第四章 U3D中常用的数据结构

本文详细介绍了C#中常用的集合类,包括Array、ArrayList、List<T>、LinkedList<T>等的基本特性和使用场景,并对比了它们之间的差异。此外还探讨了Queue<T>与Stack<T>的通用性,以及HashTable与Dictionary<T,T>在解决哈希冲突方面的不同策略。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Array

  就是最最基本的数组,会有各种越界之类的问题

  int[] array1=new int[] {};定义大概长这样

  

ArrayList

  Array的vector版本,但是所有的元素类型都是对象,因此涉及到装箱拆箱以及类型不安全等问题

  必须引入System.Collections

  问题大概就是,装箱拆箱的性能损耗。以及元素都是对象带来的类型不安全吧。

 

List<T>

  就是C++的vector<T>版本了

  没有上述二者的问题

 

LinkedList<T>

  适用于经常需要增减的数据类型。然后只需要知道节点的对应类型是LinkedListNode<T>就行了

 

Queue<T>与Stack<T>

  没什么好介绍的,这个应该比较常见了

 

HashTable与Dictonary<T,T>

  解决哈希冲突的哪几种方法,我也懒得写,是那种看起来比较复杂但是实际上用简单原理解释了的东西吧(大概)这里懒得介绍了

  你只需要知道哈希表的KEY与VALUE类型都是object,然后识别key使用GetHashCode来实现的

  Dictonary<T,T>基本可以看作是HashTable的泛型版本,但是其实字典处理哈希冲突用了链接技术,比哈希表遇到同样情况要高效

  遍历字典的方法:

    forech var in dict

    使用dict.keys(对应的数组)

    使用键值对类型KeyValuePair<T,T>

    

  呃,所以哈希表怎么遍历呢……

  

  

 

  

 

转载于:https://www.cnblogs.com/Ash-game/p/6832923.html

内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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