链表练习2

/*
* 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 rightsreserved.
* 文件名称: fun.cpp
* 作 者:王飞
* 完成日期:2013 年1月 25日
* 版本号: v1.0
* 对任务及求解方法的描述部分:结构体问题
* 输入描述:略
* 问题描述:略
* 程序输出:如下
*/

#include <iostream>
#include <string>

using namespace std;
struct Student
{
	int num;
	string name;
	float score[3];

};

int main()
{	void print(Student *);	//函数声明,形参为指向Student类型的数据指针变量
	Student stu;
	stu.name="li min";
	stu.num=1001;
	stu.score[0]=12;
	stu.score[1]=12.12;
	stu.score[2]=34.1;
			
	Student *pt=&stu;					//定义基类型为Student类型数据的指针变量pt,并指向stu
	print(pt);							//实参为指向结构体变量的stu指针变量
	return 0;


}
void print(Student *p)					//定义函数,形参p是基类型为Student的指针变量
{
	cout<<p->num<<" "<<p->name<<" "<<p->score[0]<<" "<<p->score[1]<<" "<<p->score[2]<<" "<<endl;

}


 

截图:

心得体会:

自己感觉C++首先要学习他的形式,在熟练应用之后再深入探究会比较好一点.

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 4
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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