C++程序设计实验报告(十二)----计算sin和cos的近似值

本文介绍了一种使用泰勒公式实现自定义sin和cos函数的方法,并通过具体实例展示了如何在不依赖标准数学库的情况下计算这些三角函数的近似值。

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

第13周报告2:
实验目的:学会使用自定义函数解决实际问题
实验内容:定义自定义函数,计算sin和cos的近似值

* 程序头部注释开始(为避免提交博文中遇到的问题,将用于表明注释的斜杠删除了)
* 程序的版权和版本声明部分
* Copyright (c) 2011, 烟台大学计算机学院学生
* All rights reserved.
* 文件名称:      sin&cos                       
* 作    者:       刘镇                      
* 完成日期:         2011年     11  月   16     日
* 版 本号:         1.009

* 对任务及求解方法的描述部分
* 输入描述:无
* 问题描述:自定义函数,用泰勒公式实现计算sin和cos的近似值,要求:(1)求sin、cos时,不能用数学库函数(即不得用#include<Cmath>),而是自己编函数实现,为区别,可以分别起名为mysin和mycos;(2)自定义函数要写在main函数之后;(3)自定义函数的效率问题必须考虑;(4)关于精度:当最后一项的绝对值小于0.00001时,累加结束。
* 程序输出:sin(π/2)、cos(87°)的值(提示:用泰勒公式在π/2附近误差较大,输出分别为0.911557和-0.26322,而真值分别为1和0.052336,当度数较小时,效果要好一些,请自行对比。)
* 问题分析:……
* 算法设计:使用泰勒公式
* 程序头部的注释结束

#include <iostream>

#include<Cmath>  //为便于对比结果,main函数中调用了Cmath中的库函数sin和cos

using namespace std;

const double pi=3.1415926;

double mysin(double);
double mycos(double);

int main( )
{
	cout << "sin(π/2)的值为" << mysin(pi / 2) << endl;
	cout << "cos(87°)的值为" << mycos((87.0 / 180) * pi) << endl;
	cout << "sin(π/2)的更精确的值为" << sin(pi / 2) << endl;  //库函数提供的值
	cout << "cos(87°)的更精确的值为" << cos((87.0 / 180) * pi) << endl;
	
	return 0;
}
double mycos(double x)
{ 
	
	double a = 1, s = 1, sign = 1, i;
	
	for(i = 2; a >= 0.00001; i = i + 2)
	{  
		a = a*(x / i) * (x / (i - 1));
		
		s = s - sign * a;
		
		sign =- sign; 
		
	}
    return (s);
}

double mysin(double x)
{ 
	
	double a = x, s = x, sign = 1, i;
	for(i = 3; a >= 0.00001; i = i + 2)
	{  
		a = a * (x / i) * (x / (i - 1));
		
		s = s - sign * a;
		
		sign =- sign; 
		
	}
    return (s);
}


 

 

 

 


运行结果:



经验积累:
1. 做科学计算时,需要对所用方法的数学性质有所了解,计算误差要引起注意
2.问渠那得清如许,为有源头活水来。只有在正确的思路下才会有好的结果。
3.单步调试,是我们的好帮手

上机感言:这次我遇到了困难,一节课没解决,在自己理清思路后,还是结果不对,单步执行,耐心的一步步看,学会真正的利用断点,找出感觉有错之处,加以思考,改正,再执行,思考再改正。如此反复,好的结果就会出现。坚持自己观点不错,但发现确实离经叛道,不如痛下决心,吸取组员的思想,虽然组员做的也不成功,但思路可以借鉴(其实思路是一种无形的,而非照抄代码。是一种思想的交流。),我爱我的小组,谢谢我的组员,一人的力量远没有集体的强大,今天可以总结三条:1、我学会了用心去读代码,不论组员的还是自己的,都会有启发!我能当组长真幸运!2、坚信自己会做出的就一定会!而在思路不清时,停一下,再去想!3、除了天才程序员,大多数优秀的程序都是在千锤百炼的测试改正后得到的!4、不要害怕for语句,知难而进凡是优秀的程序员。


遗传算法是一种模拟自然选择过程的优化技术,常用于解决复杂问题的全局最优解搜索。对于Dixon-Price函数这种复杂的非线性优化问题,遗传算法可以用来寻找其最小值。这个函数通常用于测试优化算法,它的公式比较复杂: \[ f(x) = \frac{1}{\sqrt{2\pi}} \sum_{i=0}^n \exp\left(-\frac{(x_i - i)^2}{2}\right) + \sin^2(\pi x_1 x_2) + \cos^2(\pi x_1 x_3) + ... + \cos^2(\pi x_{n-1} x_n) \] 步骤大致如下,用C++实现遗传算法求Dixon-Price函数最小值: 1. **初始化种群**:生成一组随机个体作为初始种群,每个个体代表一个解决方案(比如实数数组x)。 2. **适应度评估**:计算每个个体对应Dixon-Price函数的值,作为适应度度量。 3. **选择**:基于适应度选择一部分优秀的个体作为父母进入下一轮。 4. **交叉**(Crossover):对选中的父母进行交叉操作,生成新的后代个体。 5. **变异**(Mutation):对新个体进行随机变异,增加多样性。 6. **迭代**:重复上述步骤直至达到预设的停止条件(如最大迭代次数、适应度阈值等)。 7. **返回最佳解**:从最终种群中选取适应度最高的个体作为Dixon-Price函数的近似最小值。 下面是一个简单的伪代码示例: ```cpp #include <iostream> #include <vector> #include <random> // Dixon-Price 函数 double dp_function(std::vector<double> individual); // 遗传算法核心函数 std::vector<double> genetic_algorithm(int pop_size, int max_iter, double mutation_rate) { // 初始化种群... std::vector<std::vector<double>> population(pop_size); // ...(其他步骤) } int main() { int pop_size = 100; int max_iter = 1000; double mutation_rate = 0.01; auto best_solution = genetic_algorithm(pop_size, max_iter, mutation_rate); double min_value = dp_function(best_solution); std::cout << "Best solution found: " << best_solution << ", Minimum value: " << min_value << std::endl; return 0; } ```
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