sgi stl 迭代器的设计

设计模式之iterator模式:提供一种方法使之能够遍历聚合物、容器的各个元素而无需显露聚合物的细节
STL迭代器设计意义:将算法与容器分开,以迭代器进行连接
例如STL中查找算法,传递正是迭代器与查找元素,其能对不同容器进行查找。
template <class InputIterator, class T>
InputIterator find(InputIterator first, InputIterator last, const T& value) {
  while (first != last && *first != value) ++first;
  return first;
}
迭代器的使用上,它被视为容器的指针,提供指针访问元素的众多操作符,这里的元素是指容器的元素。
operator--, operator++:其操作意味着迭代器所指位置的移动;
operator* :是解引用而获得迭代器所指元素,从迭代器获得元素;
如list的迭代器解引用,其中返回链表元素值而不是链表节点
reference operator*() const { return (*node).data; }
operator->: 返回迭代器所指元素的指针,这是针对迭代器所指元素为类类型的情况
pointer operator->() const { return &(operator*()); }  // 或
pointer operator->() const { return &(**this); }
例如
struct item
{
     item(int i) : i(i) {}
     int i;
};
vector<item> v;
v.push_back(item(0));
vector<item>::iterator it = v.begin();
cout<<(*it).i<<endl;
cout<<it->i<<endl;
1 迭代器的相关类型(associated)
value_type: 迭代器所指类型,就是容器元素类型
difference_type:迭代器之间距离,一般是ptrdiff_t
reference:左值类型,意味着可以改变的值,迭代器所指引用
pointer:所指之物的地址,指针本身不能被改变,但是所指能被改变
iterator_category:迭代器类型:

迭代器类型的关系如下
struct input_iterator_tag {};
struct output_iterator_tag {};
struct forward_iterator_tag : public input_iterator_tag {};
struct bidirectional_iterator_tag : public forward_iterator_tag {};
struct random_access_iterator_tag : public bidirectional_iterator_tag {};
迭代器的标准写法:应该继承其
template <class Category, class T, class Distance = ptrdiff_t, class Pointer = T*, class Reference = T&>
struct iterator {
  typedef Category       iterator_category;
  typedef T                   value_type;
  typedef Distance        difference_type;
  typedef Pointer          pointer;
  typedef Reference      reference;
};
注意其最后三个元素是默认的,所以只需指出前俩个参数


基于python实现的粒子群的VRP(车辆配送路径规划)问题建模求解+源码+项目文档+算法解析,适合毕业设计、课程设计、项目开发。项目源码已经过严格测试,可以放心参考并在此基础上延申使用,详情见md文档 算法设计的关键在于如何向表现较好的个体学习,标准粒子群算法引入惯性因子w、自我认知因子c1、社会认知因子c2分别作为自身、当代最优解和历史最优解的权重,指导粒子速度和位置的更新,这在求解函数极值问题时比较容易实现,而在VRP问题上,速度位置的更新则难以直接采用加权的方式进行,一个常见的方法是采用基于遗传算法交叉算子的混合型粒子群算法进行求解,这里采用顺序交叉算子,对惯性因子w、自我认知因子c1、社会认知因子c2则以w/(w+c1+c2),c1/(w+c1+c2),c2/(w+c1+c2)的概率接受粒子本身、当前最优解、全局最优解交叉的父代之一(即按概率选择其中一个作为父代,不加权)。 算法设计的关键在于如何向表现较好的个体学习,标准粒子群算法引入惯性因子w、自我认知因子c1、社会认知因子c2分别作为自身、当代最优解和历史最优解的权重,指导粒子速度和位置的更新,这在求解函数极值问题时比较容易实现,而在VRP问题上,速度位置的更新则难以直接采用加权的方式进行,一个常见的方法是采用基于遗传算法交叉算子的混合型粒子群算法进行求解,这里采用顺序交叉算子,对惯性因子w、自我认知因子c1、社会认知因子c2则以w/(w+c1+c2),c1/(w+c1+c2),c2/(w+c1+c2)的概率接受粒子本身、当前最优解、全局最优解交叉的父代之一(即按概率选择其中一个作为父代,不加权)。
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