23.09.5 《CLR via C#》 笔记5

第六章 类型和成员基础

  1. 类型可以定义0或多个以下成员:常量、字段、实例构造器、类型构造器、方法、操作符重载、转换操作符、属性、事件、类型
  2. 类型的可见性分为public和internal(默认)
  3. C#中,成员的可访问性分为private、protected、internal、protected internal、public;接口类型的所有成员必须是public;重写成员可访问性必须一致;从基类派生时可以放宽限制(不能收紧)
  4. 静态类(永远不会实例化)要用static关键字定义(C#),必须从Object派生,不能实现接口,只能定义静态成员,不能作为字段、方法参数或局部变量
  5. 使用partial关键字可将类型的代码分布到不同文件中(由C#编译器实现,与CLR无关)
  6. .NET Framework中的版本号包含四个部分:主版本号.次版本号.内部版本号.修订号(如xxx 2.7.1.34)
  7. CLR的方法调用指令
    1. call:可调用静态方法、实例方法、虚方法;call指令假定变量不为null(调用非静态方法时);call经常用于以非虚方式调用虚方法
    2. callvirt:可调用实例方法、虚方法;如果用来调用虚实例方法,先检查变量类型,然后以多态方式调用;发出调用的方法绝不能为null(如果是,抛出NullReferenceException异常,所以速度比call慢)
    3. 编译器调用值类型的方法时倾向使用call(因为不会为null,不需要检查并抛出异常)
    4. 设计类型时应减少虚方法数量(callvirt比call慢)
  8. 作者关于定义类型的建议
    1. 类型应该定义成sealed
    2. 数据字段应该定义成private
    3. 方法、属性和事件最好定义成private和非虚(当然有些需要公开的内容定义成public)
    4. 辅助的类型定义成嵌套类型
  9. 使用new关键字,告诉编译器该方法与基类的方法没有关系

第七章 常量和字段

  1. 常量的值必须在编译时确定;值保存在元数据中;常量被视为静态成员,而不是实例成员;运行时不为常量分配内存;不能获取常量的地址;不能以引用方式传递常量;常量只能是基元类型(和null)
  2. 字段容纳一个值类型的实例或一个引用类型的引用;字段的值在运行时才能获取
  3. CLR支持readonly字段和read/write字段;readonly字段只能在构造器方法写入
  4. 内联初始化的字段,C#实际在构造器中初始化
  5. 被标记为readonly的引用类型,不可改变的是引用,而不是引用的对象
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Scikit-opt是Python中一个用于求解优化问题的库,其中包含了求解旅行商问题的算法。旅行商问题(TSP)是一个经典的组合优化问题,它的目标是在给定的一组城市和城市之间的距离矩阵下,找到一条最短的路径,使得每个城市都被恰好访问一次,最后回到起点城市。 在Scikit-opt中,可以使用遗传算法、模拟退火、蚁群优化等算法来求解TSP问题。以下是使用遗传算法求解TSP问题的示例代码: ```python from sko.GA import GA_TSP import numpy as np # 城市坐标 coordinates = np.array([[16.47, 96.10], [16.47, 94.44], [20.09, 92.54], [22.39, 93.37], [25.23, 97.24], [22.00, 96.05], [20.47, 97.02], [17.20, 96.29], [16.30, 97.38], [14.05, 98.12], [16.53, 97.38], [21.52, 95.59], [19.41, 97.13], [20.09, 94.55], [22.55, 95.09], [24.38, 97.03], [25.23, 98.12], [25.53, 97.24], [22.00, 94.10], [24.05, 95.10], [23.09, 96.09], [25.23, 96.08], [24.38, 94.03], [22.53, 93.09], [20.47, 93.48]]) # 城市距离矩阵 distance_matrix = np.zeros((len(coordinates), len(coordinates))) for i in range(len(coordinates)): for j in range(len(coordinates)): distance_matrix[i][j] = np.sqrt(np.sum(np.square(coordinates[i] - coordinates[j]))) # 定义TSP问题的适应度函数 def tsp_func(solution): return sum([distance_matrix[solution[i-1]][solution[i]] for i in range(len(solution))]) # 定义遗传算法对象 ga_tsp = GA_TSP(func=tsp_func, n_dim=len(coordinates), size_pop=50, max_iter=500, prob_mut=0.1, prob_crossover=0.9) # 运行遗传算法求解TSP问题 best_solution, best_fitness = ga_tsp.run() # 输出最优解和最优适应度值 print('最优解:', best_solution, '最优适应度值:', best_fitness) ``` 在上面的代码中,我们首先定义了一组城市的坐标和城市之间的距离矩阵。然后定义了TSP问题的适应度函数,它的返回值是从起点出发,经过所有城市一次后回到起点的路径长度。接着创建了一个GA_TSP对象,并设置了算法参数。最后运行遗传算法来求解TSP问题,并输出最优解和最优适应度值。 需要注意的是,这里的遗传算法只是其中一种求解TSP问题的算法,Scikit-opt中还包含了其他优化算法可以用来求解TSP问题。

“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