温习星星图,都来看看,和你不一样哦!

本文通过两个C++程序实例展示了函数调用的应用,第一个程序打印不同行数的星星,第二个程序则展示了一种更加复杂的星星图案打印方法。文章最后分享了作者通过实践掌握函数调用的心得体会。
/*
 * Copyright (c) 2012, 烟台大学计算机学院 
 * All rights reserved. 
 * 作    者张浩  
 * 完成日期:2012 年 11月18日 
 * 版 本 号:v1.0 
  * 输入描述:星星 
* 问题描述:
* 程序输出:略
* 问题分析:函数的调用 
* 算法设计:略 
*/

using namespace std;
void pr(char a,int n)
{
	for(int j=1;j<=n; j++)
		cout<<a;
		cout<<endl;
	
}
int main(){
	int i;
	for(i=1;i<=7;i++){
		pr('*',2*i-1);
	}
	return 0;
}


#include<iostream>
using namespace std;
void pr(char a,int b)
{
	for(int j=1;j<=b;j++)
	cout<<a;
	}
int main(){
	int i,n=7;
	for(i=1;i<=n;i++){
		pr('*',n-i);
		pr(' ',2*i-1);
		pr('*',n-i);
		cout<<endl;
	}
	return 0;
}


运行结果:

 

心得体会:函数的调用,我会了,。

先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方的例子。 简单的平方问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论 1
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