9-4 流运算符重载运算符(二维数组类Douary)

本文介绍了一个名为Douary的二维数组类的设计与实现,重点讲解了如何通过运算符重载来实现矩阵的输入、输出以及基本的数学运算如加法、减法和比较操作。

/* (程序头部注释开始)

* 程序的版权和版本声明部分

* Copyright (c) 2012, 烟台大学计算机学院学生

 * All rights reserved.* 文件名称:流运算符重载运算符(二维数组类Douary)

* 作 者: 张传新

* 完成日期: 2012 年 4 月 20 日

* 版 本 号: 1.0

* 对任务及求解方法的描述部分

* 输入描述: 二维数组

* 问题描述: 运算符重载

* 程序输出: ......

* 程序头部的注释结束

*/

#include <iostream>  
  
using namespace std;  
  
class Douary  
{  
public:  
    Douary(int m, int n);//构造函数:用于建立动态数组存放m行n列的二维数组(矩阵)元素,并将该数组元素初始化为  
    ~Douary(); //析构函数:用于释放动态数组所占用的存储空间。  
    friend istream &operator>>(istream &input, Douary &d);//重载运算符“>>”输入二维数组,其中d为Dousry类对象;  
    friend ostream &operator<<(ostream &output, Douary &d);//重载运算符“<<”以m行n列矩阵的形式输出二维数组,其中d为Douary类对象。  
    friend Douary &operator+(const Douary &d1,const Douary &d2);//两个矩阵相加,规则:对应位置上的元素相加  
    friend Douary &operator-(const Douary &d1,const Douary &d2);//两个矩阵相减,规则:对应位置上的元素相减  
    bool operator==(const Douary &d);//判断两个矩阵是否相等,即对应位置上的所有元素是否相等  
private:  
    int **Array;      //Array为动态数组指针。  
    int row;          //row  为二维数组的行数。  
    int col;          //col  为二维数组的列数。  
};  
Douary c(2, 3);  
  
//构造函数:用于建立动态数组存放m行n列的二维数组(矩阵)元素,并将该数组元素初始化为 
Douary::Douary(int m, int n)  
{  
    row = m;  
    col = n;  
    Array = new int*[m];  
    for(int i = 1; i <= row; ++i)  
    {  
        Array[i] = new int[n];  
    }  
}  
 
//析构函数:用于释放动态数组所占用的存储空间。
Douary::~Douary()  
{  
    for(int i = 1; i <= row;i++)  
    {  
        {  
  
            delete [] Array[i];  
  
        }   
  
              delete [] Array;  
  
    }  
}  
 
//重载运算符“>>”输入二维数组,其中d为Dousry类对象;
istream &operator >> (istream &input, Douary &d)  
{  
    for(int i = 1; i <= d.row; ++i)  
    {  
        for(int j = 1; j <= d.col; ++j)  
        {  
            input >> d.Array[i][j];  
        }  
    }  
    return input;  
}  
  
//重载运算符“<<”以m行n列矩阵的形式输出二维数组,其中d为Douary类对象。  
ostream &operator << (ostream &output, Douary &d)  
{  
    for(int i = 1; i <= d.row; ++i)  
    {  
        for(int j = 1; j <= d.col; ++j)  
        {  
            output << d.Array[i][j] << " ";  
        }  
        cout << endl;  
    }  
  
    return output;  
}  
 
//两个矩阵相加,规则:对应位置上的元素相加
Douary &operator + (const Douary &d1,const Douary &d2)  
{  
    for(int i = 1; i <= d1.row; ++i)  
    {  
        for(int j = 1; j <= d1.col; ++j)  
        {  
            c.Array[i][j] = d1.Array[i][j] + d2.Array[i][j];  
        }  
    }  
  
    return c;  
}  
  
//两个矩阵相减,规则:对应位置上的元素相减  
Douary &operator - (const Douary &d1,const Douary &d2)  
{  
  
    for(int i = 1; i <= d1.row; ++i)  
    {  
        for(int j = 1; j <= d1.col; ++j)  
        {  
            c.Array[i][j] = d1.Array[i][j] - d2.Array[i][j];  
        }  
    }  
  
    return c;  
}  
  
//判断两个矩阵是否相等,即对应位置上的所有元素是否相等  
bool Douary::operator == (const Douary &d)  
{     
    for(int i = 1; i <= row; ++i)  
    {  
        for(int j = 1; j <= col; ++j)  
        {  
            if(Array[i][j] != d.Array[i][j])  
            {  
                return false;  
  
                break;  
            }  
        }  
    }  
  
    return true;  
}  
  
int main()  
{  
    Douary d1(2,3),d2(2,3);  
  
    cout << " 请输入d1: " << endl;  
    cin>>d1;  
  
    cout << " 请输入d2: " << endl;  
    cin >> d2;  
  
    cout << " d1= " << endl;  
    cout << d1;  
  
    cout << " d2= " << endl;  
    cout << d2;  
  
    cout << " d1+d2= " << endl;  
    cout << (d1+d2);  
  
    cout << " d1-d2= " << endl;  
    cout << (d1-d2);  
  
    cout << " d1 " << ((d1==d2)?" == ":" != ") << " d2 " << endl;  
  
    system("pause");  
  
    return 0;  
} 

运行结果:


感言:数组该复习了!!!

基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合数据驱动方法与Koopman算子理论的递归神经网络(RNN)模型线性化方法,旨在提升纳米定位系统的预测控制精度与动态响应能力。研究通过构建数据驱动的线性化模型,克服了传统非线性系统建模复杂、计算开销大的问题,并在Matlab平台上实现了完整的算法仿真与验证,展示了该方法在高精度定位控制中的有效性与实用性。; 适合人群:具备一定自动化、控制理论或机器学习背景的科研人员与工程技术人员,尤其是从事精密定位、智能控制、非线性系统建模与预测控制相关领域的研究生与研究人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能预测控制;②为复杂非线性系统的数据驱动建模与线性化提供新思路;③结合深度学习与经典控制理论,推动智能控制算法的实际落地。; 阅读建议:建议读者结合Matlab代码实现部分,深入理解Koopman算子与RNN结合的建模范式,重点关注数据预处理、模型训练与控制系统集成等关键环节,并可通过替换实际系统数据进行迁移验证,以掌握该方法的核心思想与工程应用技巧。
基于粒子群算法优化Kmeans聚的居民用电行为分析研究(Matlb代码实现)内容概要:本文围绕基于粒子群算法(PSO)优化Kmeans聚的居民用电行为分析展开研究,提出了一种结合智能优化算法与传统聚方法的技术路径。通过使用粒子群算法优化Kmeans聚的初始聚中心,有效克服了传统Kmeans算法易陷入局部最优、对初始值敏感的问题,提升了聚的稳定性和准确性。研究利用Matlab实现了该算法,并应用于居民用电数据的行为模式识别与分,有助于精细化电力需求管理、用户画像构建及个性化用电服务设计。文档还提及相关应用场景如负荷预测、电力系统优化等,并提供了配套代码资源。; 适合人群:具备一定Matlab编程基础,从事电力系统、智能优化算法、数据分析等相关领域的研究人员或工程技术人员,尤其适合研究生及科研人员。; 使用场景及目标:①用于居民用电行为的高效聚分析,挖掘典型用电模式;②提升Kmeans聚算法的性能,避免局部最优问题;③为电力公司开展需求响应、负荷预测和用户分群管理提供技术支持;④作为智能优化算法与机器学习结合应用的教学与科研案例。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,深入理解PSO优化Kmeans的核心机制,关注参数设置对聚效果的影响,并尝试将其应用于其他相似的数据聚问题中,以加深理解和拓展应用能力。
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