模拟原神圣遗物系统-小森设计项目,设计第一个圣遗物套装(冒险家)死之羽

引言

emmm 怎么说呢 虽然休息了几十天。 感觉也就这样 先不管怎么加成 百分比加成 就算是有 也写不出来 所以首先先不管百分比,就说数值

Plumeofdeath::Plumeofdeath(int id, string name, int Level){
    this->id = id;
    this->name = name;
    this->level = Level;

}

死之羽 可能有点小改当然变化是有点的,但问题不是非常大

实现

int adventurerPlumeofdeath::ATK(){
    MainGlossary* mainGlossary = dynamic_cast<decltype(mainGlossary)>(m_Glossary);
    return (mainGlossary ? mainGlossary->Attack() : 0);
}

string adventurerPlumeofdeath::SubEntry()
{
    return string();
}

void adventurerPlumeofdeath::updateEntry()
{
   // int size = m_SubEntry.size();


    // UpdeateSubEntry = new UpdeateSubEntry(this);
    //switch (this->level) {

    //case 4:
    //    //if ((3 == size)) {
    //    //    //随机生成

    //    //}
    //    //else {
    //    //    //  UpdeateSubEntry. Updeate();
    //    //}

    //case 6:
    //    // UpdeateSubEntry. Updeate();
    //case 8:
    //    // UpdeateSubEntry. Updeate();

    //case 12:
    //    // UpdeateSubEntry. Updeate();

    //default:

    //};

}

ArtifactSetType adventurerPlumeofdeath::getArtifactSetType()
{
    return ArtifactSetType::adventurer;
}

adventurerPlumeofdeath::~adventurerPlumeofdeath(){
    delete this->m_Glossary;
}

设计思路
继承死之羽老爹的遗产 ,重写老爹的部分 就变成我冒险者

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
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

打赏作者

小森程序员

若能帮助到你,小费自愿付费

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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