Effective C++读书笔记版-条款01,02

Effective C++读书笔记版

第一章 从C转向C++

我应该算是从C到C++的典型了,虽然我不是什么老人,可是从我接触编程至今,区区6、7年间,我竟是用了5年多的C,而且一直是在TC 2.0的环境下。当我决心放弃TC的时候(2006年上半年),距C++之父Bjarne Stroustrup所著的《The C++ Programming Language》问世已经过了21年了,距Scott Meyers的《Effective C++》第一版也已16年之久,想来不禁为自己的后知后觉感到惭愧。


条款01:视C++为一个语言联邦
凭个人体会,不同背景的人会将C++看作不同的语言,正应了“横看成岭侧成峰,远近高低各不同”。C++时代,对于C程序员最大的幸事和不幸都是基于一点:C++ >= C,我可以抱残守缺,认为C就是C++。当然,大多数C程序员并不会这么做,起码,我不会一直这么做。我首先会积极地用class替代struct,然后试着自定义constructors和destructors,用protected和virtual……
这样大概过了半年,我就从一个Structrue-Oriented coder进化成了一个Object-Oriented coder。现在,为了工作的方便,在没有经过任何理论学习的情况下,我开始使用STL,却没有去深入探寻STL源代码。当然,我知道这是不够的,也是不好的,等我把《Effective C++》看得更好一些,我就去看Template和STL。


条款02:尽量以const、enum、inline替换#define
尽量用编译器而不用预处理,作者这样说的原因是因预处理造成的bugs如果在编译时暴露,那将是非常难揪的,尤其是带参数的宏:
#define max(a,b) ((a) > (b) ? (a) : (b))
int a = 5, b = 0; 

max(++a, b); 

// a 的值增加了2次 max(++a, b+10); 

// a 的值只增加了1次
原因就在于上述语句在预处理时被处理成:
((++a) > (b) ? (++a) : (b)); 

((++a) > (b+10) ? (++a) : (b));
危险啊!
即使我可以凭借丰富的经验避免上述错误,但违反OO原则的帽子我是不愿戴的,所以我更愿意用inline函数来代替带参的宏。
即使我只使用无参数的宏,也不如多考虑用const或enum。在大多数情况下,用const(如果想保证一个类只有一个对应常量,就用static const)来声明常量显然比#define来得高明,此时#define的优势在于其地址不能被获取,而const并不具备这一功能,考虑一下enum吧,OK,问题迎刃而解。


第二版条款02:尽量用<iostream>而不用<stdio.h> 在C中,scanf和printf的最大问题是其类型安全的不确定。

经常遇到有朋友提出类似的困惑:为什么scanf的数据一团糟,为什么printf的结果和预期的不一致?另一个问题是scanf和printf对于复杂的结构不能扩展使用。

至于使用<iostream>的理由,听听Scott怎么说吧:“iostream库的类和函数所提供的类型安全和可扩展性的价值远远超过你当初的想象,所以不要仅仅因为你用惯了<stdio.h>而舍弃它。毕竟,转换到iostream后,你也不会忘掉<stdio.h>。”


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