记一次C++与lua连接

今晚,花了两个多钟折腾lua和c++的互连,终于成功了,觉得有必要记录下来。说实话,搜索引擎真是有利有弊,利在你有地方搜答案,弊则在于你半天都找不到正确的答案甚至找到误导你的答案,今晚更加加深了我的体会,不过总算折腾出点成果了。

前期准备:装好LuaForWindows(LFW),装好Visual Studio 2013(其实用6.0就已经足够了)。

接下来,打开VS,新建一个解决方案,在解决方案下新添加一个工程,作为我的第一个例子,就新建了一个win32控制台程序。然后,右键工程设置它的属性:

配置属性->VC++目录->可执行文件目录,设置LFW目录,例:E:\Program\lua\5.1

配置属性->VC++目录->包含目录,设置include文件夹,例:E:\Program\lua\5.1\include

配置属性->VC++目录->库目录-设置lib目录,例:E:\Program\lua\5.1\lib

链接器->输入->附加依赖项,添加“lua5.1.lib;lua51.lib”

接下来,送上C++代码了,在网上东拼西凑,再加点自己代码的混合体:

复制代码
 1 // Test.cpp : 定义控制台应用程序的入口点。
 2 //
 3 #include "stdafx.h"
 4 #include "stdlib.h"
 5 extern "C"{
 6     #include "lua.h"
 7     #include "lualib.h"
 8     #include "lauxlib.h"
 9 };
10 
11 lua_State *L;
12 int luaAdd(int x, int y)
13 {
14     int sum;
15     lua_getglobal(L, "add");
16     lua_pushnumber(L, x);
17     lua_pushnumber(L, y);
18     lua_call(L, 2, 1);
19     sum = (int)lua_tonumber(L, -1);
20     lua_pop(L, 1);
21     return sum;
22 }
23 
24 int _tmain(int argc, _TCHAR* argv[])
25 {
26     int sum = 0;
27     L = lua_open();
28     luaopen_base(L);
29     luaL_openlibs(L);
30     luaL_loadfile(L, "add.lua");
31     lua_pcall(L, 0, LUA_MULTRET, 0);
32     sum = luaAdd(10, 15);
33     printf("The sum is %d\n", sum);
34     lua_close(L);
35     system("PAUSE");
36     return 0;
37 }
复制代码

还有add.lua脚本:

--简单的例子,只做整数加法
function add(x, y)
    return x + y
end

脚本保存在工程目录下,和cpp文件住在一起。

总算看到控制台的显示“The sum is 25”了,虽说,整个过程写出来好像很简单的样子,但折腾一下就知道探索的过程有多辛苦了!

内容概要:本文介绍了一种基于蒙特卡洛模拟和拉格朗日优化方法的电动汽车充电站有序充电调度策略,重点针对分时电价机制下的分散式优化问题。通过Matlab代码实现,构建了考虑用户充电需求、电网负荷平衡及电价波动的数学模【电动汽车充电站有序充电调度的分散式优化】基于蒙特卡诺和拉格朗日的电动汽车优化调度(分时电价调度)(Matlab代码实现)型,采用拉格朗日乘子法处理约束条件,结合蒙特卡洛方法模拟大量电动汽车的随机充电行为,实现对充电功率和时间的优化分配,旨在降低用户充电成本、平抑电网峰谷差并提升充电站运营效率。该方法体现了智能优化算法在电力系统调度中的实际应用价值。; 适合人群:具备一定电力系统基础知识和Matlab编程能力的研究生、科研人员及从事新能源汽车、智能电网相关领域的工程技术人员。; 使用场景及目标:①研究电动汽车有序充电调度策略的设计仿真;②学习蒙特卡洛模拟拉格朗日优化在能源系统中的联合应用;③掌握基于分时电价的需求响应优化建模方法;④为微电网、充电站运营管理提供技术支持和决策参考。; 阅读建议:建议读者结合Matlab代码深入理解算法实现细节,重点关注目标函数构建、约束条件处理及优化求解过程,可尝试调整参数设置以观察不同场景下的调度效果,进一步拓展至多目标优化或多类型负荷协调调度的研究。
内容概要:本文围绕面向制造业的鲁棒机器学习集成计算流程展开研究,提出了一套基于Python实现的综合性计算框架,旨在应对制造过程中数据不确定性、噪声干扰面向制造业的鲁棒机器学习集成计算流程研究(Python代码实现)及模型泛化能力不足等问题。该流程集成了数据预处理、特征工程、异常检测、模型训练优化、鲁棒性增强及结果可视化等关键环节,结合集成学习方法提升预测精度稳定性,适用于质量控制、设备故障预警、工艺参数优化等典型制造场景。文中通过实际案例验证了所提方法在提升模型鲁棒性和预测性能方面的有效性。; 适合人群:具备Python编程基础和机器学习基础知识,从事智能制造、工业数据分析及相关领域研究的研发人员工程技术人员,尤其适合工作1-3年希望将机器学习应用于实际制造系统的开发者。; 使用场景及目标:①在制造环境中构建抗干扰能力强、稳定性高的预测模型;②实现对生产过程中的关键指标(如产品质量、设备状态)进行精准监控预测;③提升传统制造系统向智能化转型过程中的数据驱动决策能力。; 阅读建议:建议读者结合文中提供的Python代码实例,逐步复现整个计算流程,并针对自身业务场景进行数据适配模型调优,重点关注鲁棒性设计集成策略的应用,以充分发挥该框架在复杂工业环境下的优势。
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
 
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