C++多态

本文介绍了C++多态的概念,包括静态多态和动态多态。阐述了C++中实现多态的条件,分析了重写、同名隐藏与重载的区别。还讲解了多态的实现原理和过程,最后介绍了final、override关键字以及抽象类等扩展内容。

概念

多种形态,在完成某个行为时,当不同的对象去完成时会产生不同的形态。多态又分为动态多态和静态多态。
静态多态(静态绑定,早绑定):编译器在编译时确定调用哪个函数(体现:函数重载、模板)。
动态多态(动态绑定,晚绑定):编译时无法确定具体调用哪个函数,只有在代码运行时才知道具体应该调用哪个函数(体现:虚函数+重写)。

C++中实现多态的条件

1.在继承体系中,基类中必须要有虚函数,派生类必须对基类进行重写
2.必须通过基类的指针或引用去调用虚函数。

上面两个条件缺一不可。
但是也有两个例外:协变析构函数
协变:返回值类型不同。基类虚函数返回基类的指针或引用,派生类虚函数返回派生类的指针或引用。基类虚函数也可以返回另一个继承体系基类的指针或引用,其派生类虚函数返回与基类返回的指针或引用相同继承体系的派生类指针或引用。
析构函数:只要基类中的析构函数被virtual关键字修饰,如果其派生类的显式提供了自己的析构函数,则形成重写。

重写、同名隐藏与重载

重写:派生类重写基类的虚函数,必须保证派生类虚函数与基类函数的原型(返回值类型、函数名字、参数列表)完全相同。
重载:只要参数列表(参数个数,参数顺序,参数类型)不同,就构成重载,与返回值无关。
同名隐藏:基类与派生类具有相同名称的成员,派生类中只要成员名称相同就构成同名隐藏。

同名隐藏重写
必须在继承体系中必须在继承体系中
基类与派生类中具有相同名称的成员被重写的函数在基类中必须是虚函数
(成员函数、 成员变量),只要名字相同就构成同名隐藏,与成员函数参数类型以及返回值类型是否相同无关派生类重写基类的虚函数时,必须要与基类的虚函数原型完全相同(返回值类型以及参数列表完全相同,例外:协变、析构函数重写)。
对基类函数是否为虚函数没有要求基类函数必须为虚函数

多态实现原理

如果类中包含有虚函数,编译器会给该类的对象多增加4字节,在这新增加的4个字节中存放指向虚函数表格(虚表)的指针(虚表指针)。虚表中的虚函数按照其在类中声明的先后顺序存放,同一个类的所有不同对象在底层共用该类的虚表。此外,只要类中存在虚函数,即使派生类未对基类中虚函数进行重写,该派生类也有属于自己的虚表(与基类没有共用)。但是派生类虚表中的内容与基类中虚表的内容完全相同。

多态实现过程:

  1. 将基类虚函数表中内容拷贝一份放在派生类虚表中。
  2. 如果派生类重写了基类中的虚函数,编译器将会使用派生类自己的虚函数替换基类中相同偏移量的函数。
  3. 对于派生类新增加的一个或多个虚函数,按照其在派生类中声明的次序添加到虚表的最后。
  4. 运行时从对象前四个字节中获取基表地址,从虚表中获取到虚函数的地址并进行调用。

扩展

final:修饰虚函数,表示该虚函数不能再被继承。
override:检测修饰的函数有没有重写,只能修饰派生类虚函数。
抽象类:类中虚函数都写成纯虚函数,即虚函数=0。抽象类不能实例化,但可以创建抽象类的指针。如果派生类没有重写基类的纯虚函数,派生类仍为抽象类。

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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