)。当编译器看到的是内联函数时,如果检查无误,还会将函数体的代码也放到符号表中。

(2)有两种类型编译器不能执行内联:

          如果函数太复杂,编译器放弃内联方式;

          如果要显示地或隐式地取函数地址,编译器不执行内联。因为这是编译器必须为函数代码分配内存从而产生一个函数的地址。当地址不需要时,编译器仍然可能内联代码。

(3)向前引用。因为C++语言规定:只有在类声明结束后,其中的内联函数才会被计算。

(4)在构造函数和析构函数里的隐藏行为。可能会导致我们这个时候使用内联其实效率很低。



【负荷预测】基于VMD-CNN-LSTM的负荷预测研究(Python代码实现)内容概要:本文介绍了基于变分模态分解(VMD)、卷积神经网络(CNN)和长短期记忆网络(LSTM)相结合的VMD-CNN-LSTM模型在负荷预测中的研究与应用,采用Python代码实现。该方法首先利用VMD对原始负荷数据进行分解,降低序列复杂性并提取不同频率的模态分量;随后通过CNN提取各模态的局部特征;最后由LSTM捕捉时间序列的长期依赖关系,实现高精度的负荷预测。该模型有效提升了预测精度,尤其适用于非平稳、非线性的电力负荷数据,具有较强的鲁棒性和泛化能力。; 适合人群:具备一定Python编程基础和深度学习背景,从事电力系统、能源管理或时间序列预测相关研究的科研人员及工程技术人员,尤其适合研究生、高校教师及电力行业从业者。; 使用场景及目标:①应用于日前、日内及实时负荷预测场景,支持智慧电网调度与能源优化管理;②为研究复合型深度学习模型在非线性时间序列预测中的设计与实现提供参考;③可用于学术复现、课题研究或实际项目开发中提升预测性能。; 阅读建议:建议读者结合提供的Python代码,深入理解VMD信号分解机制、CNN特征提取原理及LSTM时序建模过程,通过实验调试参数(如VMD的分解层数K、惩罚因子α等)优化模型性能,并可进一步拓展至风电、光伏等其他能源预测领域。
【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)内容概要:本文研究了一种基于融合鱼鹰和柯西变异的麻雀优化算法(OCSSA)优化变分模态分解(VMD)参数,并结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)的轴承故障诊断模型。该方法利用西储大学轴承数据集进行验证,通过OCSSA算法优化VMD的分解层数K和惩罚因子α,有效提升信号去噪与特征提取能力;随后利用CNN提取故障特征的空间信息,BiLSTM捕捉时间序列的长期依赖关系,最终实现高精度的轴承故障识别。整个流程充分结合了智能优化、信号处理与深度学习技术,显著提升了复杂工况下故障诊断的准确性与鲁棒性。; 适合人群:具备一定信号处理、机器学习及MATLAB编程基础的研究生、科研人员及从事工业设备故障诊断的工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选择的问题,实现自适应优化;②构建高效准确的轴承故障诊断模型,适用于旋转机械设备的智能运维与状态监测;③为类似机电系统故障诊断提供可借鉴的技术路线与代码实现参考。; 阅读建议:建议结合提供的Matlab代码进行实践操作,重点关注OCSSA算法的设计机制、VMD参数优化过程以及CNN-BiLSTM网络结构的搭建与训练细节,同时可尝试在其他故障数据集上迁移应用以加深理解。
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