STL中map,set的基本用法示例

本文主要是使用了STL中德map和set两个容器,使用了它们本身的一些功能函数(包括迭代器),介绍了它们的基本使用方式,是一个使用熟悉的过程。

map的基本使用:

#include "stdafx.h"
#include<iostream>
#include<set>
#include<string>
#include<vector>
#include<map>

using namespace std;

int main()                
{
	//定义map对象
	map<string,float> myMap;
	myMap["jack"]=98.5;
	myMap["bomi"]=98.0;
	myMap["Kate"]=97.6;

	map<string,float>::iterator itm;
	for(itm=myMap.begin();itm!=myMap.end();itm++)
	{
		//按照键值与映照的数据输出
		cout<<(*itm).first<<" : "<<(*itm).second<<endl;
	}


	int k=0;
	cin>>k;
	return 0;
}
set的基本使用示例:

#include "stdafx.h"
#include<iostream>
#include<set>
#include<string>
#include<vector>

using namespace std;

int main()                
{
	set<int> mySet;
	mySet.insert(8);
	mySet.insert(1);
	mySet.insert(12);
	mySet.insert(6);
	mySet.insert(8);            //这里因为前面已经插入了8,重复元素,不会插入。

	set<int>::iterator its;  //set容器的迭代器

	cout<<"正向遍历:"<<" ";
	for(its=mySet.begin();its!=mySet.end();its++)   //正向遍历
	{
		cout<<*its<<" ";
	}
	cout<<endl<<"反向遍历:"<<" ";

	set<int>::reverse_iterator rit;            //set的逆向迭代器
	for(rit=mySet.rbegin();rit!=mySet.rend();rit++)
	{
		cout<<*rit<<" ";
	}

	//删除键值为6的元素
	mySet.erase(6);
	cout<<endl<<"删除之后的反向遍历:"<<" ";
    for(rit=mySet.rbegin();rit!=mySet.rend();rit++)
	{
		cout<<*rit<<" ";
	}

	//set中元素的检索
	mySet.insert(17);
	mySet.insert(10);

	cout<<endl;
	its=mySet.find(10);            //使用迭代器来查找,没找到就返回end().
	if(its!=mySet.end()) cout<<"找到了"<<*its<<endl;
	else cout<<"没有找到查询的元素"<<endl;

	its=mySet.find(100);
    if(its!=mySet.end()) cout<<"找到了"<<*its<<endl;
	else cout<<"没有找到查询的元素"<<endl;	


	int k=0;
	cin>>k;
	return 0;
}

一些细节的地方说明,请看源码中的注释,谢谢!



转载于:https://www.cnblogs.com/NewWork/p/3260543.html

基于径向基函数神经网络RBFNN的自适应滑模控制学习(Matlab代码实现)内容概要:本文介绍了基于径向基函数神经网络(RBFNN)的自适应滑模控制方法,并提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力和滑模控制的强鲁棒性,用于解决复杂系统的控制问题,尤其适用于存在不确定性和外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构与权重更新机制、滑模面的构建以及自适应律的推导过程,并通过Matlab仿真验证了所提方法的有效性和稳定性。此外,文档还列举了大量相关的科研方向和技术应用,涵盖智能优化算法、机器学习、电力系统、路径规划等多个领域,展示了该技术的广泛应用前景。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的研究生、科研人员及工程技术人员,特别是从事智能控制、非线性系统控制及相关领域的研究人员; 使用场景及目标:①学习和掌握RBF神经网络与滑模控制相结合的自适应控制策略设计方法;②应用于电机控制、机器人轨迹跟踪、电力电子系统等存在模型不确定性或外界扰动的实际控制系统中,提升控制精度与鲁棒性; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,深入理解算法实现细节,同时可参考文中提及的相关技术方向拓展研究思路,注重理论分析与仿真验证相结合。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
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