c++ primer plus第十二章-动态内存和类、复制构造函数

C++ Primer Plus学习(十一)——类和动态内存分配 类和动态内存分配 阅读详情

c++ primer plus第十二章-动态内存和类,复制构造函数

1)类声明没有为字符串本身分配存储空间,而是在构造函数中使用new来为字符串分配空间。这避免了在类声明中预先定义字符串的长度。


2)静态成员有一个特点,无论创建多少个对象,程序都是只创建一个静态变量副本。也就是说,类的所有对象共享一个静态成员,就像家中的电话可供全部人使用一样。

而且不能在类声明中初始化静态成员变量,这是因为声明描述了如何分配内存,但并不分配内存。对于静态成员,可以在类声明之外使用单独的语句来进行初始化,这是因为静态类成员是单独存储的,而不是对象的组成部分。而且要注意:初始化语句指出了类型,并使用了作用域运算符,但没有使用关键字static。


3)注意:静态数据成员在类声明中声明,在包含类方法的文件中初始化。初始化时使用作用域运算符来指出静态成员所属的类。但如果静态成员是const整数类型或枚举类型,则可以在类声明中初始化。


4)默认构造函数:编译器将提供一个不接受任何参数,也不执行任何操作的构造函数(默认的默认构造函数),这是因为创建对象时总会调用构造函数。

Klunk::Klunk(){ }

带参数的构造函数也可以是默认构造函数,只要所有参数都有默认值。

Klunk(int n=0 ){ klunk_ct = n; }

但是只能有一个默认构造函数。


5)复制构造函数:用于将一个对象复制到新创建的对象中。也就是说,它用于初始化过程中(包括按值传递参数),而不是常规的赋值过程中。类的复制构造函数的原型如下:

Class_name( const Class_name &);

它接受一个指向类对象的常量引用作为参数。

StringBad(const StringBad &);


6)对于复制构造函数,需要知道两点:何时调用和有何作用。


7)新建一个对象并将其初始化为同类现有对象时,复制构造函数都将被调用。最常见的情况是将新对象显式地初始化为现有的对象。

StringBad motto;   //motto为StringBad对象

StringBad ditto(motto);   //新建对象,初始化为motto

StringBad metto = motto;   //新建对象,初始化为motto

StringBad also = StringBad(motto);  //新建对象,初始化为motto

StringBad *pStringBad = new StringBad(motto);  //新建指向对象的指针,指向motto内存的地址


上面4种声明都将调用复制构造函数StringBad(const StringBad &);


8)每当程序生成了对象副本时,编译器都将使用复制构造函数。具体地说,当函数按值传递对象或函数返回对象时,都将使用复制构造函数。按值传递意味着创建原始变量的一个副本。编译器生成临时对象时,也将使用复制构造函数。

由于按值传递对象将调用复制构造函数,因此应该按引用传递对象,这样可以节省调用构造函数的时间以及存储新对象的空间。


9)默认的复制构造函数的功能:逐个复制非静态成员(成员复制也称为浅复制),复制的是成员的值。如果成员本身就是类对象,则将使用这个类的复制构造函数来复制成员对象。静态函数不受影响,因为它是属于整个类,而不是各个对象。


10)解决类中这种尝试两次释放内存的问题的方法是进行深度复制。也就是说,复制构造函数应当复制字符串并将副本的地址赋给新new内存成员,而不仅仅是复制字符串地址。这样每个对象都有自己的字符串,而不是引用另一个对象的字符串。调用析构函数时都将释放不同的字符串,而不会试图去释放已经被释放的字符串。


11)警告:如果类中包含了使用new初始化的指针成员,应当定义一个复制构造函数,以复制指向的数据,而不是指针,这被称为深度复制。复制的另一种形式(成员复制或浅复制)只是复制指针值。浅复制只是浅浅地复制指针信息,而不会深入挖掘以复制指针引用的结构。


12)赋值运算符:类对象赋值,通过自动为类重载赋值运算符来实现的。

Class_name & Class_name :: operator=(const Class_name &);

它接受并返回一个指向类对象的引用。

将已有的对象赋给另一个对象时,将使用重载的赋值运算符。

StringBad headline1("Celery Stalks at Midnight");

StringBad knot;

knot = headline1;


13)解决赋值的问题:

由于目标对象可能引用了以前分配的数据,所以函数应使用delete[]来释放这些数据。

函数应当避免将对象赋给自身;否则,给对象重新赋值前,释放内存操作可能删除对象的内容。

函数返回一个指向对象的引用。

StringBad & StringBad::operator=(const StringBad & st)

{

if(this==&st)  //避免对象赋给自身

return *this;

delete [] str;   //释放旧的内存数据

len = st.len;   //

str= new char [len+1];  //获得新的内存字符串

std::strcpy(str,st.str);   //复制字符串

return *this;

}


14)空指针:字面值0有两个含义:可以表示数字值零,也可以表示空指针。有些程序员使用(void *)0来标识空指针(空指针本身的内部表示可能不是零),也有人使用NULL,这是一个表示空指针的C语言宏。C++11引入了新关键字nullptr,用于表示空指针。

str=nullptr;


15)静态成员函数:可以将成员函数声明为静态的(函数声明必须包含关键字static,但如果函数定义是独立的,则其中不能包含关键字static)。

首先,不能通过对象调用静态成员函数,实际上,静态成员函数甚至不能使用this指针。如果静态成员函数是在公有部分声明的,则可以使用类名和作用域解析运算符来调用它。

其次,由于静态成员函数不与特定的对象相关联,因此只能使用静态数据成员。也可以使用静态成员函数设置类级标记,以控制某些类接口的行为。


16)

别再只看读写速度了!聊聊手机闪存eMMC、UFS3.1和SSD背后的功耗与体积玄学 本文深入探讨手机闪存技术eMMC、UFS3.1和SSD在功耗与体积设计上的关键差异。通过对比接口技术、封装工艺和温度管理,揭示移动存储如何在有限空间内平衡性能与能效,为消费者提供选购参考。重点关注UFS3.1的差分信号设计和全双工架构带来的显著优势。 阅读详情

相关推荐

机器学习参数寻优:方法、实例与分析

机器学习模型的性能很大程度上依赖于其参数的选择。参数寻优(Hyperparameter Tuning)是提升模型表现的关键步骤之一。本文将详细介绍主流的参数寻优方法,包括网格搜索(Grid Search)、随机搜索(Random Search)、贝叶斯优化(Bayesian Optimization)、和超参数优化库(如Optuna和Hyperopt)等,并探讨它们的优缺点及适用场景。

甜盐的博客 2844

C++ Primer Plus学习笔记之拷贝构造函数

C++ Primer Plus学习笔记之拷贝构造函数 1,什么是拷贝构造函数 拷贝构造函数有两个含义: 首先,它是一个构造函数,当创建一个新对象时,系统自动调用它; 其次,它将一个已经定义过的对象的数据成员逐一对应的复制给新对象; 如果一个类没有显式定义拷贝构造函数,C++编译器可以为该类产生一个缺省的拷贝构造函数。这个缺省的拷贝构造函数采用C的方式,将拷贝对象的内存一个字节一个字节的拷

奋起的Coder。。。 1540

海思Hi3061M MCU:为高速吹风筒市场注入智能动力

此外,海思还提供了丰富的软件开发工具和生态环境组件,帮助开发者快速实现复杂功能。高速吹风筒因其高效的风力和快速的干燥效果,近年来在市场上越来越受欢迎。然而,传统的高速吹风筒在性能、噪音和使用寿命等方面仍有改进的空间。凭借其高性能、低功耗、低噪声和易用的开发工具,为高速吹风筒市场带来了全新的解决方案。这不仅提高了用户的使用体验,还延长了电机的使用寿命。这不仅减少了电机的电磁噪声,还提高了电机的运行效率。还支持风机顺逆风启动适配多种电阻范围的电机,进一步提高了吹风筒的适用性和灵活性。

2401_83448585的博客 2017

C++Primer Plus书之--C++动态内存和类, 复制构造函数和赋值运算符

从一个例子开始: // 第一个文件 // stringbad.h #include <iostream> #ifndef STRINGBAD_H_ #define STRINGBAD_H_ class StringBad { private: // 指向字符串的指针 char * str; // 字符串的长度 int len; static int num_string...

c1392851600的专栏 381

IEC103协议实战指南:报文解析与传输优化策略

本文深入解析IEC103协议在电力自动化系统中的核心应用,重点拆解其固定帧与可变帧两种报文格式,并详细阐述了主从问答与非平衡传输机制。文章结合实战经验,针对报文解析中的常见问题(如字节序、超时重发)提供了解决方案,并探讨了传输层优化策略,旨在帮助工程师实现更可靠、高效的通信链路。

r2s3t4的博客 542

雷达信号处理——恒虚警检测(CFAR)

上图展示的是同时在距离维和多普勒维进行恒虚警检测的原理,如果只是在距离维或多普勒维做CFAR,检测单元的左右两侧均有设定好数量的保护单元和参考单元。不同的CFAR检测器适用于不同的场景,CA-CFAR算法适用于均匀环境中的单目标或彼此相距较远的多目标环境,在邻近多目标环境会发生目标的遮蔽效应,在杂波边缘会发生杂波边缘效应。从图中也可以看到,根据阈值的选择不同,有不同的检测器,其中CA-CFAR是取的参考单元的均值,SO-CFAR取的是参考单元的最小值,而GO-CFAR是取的参考单元的最大值。

诚朴勇毅 3万+

C++类中的拷贝构造函数

文章目录前言二、拷贝构造函数1.拷贝构造函数定义2.默认拷贝构造函数存在的问题3.解决方式三 总结四 参考 前言 最近项目的技术栈是C++,涉及到了C++中类的相关知识,其中对于类中的拷贝构造函数、移动赋值运算符、移动构造函数和移动赋值运算符等函数有点混淆,在此记录下。 # 一、C++中的基本构造函数 C++是面向对象的语言,涉及到类,一涉及到类肯定就有成员变量和程序员函数等概念。成员变量就是这个类中相关的属性,比如以人为例,身高和体重就可以作为人这个类的成员变量。 我们在实际使用类的过程中,需要在对.

yuerenzirao的博客 1943

【020】C++ 动态内存管理解析:new 和 delete 的正确使用

C++中的动态内存分配是在程序运行时根据需要进行内存空间的分配和释放,与静态内存分配相比,具有更大的灵活性和适应性。动态内存分配可以通过new和delete或者malloc()和free()等函数实现。在程序运行时无法确定所需的内存大小。需要在多个函数之间共享数据,并且数据可能被频繁地创建和销毁。静态数组无法满足需求,例如需要支持可变长度数组。如果在动态分配内存后忘记了释放它,则会导致内存泄漏。为避免内存泄漏,可以使用智能指针或手动管理内存的方式来释放动态分配的内存。

Lion_Long的博客 1472

C++ primer plus 类的初始化,复制构造函数,赋值符号重载

运行以下代码结果说明析构函数调用3次,而我们编写的构造函数只执行了1次,析构函数的格式是固定的(没有参数),调用也是固定的(类在生存期结束,释放内存前调用)所以问题不在析构函数上。问题出在构造函数上,donothing函数为了拿到参数的值新建了一个形参Class b执行Class=输入的对象 ,也就是说Class B=A;和donothing中的Class b=A这两个时没有执行我们定义的构造函数。事实上类的初始化赋值是进入到了由编译器隐式生成的上,由于是隐式的所以表面上没有任何warning。

m0_54442739的博客 159

高级电机控制场景实例:基于Simulink的永磁同步电机基于Luenberger观测器的弱磁控制仿真

本文基于Simulink实现表贴式永磁同步电机(SPMSM)的Luenberger观测器弱磁控制仿真,通过构建“观测-弱磁-控制”协同逻辑,突破传统矢量控制的基速限制。利用线性化模型设计观测器实时估计电流与磁链,结合电压极限约束动态注入负d轴电流,实现转速扩展至12000rpm(4倍基速),弱磁区电流THD低于3%,动态响应时间小于5ms,验证了高速运行下系统稳定性与鲁棒性。附完整建模步骤、MATLAB函数代码及性能分析,适用于电动汽车、机床等高速驱动场景,为高级电机控制提供可复现的技术范式。

amy_mhd的博客 33

【DevOps】rancher集成ldap,实现统一账号登录

登录到rancher控制台,选择【安全】-【认证】 选择【OpenLDAP】 其中【搜索起点】需要去ldap界面查配置完成

CN_Eden 1096

C++ Primer Plus 第12章

.h class StringBad {      static int num_strings; } .cpp int StringBad::num_strings = 0; 不能在类声明中初始化静态成员变量 (普通变量类内类外则都不行) //浅拷贝的坑 class StringBad {      StringBad()      {           str

外天楼 562

基于Python的FTA协定内容爬虫实战:从数据抓取到智能分析

本文将详细介绍如何使用Python构建一个高效的FTA(自由贸易协定)内容爬虫,涵盖最新技术如Playwright、异步IO、智能解析等。通过本教程,您将学会如何从各类政府网站和国际组织平台抓取结构化FTA数据,并对其进行清洗、存储和分析。文章包含完整的代码实现和最佳实践指南,适合中高级Python开发者学习网络爬虫开发。

2201_76125261的博客 996

c++ primer plus学习笔记_第12章 类和动态内存分配

c++ primer plus>第六版。

编程驴子的博客 2452

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

带你学《C++ Primer Plus》

This blog anncounces the updating plan of the Object Oriented Programming Section of C++, based on the classic textbook "C++ Primer Plus"

yangxiyuan_的博客 2535

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

【C++ primer plus】类和动态内存分配

这里将要讲述类和动态内存分配1 动态内存分配和类首先我们复习了new和delete的用法其次就是静态存储的一些操作,如enum和static这两个使用的方法最后就是这个常量的赋值一般都是在方法文件里面,因为如果我们定义在class里面,那么每一次引用就要进行一次初始化,这样会出现多个初始化副本,这样就会出现重名错误,我们要牢记,这个常量不是对于每个成员的,而是公用的2 特殊成员函数默认构造和析构函数,复制构造函数,运算符重载函数。

2401_86738532的博客 814

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

C++ Primer Plus----第十二章--类和动态内存分布

本章内容包括:对类成员使用动态内存分配;隐式和显式复制构造函数;隐式和显式重载赋值运算符;在构造函数中使用new所必须完成的工作;使用静态类成员;将定位new运算符用于对象;使用指向对象的指针;实现队列抽象数据类型(ADT)。

qq_45796666的博客 1220

【C++ Primer Plus】第12章 类和动态内存分配

对类成员使用动态内存分配。 隐式和显式复制构造函数。 隐式和显式重载赋值运算符。 在构造函数中使用new所必须完成的工作。 使用静态类成员。 将定位new运算符用于对象。 使用指向对象的指针。 实现队列抽象数据类型(ADT)。

chaiky的博客 1616

C++ primer Plus 第十二章:类和动态内存分配

12.1动态内存和类 12.1.1复习实例和静态类成员 12.1.2特殊成员函数 首先看这样一个例子 #include <iostream> #include <cstring> using namespace std; class string1 { private: char *str; int len; public: string1...

Stillboring的博客 413

【C++ Primer Plus(第六版)】第十二章 类的动态内存分配

第十二章 类的动态内存分配 总结一下,这一章讲的这件事:会使用new和delete对空间的分配。 day33实现了string类例子,来完成对整个章节的总结。 12.1 动态内存和类 在类中不能确定字符串长度时,比如姓名,要定义一个指针,然后通过动态内存方式分配内存。在统计类中new的数量时,应该使用一个static静态变量,这样无论创建了多少次对象,程序只创建一个静态类变量。书中举了一个stringbad类的例子,说明了这些问题。 C++类自动提供了如下几种特殊成员函数: 默认构造函数 默认析构函数 复

weixin_43916755的博客 451

C++ Primer Plus12章 类和动态内存分配

12章 类和动态内存分配 1. 动态分配内存的原因 为了避免大量的内存被浪费,一般采用在程序运行时,而不是编译时,确定诸如使用多少内存的问题。 C++使用new和delete运算符来动态控制内存。 2. 在构造函数中使用new的注意事项 2.1 在构造函数中使用new,在析构函数中必须使用delete。 1.为何需要分配内存: 如果不分配内存,直接用str=s,只会保存参数字符串的地址,并没有创...

LJFYYJ的博客 377

《C++ Primer Plus》第十二章复习题和编程练习

《C++ Primer Plus》第十二章复习题和编程练习

潇雪的博客 1655

《C++ Primer Plus》第12章:类和动态内存分配(1)

主要讲了复制构造函数和赋值运算符重载

weixin_40064300的博客 499

【C++ Primer Plus】学习笔记--第12章 类和动态内存分配

第12章目录12.1 动态内存和类复习示例和静态类成员特殊成员函数默认构造函数复制构造函数默认复制构造函数(浅复制)浅复制带来的问题深度复制构造函数赋值运算符12.2 改进后的新 String 类修正后的默认构造函数空指针比较成员函数使用中括号表示法访问字符静态类成员函数String 类程序12.3 在构造函数中使用new时应注意的事项12.4 有关返回对象的说明返回指向const对象的引用返回指向非const对象的引用返回对象返回const对象总结12.5 使用指向对象的指针指针和对象小结定位new运算符

Ref.Ptr.的博客 997

C++ Primer Plus学习笔记12-类和动态内存分配

友元函数重载运算符的bug 1. 动态内存和类 C++使用new和delete运算符动态控制内存。在类中使用这些运算符将导致许多新的编程问题。这种情况下,析构函数必不可少。 构造函数必须分配足够的内存来存储数据,然后再将数据复制到内存中。析构函数需要包含delete语句删除成员指针指向的内存。 当使用一个对象初始化另一个对象时,编译器自动生成复制构造函数,这个构造函数不知道需要更新类中自定义的静态变量,因此会将类的设计方案搞乱。 1.1 特殊成员函数 C++自动提供以下成员函数: 默认构造函数 默认析构函

actually_ture的博客 378

C++ Primer Plus:第十二章 - 类和动态内存分配

0、本章内容: 对类成员使用动态内存分配。 隐式和显式复制构造函数。 隐式和显式重载赋值运算符。 在构造函数中使用new所必须完成的工作。 使用静态类成员。 将定位new运算符用于对象。 使用指向对象的指针。 实现队列抽象数据类型(ADT)。 1、动态内存和类: 1.1 复习示例和静态类成员 不能在类声明中初始化静态成员变量。 如果静态成员变量是const,可以在类声明中初始化。 使用new和de...

qq_30534935的博客 342
上一篇: 北大某客座教授推荐 改变一个人价值观的书
下一篇: 杰出人士的七种共性之3-独守一隅
托沃斯-勒夫
博客等级 码龄12年 702粉丝 371原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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