静态变量

本文深入探讨了Java中类与静态方法的使用及特性,包括实例变量与静态变量的区别,静态方法内部不可调用实例变量,以及静态方法与实例方法在类加载时的行为差异。同时展示了静态变量作为类级别的属性,所有类的对象共享同一份静态变量的特性。通过实例分析,清晰阐述了Java静态方法与静态变量的核心概念。
public class Demo5 {

	@SuppressWarnings("static-access")
	public static void main(String[] args) {
System.out.println(Koo.add(3, 4));
Koo koo1=new Koo();
System.out.println(koo1.add(3,4));
	}

}
class Koo{
	int a;
	static int add(int num1,int num2){
		return num1+num2;
		//在静态方法里面不可以调用实例变量
		//但可以调用静态变量,
		//return num1+num2+a;
	}
}

另外一个student类

public class Student {

	/**
	 * static修饰变量,属于类级别的属性,是在类加载的直接加载到内存当中,所有类的对象可以共享同一个静态变量
	 */
	String name;
	int num=0;
	public Student(String name){
		this.name=name;//跟每个学生对象有关,实例变量
		num++;//学生的数量,
	}
	public static void main(String[] args) {
     Student student1=new Student("Liu");
     System.out.println(student1.name+" "+student1.num);
     Student student2=new Student("Liu2");
     System.out.println(student2.name+" "+student1.num);
     Student student3=new Student("Liu3");
     System.out.println(student3.name+" "+student1.num);
     
	}

}


【无人机】基于改进粒子群算法的无人机路径规划研究[和遗传算法、粒子群算法进行比较](Matlab代码实现)内容概要:本文围绕基于改进粒子群算法的无人机路径规划展开研究,重点探讨了在复杂环境中利用改进粒子群算法(PSO)实现无人机三维路径规划的方法,并将其与遗传算法(GA)、标准粒子群算法等传统优化算法进行对比分析。研究内容涵盖路径规划的多目标优化、避障策略、航路点约束以及算法收敛性和寻优能力的评估,所有实验均通过Matlab代码实现,提供了完整的仿真验证流程。文章还提到了多种智能优化算法在无人机路径规划中的应用比较,突出了改进PSO在收敛速度和全局寻优方面的优势。; 适合人群:具备一定Matlab编程基础和优化算法知识的研究生、科研人员及从事无人机路径规划、智能优化算法研究的相关技术人员。; 使用场景及目标:①用于无人机在复杂地形或动态环境下的三维路径规划仿真研究;②比较不同智能优化算法(如PSO、GA、蚁群算法、RRT等)在路径规划中的性能差异;③为多目标优化问题提供算法选型和改进思路。; 阅读建议:建议读者结合文中提供的Matlab代码进行实践操作,重点关注算法的参数设置、适应度函数设计及路径约束处理方式,同时可参考文中提到的多种算法对比思路,拓展到其他智能优化算法的研究与改进中。
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
 
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