黑马程序员——IOS基础(用户标识符的作用域和存储类)

本文详细介绍了C语言中的变量存储分类,包括局部变量、全局变量的不同存储类别及作用域,探讨了auto、register、static变量的特点,并解释了函数的存储分类。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

------Java培训、Android培训、iOS培训、.Net培训、期待与您交流! -------


一、局部变量、全局变量和存储分类

        1.用户标识符的作用域
           在C语言中用户标识符都有一个作用域,所谓的“作用域”是指程序中的某一部分,在这一部分中,该标识符
        是有定义的,可以 被C编译和连接程序所识别的。

        2.局部变量、全局变量和存储分类
           全局变量:在函数外部定义的变量。(它是静态变量)
           局部变量:在函数内部或复合语句内定义的变量。(它可以静态变量,也可以是自动 )

       3.有两种存储类别:自动类和静态类。
           有四个于存储类别有关的说明符:auto(自动)、register(寄存器)、static(静态)
       

二、局部变量及其作用域和生存期

      1.auto变量
         在函数内部或复合语句内定义变量时,如果没有指定存储类别,或使用了auto说明符,系统将默认该变量为自动类别
              float a;  等价于: auto float a;
         说明:(1)auto变量的存储单元被分配在内存的动态存储区,每当进入函数时(或复合语句)时,系统自动为auto变
                             量分配存储单元, 退出时自动释放这些存储单元另作他用。
                    (2)局部变量的定义必须放在所在函数体(或复合语句)中全部可执行语句之前
                    (3)所有自动类局部变量的生存期是调用所在函数(或复合语句)时都退出所在函数(或复合语句)

       2.register变量
            寄存器变量也是自动类变量,它与auto的区别:用register说明的变量建议编译程序将变量的值保存在CPU的寄存器中,
        而不像一般变量那样,占内存单元。程序运行时,访问存于寄存器内的值要比访问存于内存中的值快得多。
            例:
                   #include <stdio.h>
                     int power (int ,register int);
                     main( )
                    {   int s;
                        s = power(5,3);
                        printf("%d\n",s);
                     }
                     int power(int x,register int n)   /* 函数power()用于计算X的N次方 */
                      {  register int n;
                         for(p = 1;n;n--)
                              p=p*x;
                               return p;
                       }
               在power函数中,用作循环变量的n和存放连乘积的变量p被定义为register变量,以便加快求积速度。

          说明:(1)CPU中寄存器的数目是有限的,因此只能说明少量的寄存器变量
                  (2)由于register变量的值是是放在寄存器内而不是放在内存中,所以register变量没有地址
                 (3)register变量的说明应尽量靠近其使用的地方,用完之后尽快释放,以便提高寄存器的使用效率

        3.静态存储类的局部变量
           局部变量用static来说明,作用域与auto、register类的变量一样,但有两点本质的区别:
           (1)在整个程序运行期间,静态局部变量在内存的静态存储区中占有永久性的空间,即使退出函数后也
                    不释放。
           (2)静态局部变量的初值是在编译时赋予的,不是在程序执行期间(自动变量是在程序执行期间),对
                    未赋初值的静态局部变量,C编译程序自动给它赋初值0

三、全局变量及其作用域和生存期       

         全局变量只有静态一种类别。对于全局变量可使用extern和static两种说明符
     1.全局变量的作用域和生存期
        全局变量的作用域是从变量定义的位置开始,到整个源文件结束为止。
         例:
               void fun1(void);
               void funl2(void);
               int sunm;
               main( )
               { . . . sum++; . . . }
               void fun1(void)
                { . . . sum++; . . . }
               int test;
               void funl2(void);
              { . . . sum++;test =1; . . . }
           变量sum和test都是全局变量。sun它的作用域是整个程序(覆盖了三个函数),而test的作用域从定义开
           始到程序结束(只覆盖了fun2函数)
          说明:(1)全局变量的生存期是整个程序的运行期间
                    (2)若全局变量和某个函数中的局部变量同名,则在此函数中全局变量将被屏蔽
                    (3)全局变量在整个程序运行期间都占用内存空间
                    (4)全局变量必须在函数以外定义
         注意:当全局变量定义在后引用它的函数在前,应该在引用它的函数中用extrn对此全局变量进行说明。

四、函数的存储分类

     1.用extrn说明函数
        若在函数定义时在函数返回类型前加上说明符extrn,则称此函数为外部函数(函数默认为外部函数)
        外部函数的特征:可以被其他编译单位中的函数调用。
     2.用static说明函数
        若在函数定义时在函数返回类型前加上说明符static,则称此函数为静态函数
        静态函数的特征:只限于本编译单位的其他函数调用它,而不允许其他编译单位中的函数对它进行调用。


内容概要:本文介绍了基于Python实现的SSA-GRU(麻雀搜索算法优化门控循环单元)时间序列预测项目。项目旨在通过结合SSA的全局搜索能力GRU的时序信息处理能力,提升时间序列预测的精度效率。文中详细描述了项目的背景、目标、挑战及解决方案,涵盖了从数据预处理到模型训练、优化及评估的全流程。SSA用于优化GRU的超参数,如隐藏层单元数、学习率等,以解决传统方法难以捕捉复杂非线性关系的问题。项目还提供了具体的代码示例,包括GRU模型的定义、训练验证过程,以及SSA的种群初始化、迭代更新策略适应度评估函数。; 适合人群:具备一定编程基础,特别是对时间序列预测深度学习有一定了解的研究人员技术开发者。; 使用场景及目标:①提高时间序列预测的精度效率,适用于金融市场分析、气象预报、工业设备故障诊断等领域;②解决传统方法难以捕捉复杂非线性关系的问题;③通过自动化参数优化,减少人工干预,提升模型开发效率;④增强模型在不同数据集未知环境中的泛化能力。; 阅读建议:由于项目涉及深度学习智能优化算法的结合,建议读者在阅读过程中结合代码示例进行实践,理解SSAGRU的工作原理及其在时间序列预测中的具体应用。同时,关注数据预处理、模型训练优化的每个步骤,以确保对整个流程有全面的理解。
内容概要:本文档详细介绍了一个基于冠豪猪优化算法(CPO)优化反向传播神经网络(BP)并结合核密度估计(KDE)的多变量回归预测项目。项目旨在解决多变量回归预测中的非线性建模与参数优化瓶颈,通过CPO算法优化BP网络权重偏置参数,显著提升训练过程的全局搜索能力预测准确率。同时,利用KDE进行残差分布建模,实现对预测结果的概率密度估计误差分析。项目涵盖了数据预处理、模型设计、参数优化、误差建模与性能评估等全流程,形成了一个系统化的多变量回归预测解决方案,适用于工业制造、金融分析、环境监测医疗健康等多个领域。 适合人群:具备一定编程基础,对机器学习特别是神经网络优化算法有一定了解的研发人员数据科学家。 使用场景及目标:①提升多变量回归预测准确性,特别是在处理复杂非线性数据时;②加速神经网络训练收敛速度,提高模型的实时响应能力;③实现预测误差的概率密度估计,为决策提供风险评估支持;④增强模型的鲁棒性泛化能力,确保在不同数据环境下保持稳定输出;⑤推动群智能优化算法在神经网络训练中的应用,探索其在多变量回归任务中的具体效果;⑥支持跨领域复杂系统的智能预测需求,满足不同行业对高精度智能预测决策支持的要求。 其他说明:项目提供了详细的模型架构技术实现步骤,包括Python代码示例,帮助用户理解实践基于CPO-BP-KDE的多变量回归预测模型。项目强调了CPO算法的全局优化能力、BP神经网络的强拟合能力以及KDE的误差概率建模能力,确保模型在实际应用中的高效性可靠性。此外,项目还讨论了如何应对多变量回归任务中的挑战,如非线性建模、参数选择、计算复杂度模型解释性等。
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