反射-----

静态语言:代码运行时可以改变根据某些条件改变自身结构,比如python等弱类型语言。

动态语言:代码运行时不可以改变根据某些条件改变自身结构,java是准动态语言(反射)。

反射效率比new对象低得多。

 获取class类对象:

1.已知具体类名用.class获取,最安全,程序性能最高。

Class person = Person.class

2.已知具体实例,调用getClass()方法

Class a = person.getClass()

3.已知一个类的全类名,可以用Class类的静态方法forName()获取

Class a = Class.forName("demo.SSP")

4.内置基本数据类型写可以直接用类名.Type

哪些类型可以有Class对象:接口、数组、枚举、注解、基本数据类型、void、类

类加载总体上分为三个过程:

加载:将class文件字节码内容加载到内存中没并且将这些静态数据住哪换位方法区的运行时数据结构,然后生成一个代表这个类的java.lang.Class对象。(无论对象有几个,Class对象只有一个)

链接:将Java类的二进制代码合并到JVM的运行状态之中的过程。

1.验证:确保加载的类符合JVM规范。

2.准备:正式为所有的类变量分配内存(方法区中)并且赋默认值。

3.解析:将符号引用(常量名)替换为直接引用

初始化(并非所有类都初始化,看情况。)

1.执行类构造器<clinit>()。<clinit>()方法是由编译期自动收集类中所有类变量的复制动作和静态代码块中的语句合并产生的。(类构造器是构造类信息的,不是构造对象的构造器)。

2.当初始化一个类的时候,如果发现其父类还没有进行初始化,则需要先触发其父类的初始化。

3.虚拟机会保证一个类的<clinit>()方法在多线程环境中被正确的加锁与同步。

什么时候会发生类初始化?

类的主动引用:

1.当虚拟机启动,先初始化main方法所在的类。

2.new一个类的对象

3.调用类的静态成员(除了final static)和静态方法。

4.使用java.lang.reflect包的方法对类进行反射调用。

5.当初始化一个类,如果其父类没有初始化,则会初始化它的父类。

类的被动引用:

1.当访问一个静态域时,只有真正声明这个域的类才会被初始化。如:当通过子类引用父类的静态变量,不会导致子类初始化。

2.通过数组定义类引用,不会触发此类的初始化。

3.引用常量不会触发此类的初始化。(常量在链接阶段就存入调用类的常量池了)

 双亲委派机制,如果上层中有已经加载的类,则自己定义的类无效。

获取类运行时结构:

getFields()只能获取到public字段。

getDeclaredFields()能获取全部字段。

getMethod()获得本类以及父类全部方法。

getDeclaredFields() 只能获取本类方法。

接受返回值要定义Filed[]、Method[]

JAVA 类名.class是什么意思?_百度知道

获取指定的方法或者构造器,parameter需要指定类型的class。

class对象.newInstance()方法可以创建对象。必须有无参构造器。或者构造构造器,再创建对象。构造器.newInstance()

获取class方法,再用invoke调用,invoke(对象,值)。

设置属性,用Filed对象.name(对象,值),setAccessible(True)

 快速生成for,数字.for 

 

JAVA对象直接输出的打印结果是什么? - 哔哩哔哩

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Nelder-Mead是一种无约束优化算法,常用于求解非线性问题。其基本思想是通过不断迭代,逐步接近函数的最小值点。Nelder-Mead算法主要由三个基本操作组成:反射、扩展和收缩。其中反射操作是将最差的顶点向中心对称,得到一个新的试探点;扩展操作是将反射点沿着反射方向延申,得到一个更加远离中心的试探点;收缩操作是将最差的顶点向中心收缩,得到一个更加接近中心的试探点。通过这三种基本操作,Nelder-Mead算法不断更新试探点,从而得到函数的最小值点。 以下是一个简单的Nelder-Mead算法的Python实现[^1]: ```python import numpy as np def f(x): # 定义目标函数 return x**2 + x**2 def nelder_mead(f, x0, alpha=1, gamma=2, rho=0.5, sigma=0.5, tol=1e-6): # 定义算法的参数 n = len(x0) simplex = np.zeros((n+1, n)) simplex = np.array(x0) for i in range(n): v = list(x0) v[i] = v[i] + 1 simplex[i+1] = np.array(v) fx = [f(x) for x in simplex] iter = 0 while True: # 排序,找到当前最优和最劣的点 idx = np.argsort(fx) best, worst = idx, idx[-1] x_best, x_worst = simplex[best], simplex[worst] if np.linalg.norm(x_worst - x_best) < tol: break # 计算中心点 x_center = np.mean(simplex[idx[:-1]], axis=0) # 反射操作 x_reflect = x_center + alpha*(x_center - x_worst) f_reflect = f(x_reflect) if fx[best] <= f_reflect < fx[-2]: # 替换最劣的点 simplex[worst] = x_reflect fx[worst] = f_reflect elif f_reflect < fx[best]: # 扩展操作 x_expand = x_center + gamma*(x_reflect - x_center) f_expand = f(x_expand) if f_expand < f_reflect: # 替换最劣的点 simplex[worst] = x_expand fx[worst] = f_expand else: # 替换最劣的点 simplex[worst] = x_reflect fx[worst] = f_reflect else: # 收缩操作 x_contract = x_center + rho*(x_worst - x_center) f_contract = f(x_contract) if f_contract < fx[-1]: # 替换最劣的点 simplex[worst] = x_contract fx[worst] = f_contract else: # 缩小操作 x_2nd = simplex[best] + sigma*(x_worst - simplex[best]) simplex[1:-1] = 0.5*(simplex[1:-1] + simplex[best]) fx = [f(x) for x in simplex] iter += 1 return simplex[best], fx[best] # 示例 x0 = [1, 2] x_min, f_min = nelder_mead(f, x0) print("最小值点:", x_min) print("最小值:", f_min) ```

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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