JAVASE【方法】

【程序结构与逻辑控制】

在java中,程序一共有三种结构:顺序结构、分支结构、循环结构。

1.java分支结构

分支结构:进行逻辑判断,当满足某些条件时才会执行某些语句。

  • if
if(布尔表达式){
  //条件满足时执行代码
  }else{
  //条件不满足时执行代码
}
if(布尔表达式){
  //条件满足时执行代码
  }else if(布尔表达式){
  //条件满足时执行代码)
  }....
  else{
  //条件都不满足时执行代码
}
  • switch
switch(数字|枚举|字符|字符串){
  case 内容1 :{
  内容满足时执行语句;
  [break;]
  }
  ...
  default:{
  内容都不满足时执行语句;
  [break;]
  }
}

switch语句,若case之后没有break,则会满足case之后的所有语句一直执行直到break或全部结束。

2.循环结构

循环结构:某几行代码被一直重复执行

  • while
while(循环条件判断){
  循环语句;
  }
  • do-while
do{
  循环语句;
  修改循环结束判断;
}while(循环结束条件判断);

使用while,如果条件不成立,一次也不执行;而do-while至少执行一次。

  • for
for(循环初始化;循环结束判断;修改循环结束条件){ 
  循环体;
}

注意:对于不知道循环执行次数,但知道循环结束条件的,使用while;明确知道循环次数的使用for。

3.循环控制

  • continue

continue执行到此语句时跳过当前循环的剩余部分,返回循环判断。

  • break

退出整个循环

【方法的定义与使用】

1.方法的定义

方法是一段可以被重复调用的代码块

方法声明

public static 方法返回值 方法名称 ([参数类型 变量...]){
   方法体代码;
   return (返回值);
}

当方法返回值为void关键字声明,即此方法无返回值。

如果方法用void声明,则可以用return来结束调用。

2.方法重载

定义:方法名称相同,参数列表不同(参数类型、顺序或个数不同)。

方法签名:方法名与参数,返回类型不是签名的一部分。

注意:不能有两个名字相同、参数类型也相同却返回不同类型值的方法。在进行方法重载时,方法的返回值一定要相同。

3.方法递归

定义:一个方法自己调用自己的方式。

递归方法的特点:

方法必须有递归的结束条件;方法在每次递归处理的时候一定要做出一些变更。

例:递归实现10!

public class Test{
  public static void main(String[] args){
  System.out.println(fact(10));
}
  public static int fact(int n){

  if (n==0){ //递归终止条件
  return 1;
  }
  return n*fact(n-1);
  }
}

 

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