1218上机3


```cpp

#include<iostream>
using namespace std;
#include<cmath>
#define PI 3.14159
class Point {
private:
	double m_x = 0, m_y = 0;

public:
	void setx(double x) {
		m_x = x;
	}
	void sety(double y) {
		m_y = y;
	}
	double getx() const { return m_x; }
	double gety() const { return m_y; }
	

	Point(double x = 0, double y = 0) : m_x(x), m_y(y) {
		cout << "Constructor of Point" << endl;
	
	}
	Point(const Point& p) :m_x(p.m_x), m_y(p.m_y) {
		cout << "Copy constructor of Point" << endl;
	}

	void getpoint() {
		Point p;
		p.getx();
		p.gety();
		
		cout<<"点的坐标为" <<"("<< p.getx() << "," << p.gety()<<")";
	}
	~Point() {
		cout << "Destructor of Point" << endl;
	}

};



class Circle {
	Point m_center; double m_radius = 1.0;
public:
	friend void distance(Circle& c1, Circle& c2);

	void setRadius(double r ) {
		m_radius = r;
	}
	double getRadius() {
		return m_radius;
	}
	Circle(double r = 1, const Point& p = Point()) :m_center(p), m_radius(r) {
		cout << "Constructor of Circle" << endl;
	}
	void setcenter(Point center) {
		m_center = center;
	}
	Point getcenter() {
		return m_center;
	}

	void circumference() {
		Circle c;
		cout << "周长为: "<<2 * PI * c.getRadius() << endl;
	}
	void area() {
		Circle c;
		cout << "面积为: " << PI * c.getRadius() * c.getRadius()<<endl;
	}
	~Circle() {
		cout << "Destructor of Circle" << endl;
	}
};
 

void distance(Circle& c1, Circle& c2) {
	double x = (c1.getcenter().getx() - c2.getcenter().getx()) * (c1.getcenter().getx() - c2.getcenter().getx());
	double y = (c2.getcenter().gety() - c1.getcenter().gety()) * (c2.getcenter().gety() - c1.getcenter().gety());
	double distance1 = x + y;
	cout << "两点间的距离为"<<sqrt(distance1) << endl;
	
}



int main()
{
	Point b(1, 0);
	b.getpoint();
	Circle c1(3,Point(2,3));
	c1.circumference();
	c1.area();
	Circle a(2, Point(1, 1));
	distance(c1, a);
	cout << "end" << endl;
	return 0;
}


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