Boost学习摘要 一指针

本文介绍了智能指针的概念及其多种类型,包括scoped_ptr、shared_ptr、weak_ptr和intrusive_ptr等,探讨了它们的特点及应用场景,并对比了不同智能指针之间的优劣。


为什么一定要采用分配资源的方式来分配对象,而不直接构造栈对象来解决呢?这个问题就得了解栈与堆内存的区别了,简单来说,栈内存分配比较小,一般为1M到2M大小。如果过多地使用栈,就会导致栈溢出,程序就会挂掉了。比如有递归调用的函数,经常就会遇到这样的问题。

什么是智能指针?
智能指针auto_ptr就是动态分配对象以及当对象不再需要时自动执行清理。
用release()来撤销所有权
用get()来获得指针的值
使用auto_ptr的reset()函数来重置auto_ptr,使之拥有另一个对象。

当然使用智能指针std::auto_ptr也有一些要注意的地方:
第一、不能同时让两个std::auto_ptr指针指向同一个对象,如果两个std::auto_ptr指针赋值时,就会把所有权指向另一个指针。
第二、std::auto_ptr智能指针不能使用在数组指针,因为它不能区分是一般指针,还是数组指针。
第三、std::auto_ptr智能指针不能容器对象。因为容器对象赋值或拷贝的动作,就会导致指针的丢失。
针对上述问题我们开始学习boost库的智能指针

1. 作用域智能指针
http://blog.youkuaiyun.com/caimouse/article/details/8572702
const std::auto_ptr< int > pTemp1(new int);

这样指针pTemp1常量的,不能指向别的指针,也是一个智能指针。通过这样的方案是可以解决的,但解决起来不是很优美,比如需要写const,导致输入比较长;也没有灵活性,比如又想更换智能指针指向情况,这种方法就不行了。

当然是有的,就是使用scoped_ptr,它是作用域指针,并且不能被拷贝、被赋值,但可以通过函数reset来重新指向新的指针。

2.共享智能指针shared_ptr
http://blog.youkuaiyun.com/caimouse/article/details/8584947
在boost库里引入了对象引用计数管理技术的模板类shared_ptr,这个智能指针是重量级的实现,不但可以拷贝,还可以比较指针,是跟原始指针最 相似的智能指针。由于这些特性,这个智能指针是可以使用到STL里的容器类里,而不像前面几个智能指针那样,不具备这样的特性。

3.弱智能指针weak_ptr
由于boost库里的shared_ptr采用引用计数的技术,这个技术天生就存在一个缺陷,就是不能存在循环引用的情况,因此,就提出另外一个智能指针weak_ptr。这个智能指针只对引用的指针进行保存,但不增加引用指针的计数,因而它不对shared_ptr的指针具有拥有权,只有使用权,并且当shared_ptr的指针删除可以判断这个指针是否还有效。
http://blog.youkuaiyun.com/caimouse/article/details/8607556

4.介入式智能指针intrusive_ptr
自定义引用计数的实现
http://blog.youkuaiyun.com/caimouse/article/details/8631381

总结:
1.scoped_ptr,她是作用域指针,并且不能被拷贝、被赋值。
2.shared_ptr    她是共享指针,类似auto_ptr。 拥有引用计数技术,可以拷贝赋值,还可以比较指针,更可以当容器对象。
3.weak_ptr       她是弱指针,与shared_ptr配对使用,只有使用权,没有拥有权。

(Kriging_NSGA2)克里金模型结合多目标遗传算法求最优因变量及对应的最佳自变量组合研究(Matlab代码实现)内容概要:本文介绍了克里金模型(Kriging)与多目标遗传算法NSGA-II相结合的方法,用于求解最优因变量及其对应的最佳自变量组合,并提供了完整的Matlab代码实现。该方法首先利用克里金模型构建高精度的代理模型,逼近复杂的非线性系统响应,减少计算成本;随后结合NSGA-II算法进行多目标优化,搜索帕累托前沿解集,从而获得多个最优折衷方案。文中详细阐述了代理模型构建、算法集成流程及参数设置,适用于工程设计、参数反演等复杂优化问题。此外,文档还展示了该方法在SCI区论文中的复现应用,体现了其科学性与实用性。; 适合人群:具备定Matlab编程基础,熟悉优化算法和数值建模的研究生、科研人员及工程技术人员,尤其适合从事仿真优化、实验设计、代理模型研究的相关领域工作者。; 使用场景及目标:①解决高计算成本的多目标优化问题,通过代理模型降低仿真次数;②在无法解析求导或函数高度非线性的情况下寻找最优变量组合;③复现SCI高水平论文中的优化方法,提升科研可信度与效率;④应用于工程设计、能源系统调度、智能制造等需参数优化的实际场景。; 阅读建议:建议读者结合提供的Matlab代码逐段理解算法实现过程,重点关注克里金模型的构建步骤与NSGA-II的集成方式,建议自行调整测试函数或实际案例验证算法性能,并配合YALMIP等工具包扩展优化求解能力。
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