[加餐]指针和动态内存管理 以及【加餐】使⽤指针实现链表

[加餐]指针和动态内存管理

X64环境下的地址较长 X86环境下的地址较短

每个字节都有其对应的地址

编译器在每次编译代码时,给eg:变量分配的空间位置不一定跟上次一样

字符的地址用cout打印的话会以为是字符串(因为会被看做是C风格字符串的起始地址)
,所以一般用printf打印
int*强转成char*(会发生类型截断)再强转成int*(会发生类型扩展,恢复原来状态)
void*强转成其他类型会通过类型截断和扩展让强转后可以正常使用

地址之间也可以比大小

随着数组下标的增长,地址是由低到高变化的

静态区也叫做数据段

*指针变量得到的是指针指向的地址中存的值

默认情况下,堆区的空间都需要手动申请和释放

C++中new可以申请数组空间的同时初始化(但要C++11及之后才行)
int* arr = new int[5]{1, 2, 3, 4, 5};

【加餐】使⽤指针实现链表

在这里插入图片描述

面向过程方式和面向对象方式(把面向过程的封装一下就行了)是两种不同的编程方法论
内容概要:本文详细探讨了基于樽海鞘算法(SSA)优化的极限学习机(ELM)在回归预测任务中的应用,并与传统的BP神经网络、广义回归神经网络(GRNN)以及未优化的ELM进行了性能对比。首先介绍了ELM的基本原理,即通过随机生成输入层与隐藏层之间的连接权重及阈值,仅需计算输出权重即可快速完成训练。接着阐述了SSA的工作机制,利用樽海鞘群体觅食行为优化ELM的输入权重隐藏层阈值,从而提高模型性能。随后分别给出了BP、GRNN、ELMSSA-ELM的具体实现代码,并通过波士顿房价数据集其他工业数据集验证了各模型的表现。结果显示,SSA-ELM在预测精度方面显著优于其他三种方法,尽管其训练时间较长,但在实际应用中仍具有明显优势。 适合人群:对机器学习尤其是回归预测感兴趣的科研人员技术开发者,特别是那些希望深入了解ELM及其优化方法的人。 使用场景及目标:适用于需要高效、高精度回归预测的应用场景,如金融建模、工业数据分析等。主要目标是提供一种更为有效的回归预测解决方案,尤其是在处理大规模数据集时能够保持较高的预测精度。 其他说明:文中提供了详细的代码示例性能对比图表,帮助读者更好地理解复现实验结果。同时提醒使用者注意SSA参数的选择对模型性能的影响,建议进行参数敏感性分析以获得最佳效果。
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