Java 起步小结(未完)

关于类的基础:
1.类名必须和文件名相同。public class a{} 产生文件 a.java
2.类中main函数的写法固定 public static main(string[] args){ }
3.类里面有基本变量、对象、方法、代码块

按规范,变量或对象应该使用驼峰命名

抽象类 接口
(未完)
继承 多态.
(未完)
方法的调用
实例方法的调用 实例名.方法
类方法的调用 类名.方法

关于状态字static:
静态意味着它为所有实例所共享

类中要有静态成员,就必须是静态类。
静态成员变量,是被共享的。通过一个对象改了以后,这一块就变了。
方法
静态方法 非静态方法 可以通过类名调用。非静态只能通过对象名调用
对象
很少用到
代码块
代码块的执行顺序 static块>匿名块>构造函数
1.static块只在类第一次被加载时调用
2.匿名块每次调用类的时候会被执行
3.构造函数是在new对象的时候执行
4.注意执行顺序。比如匿名块都执行完以后才执行构造函数
建议把匿名块写法改成一个函数initial(),然后封装在构造函数里调用会更清晰。

单例模式
一个类只有一个对象,在类里面就写好;构造函数写成private;只能通过类的其他方法获得这个对象(的指针)。这种写法里,不是用new来获取这类的对象,开眼界了。
这种模式有利于数据共享。

关于状态字final
用来修饰类,则不能被子类继承
用来修饰父类中的方法,方法不能被子类重写。
用来修饰基本变量,则基本变量的内容就不能变了。
用来修饰一个对象,则对象的指针不能变了。如 class final obj = new class()

java中是这样的,int i = 10;则记住这整个i,指针+内容。class obj = new…则记住的是指针,指向一块内容(表达有点奇怪)

用public static final 即可轻松定义一个常量。注意,按规范常量应全大写,如
public static final int UPPER_BOUND

接口中的变量,编译器自动把它转变成一个常量。见第六章第四节常量设计

常量池
int short string character byte
1.这些包装类的常量都会存储下来,名字不同值相同的变量其实指向同一份东西,也就是地址相同。而且编译器有优化,如’a’+‘b’+‘c’ = ‘abc’, 在.class文件中只能看到’abc’
节约内存,共享访问
2.基本类型的包装类和字符串有两种创建方式
一种是赋值式创建,int a = 10;将被常量化,放在栈内存。
一种是new创建,Integer a = new Integer(10) ,不会被常量化,放在堆内存。
栈共享,堆是自己的(操作系统中有提到,线程)。栈内存容量小,速度快,堆内存容量大,速度相对慢。
3.关于是比地址还是值的比较;包装类,自动装箱与拆箱。
基本数据类型是没有方法的,java通过将他们包装成对象获得方法。对象和基本数据类型比较,对象会自动拆箱,比较值。对象和对象比较,则比较二者指针。包装类在缓冲池中,则两对象指针相同。

使用优化算法,以优化VMD算法的惩罚因子惩罚因子 (α) 和分解层数 (K)。 1、将量子粒子群优化(QPSO)算法与变分模态分解(VMD)算法结合 VMD算法背景: VMD算法是一种自适应信号分解算法,主要用于分解信号为不同频率带宽的模态。 VMD的关键参数包括: 惩罚因子 α:控制带宽的限制。 分解层数 K:决定分解出的模态数。 QPSO算法背景: 量子粒子群优化(QPSO)是一种基于粒子群优化(PSO)的一种改进算法,通过量子行为模型增强全局搜索能力。 QPSO通过粒子的量子行为使其在搜索空间中不受位置限制,从而提高算法的收敛速度与全局优化能力。 任务: 使用QPSO优化VMD中的惩罚因子 α 和分解层数 K,以获得信号分解的最佳效果。 计划: 定义适应度函数:适应度函数根据VMD分解的效果来定义,通常使用重构信号的误差(例如均方误差、交叉熵等)来衡量分解的质量。 初始化QPSO粒子:定义粒子的位置和速度,表示 α 和 K 两个参数。初始化时需要在一个合理的范围内为每个粒子分配初始位置。 执行VMD分解:对每一组 α 和 K 参数,运行VMD算法分解信号。 更新QPSO粒子:使用QPSO算法更新粒子的状态,根据适应度函数调整粒子的搜索方向和位置。 迭代求解:重复QPSO的粒子更新步骤,直到满足终止条件(如适应度函数达到设定阈值,或最大迭代次数)。 输出优化结果:最终,QPSO算法会返回一个优化的 α 和 K,从而使VMD分解效果最佳。 2、将极光粒子(PLO)算法与变分模态分解(VMD)算法结合 PLO的优点与适用性 强大的全局搜索能力:PLO通过模拟极光粒子的运动,能够更高效地探索复杂的多峰优化问题,避免陷入局部最优。 鲁棒性强:PLO在面对高维、多模态问题时有较好的适应性,因此适合海上风电时间序列这种非线性、多噪声的数据。 应用场景:PLO适合用于优化VMD参数(α 和 K),并将其用于风电时间序列的预测任务。 进一步优化的建议 a. 实现更细致的PLO更新策略,优化极光粒子的运动模型。 b. 将PLO优化后的VMD应用于真实的海上风电数据,结合LSTM或XGBoost等模型进行风电功率预测。
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