字符串之strncat

STRNCAT:重写strncat()


#include <stdio.h>
#include <string.h>

int main()
{
  char str[23];
  memset(str,0,sizeof(str));

  strcpy(str,"ssc_");
  printf("str=%s \n",str);
  STRCAT(str,"zcys");
  printf("str_cat=%s \n",str);
  STRNCAT(str,":kobe",8);
  printf("str_ncat_1=%s \n",str);
  STRNCAT(str,"_bryanthhh",7);
  printf("str_ncat_2=%s \n",str);

  return 0;
)
char *STRNCAT(char* dest, const char* src, size_t n);
char *STRNCAT(char* dest, const char* src, size_t n)
{
  int len=0;
  
  //计算应该追加多少字符
  if(strlen(src)>n) len=n;
  else len=strlen(src);

  int i=0;
  int dest_len=strlen(dest);

  for(i=0;i<len;i++)
  {
    dest[dest_len+i]=src[i];         //每次循环,dest_len的值不变
    
    /*  错误写法  */
    //printf("stelen=%d,strlen+i=%d\n",strlen(dest),strlen(dest)+i);
    //dest[strlen(dest)+i]=src[i];//不能用strlen,strlen(dest)这个值在变化
  }

  dest[dest_len+i]=0;
  
  /*  错误写法  */
  //dest[strlen(dest)+i]=0;

  return dest;
}

输出:
正确输出


错误代码:
错误代码
错误输出:
错误输出
错误输出是因为:如果使用strlen(dest),每次循环后strlen(dest)都会改变。但其实在第二次循环,i=1时,因为此时strlen(dest)已经比i=0时增加了1,而i也增加了1,所以strlen(dest)+i就增加了2(程序中的值为10,所以是将src[1]的值k赋给了dest[10]),跳过了dest[9]的赋值,而dest[9]=0,所以输出截至到dest[9]就结束了。第二次是恰巧给dest[9]赋值“_”,然后又跳过dest[14],所以之后的赋值还是无效。
错误原因
可以使用gdb进行调试,b-打断点(在for循环处),r-运行程序,s-进入函数(for循环),n-单步调试。


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