《代码整洁之道》笔记——1整洁代码

本文探讨了如何编写易于理解和维护的整洁代码。从命名规范到函数设计,详细介绍了保持代码整洁的最佳实践。

初入编程行当,代码写的又脏又乱。代码总会越写越多,项目越来越大。杂乱的代码不利于他人维护不说,自己回来看也是一头雾水,这样是很不利于持续开发的。

经师傅指点,获书一本,研读收益,于此笔记。


什么是整洁的代码?这个各有各的理解。我的理解就是,易于理解、易于维护。至于高效那是另一方面的事了。它很难一蹴而就,通常经过多次修改维护才能整洁起来。

从命名说起:

无论是变量、参数、函数、类、包,都应该能从名字了解到它是什么或者要做什么。要避免短的、无意义的命名,如“str1”。两个名字的区分要清晰,冗余的字符不要放到名字里,比如给一个list起名叫“AddressList”。名字应该是能够读的出来的,方便沟通。如果通过注释才能了解一个名字或者一段代码要做什么,那就是失败的代码。


再说函数:

函数应该尽可能的短小,且专注于完成一件事。函数的参数也应该控制在一两个,如果参数过长,那可以考虑封装为一个类了。尽量不要返回null,可以抛出异常,不要返回错误码。

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