编程算法基础_常用思路_2_假设修正

 

前提:

代码的清晰、可读,往往比算法的高效更为重要。
故而程序设计应力求:逻辑简明,容易理解。

假设修正法:保持每个语句的简洁、短小,通过反复修正达到最终正确逻辑,是提高可读性的重要技巧之一。
 
 案例:
public class Max {

	
	public static void main(String[] args) {

		//max();
		//leapyear();
		graderate();
	}
	
	
	/**
	 * 判断闰年
	 */
	public static void leapyear(){
		int year = 2014;
		boolean flag = false; // 一般年份是闰年的概率很少,因此默认为FALSE
		
		if(year%4 == 0) flag = true;
		if(year%100 == 0) flag = false;
		if(year%400 == 0) flag = true;
		
		System.out.println(flag);
	}
	
	/**
	 * 求最大值
	 */
	public static void  max(){
		int a = 5;
		int b = 10;
		int c = 3;
		
		// 假设a就是最大值, 好处: 代码清晰 逻辑清晰
		int max = a;
		if (max < b)  max = b;
		if (max < c)  max = c;
		
		System.out.println(max);
	}
	
	
	/**
	 * 评分
	 */
	public static void  graderate(){
		
		String result = "";
		int num = 34;
		
		if(0 < num &&  num < 59)  result = "加油";
		if(60 < num &&  num < 69)  result = "合格";
		if(70 < num &&  num < 79)  result = "正常";
		if(80 < num &&  num < 89)  result = "良好";
		if(90 < num &&  num < 100)  result = "优秀";
		
		System.out.println(result);
	}
	
	

}
 
提供了基于BP(Back Propagation)神经网络结合PID(比例-积分-微分)控制策略的Simulink仿真模型。该模型旨在实现对杨艺所著论文《基于S函数的BP神经网络PID控制器及Simulink仿真》中的理论进行实践验证。在Matlab 2016b环境下开发,经过测试,确保能够正常运行,适合学习和研究神经网络在控制系统中的应用。 特点 集成BP神经网络:模型中集成了BP神经网络用于提升PID控制器的性能,使之能更好地适应复杂控制环境。 PID控制优化:利用神经网络的自学习能力,对传统的PID控制算法进行了智能调整,提高控制精度和稳定性。 S函数应用:展示了如何在Simulink中通过S函数嵌入MATLAB代码,实现BP神经网络的定制化逻辑。 兼容性说明:虽然开发于Matlab 2016b,但理论上兼容后续版本,可能会需要调整少量配置以适配不同版本的Matlab。 使用指南 环境要求:确保你的电脑上安装有Matlab 2016b或更高版本。 模型加载: 下载本仓库到本地。 在Matlab中打开.slx文件。 运行仿真: 调整模型参数前,请先熟悉各模块功能和输入输出设置。 运行整个模型,观察控制效果。 参数调整: 用户可以自由调节神经网络的层数、节点数以及PID控制器的参数,探索不同的控制性能。 学习和修改: 通过阅读模型中的注释和查阅相关文献,加深对BP神经网络与PID控制结合的理解。 如需修改S函数内的MATLAB代码,建议有一定的MATLAB编程基础
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