static 和 extern 的作用

本文详细探讨了C语言中`static`和`extern`关键字的作用。`static`用于限制变量的作用域和设置存储域,它可以使得全局变量只在当前文件中可见,使局部变量在函数调用间保持其值。`extern`则用于扩展变量的作用域,允许在不同文件中引用同一变量。此外,`extern "C"`用于在C++中以C语言的方式编译和链接函数,避免名称修饰问题。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

问题:static 和 extern 修饰变量和函数时有什么作用?请举例说明。

static

简单来说,static 关键字有两个作用:

  1. 限制变量的作用域
  2. 设置变量的存储域

具体来说,在不同的使用场景有不同的表现。(函数名也是变量)

静态全局变量

用 static 声明静态全局变量:限制本文件外使用

static int a;

定义全局变量时加一个 static 声明,该变量只限于被本文件引用,而不能被其他文件引用。

静态全局变量和全局变量一样存放在静态区。

静态局部变量

使用 static 修饰局部变量,会改变其存储方式(栈空间 -> 静态区)。

int 
引言 非线性函数极值寻优是工程优化和科学计算中的核心问题,传统方法在处理高维、多峰或不可导函数时往往效果不佳。神经网络遗传算法的结合为解决这类复杂优化问题提供了新思路。本文将从计算机专业角度,详细分析神经网络遗传算法在非线性函数极值寻优中的原理、实现方法及优化策略。 混合算法原理架构 遗传算法(GA)神经网络(NN)的混合架构充分发挥了两者的优势:神经网络提供强大的非线性拟合能力,遗传算法则提供全局搜索能力。该混合系统的工作流程可分为三个关键阶段: 神经网络建模阶段:构建BP神经网络结构(如2-5-1),通过训练数据学习目标函数的输入输出关系。激活函数通常选择Sigmoid或ReLU,损失函数采用均方误差(MSE)。 遗传算法优化阶段:将神经网络参数编码为染色体(实数编码),以网络预测精度作为适应度函数fitness = 1/(1+MSE)。通过选择、交叉(概率0.4-0.9)和变异(概率0.01-0.2)操作进化种群。 协同优化阶段:遗传算法优化后的参数初始化神经网络,再进行BP微调,形成"全局搜索+局部优化"的双重机制。 关键技术实现 神经网络建模 采用MATLAB的Neural Network Toolbox实现,关键步骤包括: net = feedforwardnet([5]); % 单隐藏层5神经元 net.trainFcn = 'trainlm'; % Levenberg-Marquardt算法 net = train(net, input, target); % 网络训练 遗传算法优化 适应度函数设计参数编码是核心: function fitness = ga_fitness(x) = sim(net, x'); % 神经网络预测 fitness = 1/(1+mse(y-target)); end 种群规模建议50-
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

打赏作者

阿基米东

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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