39、函数式编程中的外部效应、I/O 与局部效应

函数式编程中的外部效应、I/O 与局部效应

1. 可组合抽象与 I/O 编程

在编程中,使用可组合抽象(如 List )进行编程比直接使用原始 I/O 操作要好得多。例如 movingAvg 函数可以由更小的部分组合而成,还可以使用通用组合器 windowed 来构建:

def movingAvg(n: Int)(l: List[Double]): List[Double] = ???
val cs = movingAvg(5)(
  lines.map(s => fahrenheitToCelsius(s.toDouble))).map(_.toString)
def windowed[A](n: Int, l: List[A])(f: A => B)(using m: Monoid[B]): List[B]

函数式编程给予了我们灵活性,我们可以构建任何想要的抽象来创建执行 I/O 的计算。如果喜欢列表的隐喻,就可以设计一个类似列表的 API 来表达 I/O 计算;若发现其他可组合抽象,也能找到使用它的方法。

2. 纯函数式处理外部效应和 I/O 的模型

我们可以将不纯的过程分解为一个纯核心函数和两个有副作用的过程:一个提供纯函数的输入,另一个处理纯函数的输出。通过将效应移动到程序的外层,我们推广出了 IO 数据类型,它能让我们在不借助副作用的情况下描述与外部世界的交互。

不过,Scala 中的单子存在栈溢出

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