c++学习点滴4

一、函数模板

1. 一些注意事项
typedef double Type;
template <class Type>  // 1. 这里的Type会覆盖全局域中的Type名字。即这里的Type不是double
const Type& min(const Type& v1, const Type& v2) {

	//typedef char Type; // 2. 不能再声明和模板参数类型同名的类型

	Type tmp = v1 < v2 ? v1 : v2;

	return tmp;
}

// 函数声明和定义中的参数类型名不必相同
template <typename T> void fun (const T& t1); // 声明
template <typename U> void fun(const U& t1); // 定义

2.函数模板的实例化

template<class T>
void fun(T t){
    cout << "void fun(T t) "  << endl;
}

void test() {
    // 函数模板在被调用或取地址的时候被实例化
    fun(3); // 被实例化
    void (*pf)(int) = &fun; // 被实例化
    pf(10);
}

3. 对于如下函数模板定义
template<class T, int size>
void fun(T (&rarr)[size]){
}

void test(int arr[3]) {
    //fun(arr); // error. arr是int*类型而非int[]类型
    int arr2[] = {1,2,3};
    fun(arr2);
}


 


二、explicit关键字

主要是用来禁止隐式转换。所有单参数构造函数、大多数情况下的拷贝构造函数都应该被声明为explicit

参考http://www.cnblogs.com/winnersun/archive/2011/07/16/2108440.html


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
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