第17周项目-体会函数参数传递

本文详细解析了使用引用和指针作为参数在C++中的应用,并通过单步调试展示了参数传递过程。文章提供了运行结果和单步调试结果,帮助读者深入理解参数传递机制。
/  
*copyright (c)2014,烟台大学计算机学院  
*All rights reserved  
*文件名称:123.cpp  
*作者:孙春红  
*完成日期:2014年12月19日  
*版本号:v1.0  
*  
*问题描述:阅读下面的程序,写出期望中的运行结果。上机运行对照,
并用单步执行的方法再次体会,完全掌握用指针和引用作为形式参数的
用法。
*输入描述:略。  
*程序输出:略。  
*/  

#include <iostream>
using namespace std;
void fun1(int &x,int &y);//引用做形参
void fun2(int *x, int *y);//指针做形参
int main()
{
    int a,b;
    a=11;
    b=22;
    fun2(&a,&b);
    cout<<"a="<<a<<" b="<<b<<endl;
    fun1(a, b);
    cout<<"a="<<a<<" b="<<b<<endl;
    return 0;
}
void fun1(int &x,int &y)//a与x相等,b与y相等;引用做形参
{
    int t;
    t=x;
    x=y;
    y=t;//交换
}
void fun2(int *x, int *y)//指针做形参x指向a,y指向b
{
    int  *t;//定义指针,使所有元素一致
    t=x;
    x=y;
    y=t;//交换
}
运行结果:


单步调试结果:

点击step into进入函数,进行fun2运行


继续运行最后ab交换了值。


继续进行函数的引用。



知识点总结:

运用单步调试,体会了递归函数的传递。

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
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