9.2作业

一、简述定义函数的三种方式

1.空函数

def register():
    #注册功能,暂时不会写
    pass #写个空函数占位置

2.有参函数

def compare():
    if x>y:
        print(x)
    else:
        print(y)
compare(30,40)   #打印40

3.无参函数

def  func():
    print(1)
func()

二、简述函数的返回值

1.如果函数没有返回值,默认返回None

None就是返回值,使用函数后拿到的一个结果

def compare():
    print(1,compare)  #<function compare at 0x000000000581C620> 函数内存地址
    res=compare()  #res接收一个变量值,函数的返回值
    print('res:',res)
compare()

2.函数可以通过return返回出返回值

def compare():
   x=1
   y=2
   if x>y:
   return x
   else:
   return y
res=compare()
print(res)

3.return 可以终止函数

def print_1_10():
   for i in range(10):
       if i==5:
       return  #终止函数
   print(i)
print_1_10()      

4.return 可以返回多个值,以列表形式存储

def return_nums():
    return 10,100,1000
res=return_nums()
print(res[2])  #1000

三、简述函数的参数

1.形参和实参

def compare(x,y):  #形参,一般具有描述的意义,毫无作用(接收实参)--》相当于变量名,接收变量值
    if x>y:
        print(x)
    else:
        print(y)
compare(30,40)  #实参,具有实际的意义,具体的一个值(传给形参)--》相当于变量值

2.位置形参:从左到右一个一个的写过去,就叫位置形参

3.默认形参:给位置形参一个默认值,他就变成了默认形参,以后调用不需要为它存值,但是如果存值它也会接收。

默认形参必须得放在位置形参后面

4.关键字实参:位置实参加上默认值,然后按照位置形参名传值,一般用于参数过多(建议函数参数不超过3个)

关键字实参,也必须在位置参数后面

def compare2(a,b):
    if a>b:
       return a
    else:
       return b

def compare(a,b,c,d):
   print(a,b,c,d)
   res1=compare2(a,b)
   res2=compare2(c,d)
   res3=compare2(res1,res2)
   return res3
res=compare(4,0,d=2,c=1)
print(res)  #4,0,1,2 最大4

四、编写注册函数

def register():
    print('注册功能')
    usename_inp=input('请输入你的用户名:')
    print('usename_inp:',usename_inp)
    pwd_inp=input('请输入你的密码:')
    print('pwd_inp:',pwd_inp)
    with open('user_info.txt','a',encoding='utf8') as fa:
         if ':'in usename_inp:
             print('输入错误,用户名不能包含:')
         else:
             fa.write(f'{usename_inp}:{pwd_inp}')
             print('保存成功')
register()

五、编写登录函数

def login():
    print('登录功能')
    with open('user_info.txt','r',encoding='utf8')as fr:
        data=fr.read()
        data_split=data.split(':')

    usename,pwd=data_split[0],data_split[1]   #一次性定义多个变量

    usename_inp = input('请输入你的用户名:')
    pwd_inp = input('请输入你的密码:')
    if usename_inp==usename and pwd_inp==pwd:
        print('登录成功')
    else:
        print('登录失败')
login()

转载于:https://www.cnblogs.com/lidandanaa/p/11447783.html

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