C#中怎么定义一个长度是变量的数组，我印象中好像有哪种方法的，求大神指导_百度知道
C#中怎么定义一个长度是变量的数组，我印象中好像有哪种方法的，求大神指导
提问者采纳
list =new List&T&;添加元素
list.Add(..)list.ToArray()转成数组
&T&是什么意思
那长度变量在哪里写呢，我是菜鸟
呵呵 见谅啊
T是任意类型， 比如 List&string&
strlist = new List&string&
strlist.Add(&123&);strlist.Add(&456&);不需要写长度，list会自动 增加。
提问者评价
其他类似问题
为您推荐：
您可能关注的推广
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁问大神一个问题，就是下面这个阶乘，局部变量变成成员变量后，为什么结果就算不对了呢！_百度知道
问大神一个问题，就是下面这个阶乘，局部变量变成成员变量后，为什么结果就算不对了呢！
Ji{public static void main(String[] args) {int sum=0;for(int i=1;i&=3;i++){int ji=1;for(int j=1;j&=i;j++){ji=ji*j;}sum=sum+}System.out.println(&这几个数阶乘和=&+sum);}}上面的运算是对的，但是把int ji放上面后：class
Ji{public static void main(String[] args) {int ji=1;int sum=0;for(int i=1;i&=3;i++){for(int j=1;j&=i;j++){ji=ji*j;}sum=sum+}System.out.println(&这几个数阶乘和=&+sum);}}这个运算的结果就不对，可以编译。但是运算的不对。求大神解答
提问者采纳
因为你下面有一个ji=ji*j; ji是局部变量的时候，每次外循环都会重新把ji定为1，但是你把它当成全局变量的时候，每次循环后，ji的值都变了，不会回到1了，所以结果就不对了。如果非想把ji变成全局变量，就要在外循环里的第一句写上ji=1;
提问者评价
嗯，想了想就是这样子，后来我想了想，栈内存和堆内存，是不是跟这个也有关系啊？
其他类似问题
为您推荐：
阶乘的相关知识
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁模拟退火是一个通用的全局最优化算法。要理解它的思想，可以从 Gibbs Distribution 入手：这定义了一个概率分布，其中 x 表示系统的状态，P(x) 表示系统取 x 状态的概率，E(x) 表示系统处于 x 状态的能量，T表示温度。在物理上，E(.)的定义取决于系统本质，在最优化上，我们需要虚拟一个系统，让这个系统的 E(.) 对应到我们的优化目标。这个分布有两个特点：1. E(x) 越小，P(x) 则越大；反之亦然。2. T 越大，P(.) 分布越 uniform，反之 P(.) 越 sharp。根据(1)，我们做最小化的时候，比如我们要最小化函数 f(x)
的值，就可以直接让 E(x) = f(x)；如果是最大化 f(x)，可以设 E(x) = -f(x)。总之，这样一来原始的最优化问题就变成了在 P 分布下寻找概率最大的状态 x。对于(2)，可以画个不太严谨的图解释如下：可以看到，当T=0的时候，只有对于让 E(x) 最小的 x*，我们有 P(x*)=1，其他的x均为 P(x)=0。可以看到，当T=0的时候，只有对于让 E(x) 最小的 x*，我们有 P(x*)=1，其他的x均为 P(x)=0。而当T=∞时，对于所有的x，P(x)均相等，于是就构成了一个均匀分布（从上面的概率公式看，此时对于任何x都有E(x)/T=E(x)/∞=0，跟E(x)等于几已经无关了）。当T取其他值的时候呢，就是介于0和∞之间的状态。于是我们得出结论：T越大，P(.)越均匀，T越小，P(.)越陡峭。为了更直观，本物理盲在这里瞎扯几句：假设一些水分子组成了一个系统，系统的变量是水分子的空间坐标。当T很大的时候，P(.)变得均匀，于是整个系统变得非常的不稳定，所有的水分子都乱飘（因为取任何坐标的概率都均等嘛），宏观上就是水蒸发成了气体。当T变成0时，P(.)变得非常陡峭，于是整个系统的状态稳定在P(x)=1的x上，宏观上看就是水凝成了固体。现在假设我们有一个算法，可以在给定的 P(.) 上面采样。那么，当 T=0 时，由于只有最优的 x* 满足 P(x*) = 1，其余的 x 均为 P(x) = 0。所以只要我们采集的样本满足此时 P(.) 的分布，那么它一定就是 x*。这个算法就是模拟退火。学过C语言的人都知道rand()，它会以相等的概率返回一个介于0到RAND_MAX之间的随机数。这对应的是在[0,RAND_MAX]的均匀分布上采样。假设我们需要在更加复杂的分布上采样，比如上面的P(.)，我们应该怎么做呢？解决方法就是MCMC（）。MCMC简单来讲就是，从一个初始状态开始，经过若干步状态转移，最后达到一个状态，这个就是采集出来的样本。在每次状态转移时（到，到等），首先需要 propose 一个可能的新状态 x'，然后根据 P(.) 的特点决定是否要接受（accept）这个新的状态：如果接受了，那么下一次的状态就变为 x'，否则保持不变。这实际上是为了维护细致平衡（）。对于MCMC而言，正是这个关键的步骤保证了采样的结果符合目标分布。在模拟退火的算法中，有一个很诡异的rejection操作，其实就是这个原因。但是，维护细致平衡是有代价的，如果目标分布 P(.) 过于陡峭，那么，很有可能 propose 的 x’ 能量远大于当前的 x（E(x') && E(x)），根据 rejection 公式，可以看到这样的 x' 几乎总是会被拒绝。于是系统的收敛速度会变得巨慢：简言之，你需要非常多的状态转移才能采集到一个合格的样本。但如果 P(.) 比较均匀呢，这时新的 x' 就很容易被接受，相对来说就更容易拿到合格的样本。所以在模拟退火中，从来不直接从T=0（或者其他低温状态）开始采样，尽管理论上这样采集到的样本也是最优解，但为了拿到一个样本，你恐怕要永远地等下去。模拟退火采用的方法是：从高温开始采样，使得算法可以快速拿到下的样本，然后缓慢地降低一点温度到，这时以为起点，在温度下采样，由于和很接近，于是也很接近下面的合格样本，经过少数几轮状态转移，就可以期望拿到下面的样本，于是继续稍微降低温度到，重复这个过程……直到抵达了一个极低温度，这时的样本就是全局最优解。可以看到T有一个减小的过程，这大概就是“退火”这个说法的由来。S. Kirkpatrick在1983年证明了模拟退火这个想法确实是可行的。并且（理论上）它最牛逼的地方在于：这是一个通用算法。也就是说几乎可以吃掉所有的最优化问题，而且得到的结果还是全局最优的！但实际应用中，全局最优基本上是不能保证的，这是因为 S. Kirkpatrick 同时也证明了要达到全局最优需要实现的退火速度（也就是T减小的速度）——这个速度基本上是慢到人类无法承受的。不过好在实际应用中，我们通常可以采用一个快速的降温策略，再配合一些heuristic算法，这样最后得到的结果虽不是全局最优，但基本上也是全局不错的。关于MCMC讲的比较intuitive，请有兴趣的同学自行参考相关资料：）
搬运工，来自网页的内容：一. 爬山算法 ( Hill Climbing )
介绍模拟退火前，先介绍爬山算法。爬山算法是一种简单的贪心搜索算法，该算法每次从当前解的临近解空间中选择一个最优解作为当前解，直到达到一个局部最优解。
爬山算法实现很简单，其主要缺点是会陷入局部最优解，而不一定能搜索到全局最优解。如图1所示：假设C点为当前解，爬山算法搜索到A点这个局部最优解就会停止搜索，因为在A点无论向那个方向小幅度移动都不能得到更优的解。（在实际中，人会看到更高的B点，但是计算机程序是看不到的）二. 模拟退火(SA,Simulated Annealing)思想
爬山法是完完全全的贪心法，每次都鼠目寸光的选择一个当前最优解，因此只能搜索到局部的最优值。模拟退火其实也是一种贪心算法，但是它的搜索过程引入了随机因素。模拟退火算法以一定的概率来接受一个比当前解要差的解，因此有可能会跳出这个局部的最优解，达到全局的最优解。以图1为例，模拟退火算法在搜索到局部最优解A后，会以一定的概率接受到E的移动。也许经过几次这样的不是局部最优的移动后会到达D点，于是就跳出了局部最大值A。
模拟退火算法描述：
若J( Y(i+1) )&= J( Y(i) )
(即移动后得到更优解)，则总是接受该移动
若J( Y(i+1) )& J( Y(i) )
(即移动后的解比当前解要差)，则以一定的概率接受移动，而且这个概率随着时间推移逐渐降低（逐渐降低才能趋向稳定）　　这里的“一定的概率”的计算参考了金属冶炼的退火过程，这也是模拟退火算法名称的由来。　　根据热力学的原理，在温度为T时，出现能量差为dE的降温的概率为P(dE)，表示为：　　　　P(dE) = exp( dE/(kT) )　　其中k是一个常数，exp表示自然指数，且dE&0。这条公式说白了就是：温度越高，出现一次能量差为dE的降温的概率就越大；温度越低，则出现降温的概率就越小。又由于dE总是小于0（否则就不叫退火了），因此dE/kT & 0 ，所以P(dE)的函数取值范围是(0,1) 。　　随着温度T的降低，P(dE)会逐渐降低。　　我们将一次向较差解的移动看做一次温度跳变过程，我们以概率P(dE)来接受这样的移动。　　关于爬山算法与模拟退火，有一个有趣的比喻，可以参见@的解释：　　爬山算法：兔子朝着比现在高的地方跳去。它找到了不远处的最高山峰。但是这座山不一定是珠穆朗玛峰。这就是爬山算法，它不能保证局部最优值就是全局最优值。　　模拟退火：兔子喝醉了。它随机地跳了很长时间。这期间，它可能走向高处，也可能踏入平地，这里体现了以一定概率接受的问题。但是，它渐渐清醒了并朝最高方向跳去。这就是模拟退火。此外，还可以参照
一个锅底凹凸不平有很多坑的大锅，晃动这个锅使得一个小球使其达到全局最低点。一开始晃得比较厉害，小球的变化也就比较大，在趋于全局最低的时候慢慢减小晃锅的幅度，直到最后不晃锅，小球达到全局最低。求大神看一下这个595程序，全局变量和局部变量为什么去掉任意一个就不能运行了，不懂_百度知道
求大神看一下这个595程序，全局变量和局部变量为什么去掉任意一个就不能运行了，不懂
#include&reg52.h&sbit ser=P3^4;
//（14脚）串行数据输入sbit rclk=P3^5;
//（12脚）并行输出控制sbit srclk=P3^6;
//（11脚）移位时钟控制void hc595(unsigned char send){
for(i=0;i&8;i++)
if((send&&i)&0x80)
rclk=1;}void main(){
hc595(0xf0); }
提问者采纳
你试试把那个char换成int型变量试试，然后把外部全局变量删掉，试试能跑的动呢
提问者评价
其他类似问题
为您推荐：
全局变量的相关知识
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁正在考试、判断对错！求大神帮忙！ 1.局部变量被引用时要在其名称前加上标志“&”。2.在一个数据库_百度知道
正在考试、判断对错！求大神帮忙！ 1.局部变量被引用时要在其名称前加上标志“&”。2.在一个数据库
正在考试、判断对错！求大神帮忙！1.局部变量被引用时要在其名称前加上标志“&”。2.在一个数据库中，用户账号唯一标识一个用户。3.在关闭服务器时为了保险起见，通常在停止运行SQL Server之前先暂停SQL Server。4.数据库的表名可以更改。5.数据库中的数据文件和日志文件可以属于相同的文件组。6.局部变量的名称不能与全局变量的名称相同。7.一个用户或工作组取得合法的登录账号即能访问数据库。8.视图名称不得与该用户拥有的任何表的名称相同。9.msdb和tempdb数据库是系统数据库。10.每个数据库不允许有多个日志文件。11.一个数据文件可以属于多个文件组。12.“+”是赋值运算符。13.用户自定义的数据类型的名称在数据库中可以不唯一。
我有更好的答案
1是对的？0是错的？
我去，你说呢？！
二楼答案正好相反、我有点晕.....
额，莫非我记错了，呵呵
反正你的意思1是对的、对吧？
问号是对 叹号是错 ！？？！？？！？！！！？？
问号是对？
但是不敢确定啊
必定我也很菜
其他类似问题
为您推荐：
局部变量的相关知识
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁