Fenglielie

单例模式作为最简单但最常用的设计模式，整理一下 C++的相关语法吧。 单例模式简介 单例模式(Singleton Pattern)，使用最广泛的设计模式之一。其意图是保证一个类仅有一个实例被构造，并提供一个访问它的全局访问接口，该实例被程序的所有模块共享。 大致的做法为： 定义一个单例类； 私有化构造函数，防止外界直接创建单例类的对象； 禁用拷贝构造，移动赋值等函数，可以私有化，也可以直接使用=delete； 使用一个公有的静态方法获取该实例； 确保在第一次调用之前该实例被构造。 在 C++中我们需要考虑： 在什么时机构造？程序一开始，第一次调用前？ 如何构造这个实例？在堆上构造，还是通过静态变量？如果单例在堆上构造，是否存在内存泄漏？ 实例构造失败会如何？抛异常？返回空指针？ 通过接口返回指针还是引用？ 线程安全？多线程下会不会重复构造？加锁？ 我们暂时不考虑类的继承问题，以及需要给单例的构造传参数的问题。 关于构造时机的不同，有以下两种习惯的称呼： 饿汉模式（Eager Singleton），在程序启动后立刻构造单例； 懒汉模式（Lazy...

C/C++很烦人的一点在于，它最基本的数据类型都是不确定的，为了兼容某些奇怪的设备，C++标准并没有强制规定基本数据类型的位数，这可能导致很多 bug。 我们只考虑 64 位系统，考虑 x86-64 的 Windows/Linux 平台（32 位系统可能字节数更少，但是已经很少用了，本文不考虑）。 非常不建议使用整数类型long，以及浮点数类型long double，因为它们在不同的平台很可能位数不同。 整数类型 基本的整数类型大概有如下几种：（有符号类型，还有对应的无符号类型） char short (int) int long (int) long long (int) 注意：标准并没有严格规定它们的字节数大小，但是规定了字节数的大小关系（即表示范围的大小关系），以及它们至少需要的字节数。 1short <= int <= long <= long long 主要参考 cpp reference 和 wiki，下图取自cpp reference 上图中的 64 位数据模型包括 LP64（主要对应 Unix-like 平台）和 LLP64（主要对应...

C++历史和标准 简要回顾 C++的起源： 1979 年，Bjarne Stroustrup（C++之父）受到 Simula 语言（首个支持面向对象的语言）的启发，将面向对象的语法和 C 语言结合，得到了最早版本的"C with Classes"，它提供面向对象的基本语法，然后先翻译成 C 的源码进一步进行处理。 1983 年，这个新语言正式被命名为 C++。许多重要的特性被加入，包括引用机制（符号为&）、虚函数、函数重载、const 关键字等。 1985 年，Stroustrup 的 C++参考手册《C++ Programming Language》出版，此时并没有 C++语法规范，只有这份参考手册。 1998 年，C++标准委员会发布了 C++语言的第一个国际标准：C++98。最早的标准模块库（Standard Template Library，STL）也被纳入了该版标准。 C++的主要标准： C++98： 第一个标准。 C++03： C++98 的修订版。 C++11： C++98之后最重要的一个标准，它带来了巨大的变革，此后的 C++称为 Modern...

关于 Euler 方程组的一些常用的基本知识。 控制方程与状态方程 一维的可压缩流体满足 Euler 方程组，主要由三个控制方程组成 \[ \begin{pmatrix} \rho \\ \rho u \\ E \end{pmatrix}_t + \begin{pmatrix} \rho u \\ \rho u^2 + p \\ u(E + p) \end{pmatrix}_x = 0 \] 分别对应质量守恒、动量守恒和能量守恒。涉及的记号含义为： 密度（density） \(\rho=\rho(x,t)\)； 速度（velocity）\(u=u(x,t)\)； 压强（pressure）\(p=p(x,t)\)； 单位体积的总能量（total energy）\(E=E(x,t)\)。 这里还缺少一个方程与控制方程组一起组成封闭的方程组。 可压缩流体的单位体积总能量\(E\)包括动能和内能两部分 \[ E = \frac12 \rho u^2 + \rho e \] 其中\(e\)是比内能（specific internal energy），由流体的压强和密度决定：\(e =...

概述 在学习 C/C++ 的一开始，我们就接触到基本的输入输出，例如printf/scanf或者cout/cin， 但是在涉及用户输入时总是存在可靠性问题：我们无法确保用户输入的信息是合法的，比如要求输入一个数字，但是用户提供的是一串字符串等等，或者要求数字满足一定范围等，我们只能每次手动在外层加一个循环和判断条件，非常繁琐。 在本文中实现了一个简单的获取安全输入的封装SafeInput，使得在编程中尽可能摆脱这类涉及用户输入参数的处理细节。 使用示例 指定获取一个int类型的值，要求大于 0 且小于 5，如果输入不满足要求，则会提示重新输入 12int s = SafeInput().get<int>("Please input a int in (0,5): ", [](int p) { return 0 < p && p < 5;...

本文包括常见的高阶的有限差分公式，以及使用 Mathematica 自动计算数值微分公式的代码。 原理就是基于待定系数法求解得到如下形式的有限差分公式 \[ f^{(\alpha)}(x) = \frac{1}{h^\alpha}\left( c_{-m} f(x-m h) + c_{-m+1} f(x-(m-1)h) +\cdots + c_n f(x+n h) \right) + O(h^\beta) \] 其中的\(m,n \ge 0\) 代表模板宽度，要求\(m+n \ge \alpha\)。 Mathematica 源代码 1234567891011121314FDFormula[m_, n_, a_, {f_, x_, h_}] := Module[{mat, b, coeff, expr, i, j}, mat = Table[If[j == 0, 1, i^j], {j, 0, m + n}, {i, -m, n}]; b = Table[If[i == a, a!, 0],...

任意拉格朗日法是一种用于处理动边界问题的方法，尤其在流体问题中得到应用，以这个方法的学习作为这一系列笔记的结束。 参考文献如下 Donea, Jean, Antonio Huerta, and A Rodrıguez-Ferran. “Chapter 14 Arbitrary Lagrangian–Eulerian Methods,” n.d. Fehn, Niklas, Johannes Heinz, Wolfgang A. Wall, and Martin Kronbichler. “High-Order Arbitrary Lagrangian-Eulerian Discontinuous Galerkin Methods for the Incompressible Navier-Stokes Equations.” Journal of Computational Physics 430 (April 2021): 110040. https://doi.org/10.1016/j.jcp.2020.110040. 1. 不可压 NS 方程 在区域...

关于 Gauss 数值积分公式的推导以及相关性质的笔记，注意并不是与正态分布相关的高斯积分 \(\int e^{-x^2}\,dx\)，在 wiki 上 Gauss 数值积分公式又称为 Gauss 求积公式。 在本文中使用的下标范围为 \(0-n\) 而非 \(1-n\)，这样与多项式次数更加对应，但是与某些资料上的公式不一致。 Gauss 积分推导 最优代数精度 对于标准积分区间 \([-1,1]\) 的数值积分公式，节点和系数的选取有 2n+2 个自由度，至多可以达到 2n+1 阶的代数精度。 \[ I(f) = \int_{-1}^1 f(x)\,dx \approx I_n(f) = \sum_{i=0}^n A_i f(x_i) \] 断言：无论节点和系数如何选取，上述形式的数值积分公式不可能具有 2n+2 阶的代数精度。 证明断言：构造 2n+2 次多项式 \(p(x)\) \[ p(x) = \Pi_{i=0}^n (x-x_i)^2 \ge 0 \] 显然有 \[ \begin{aligned} 0 < \int_{-1}^1 p(x)\,dx =...

主要内容是最优化中的牛顿法和拟牛顿法，还包括最简单的最速下降法，都是用于求解无约束最优化问题的梯度类最经典算法。 对于无约束最优化问题 \[ \min_{x \in R^n} f(x) \] 通用的算法流程如下： 初始化，选取起点 \(x^0\)，记 \(k=0\) 在当前位置 \(x^k\)，获取搜索方向 \(d^k\)，通常是基于当前位置的一阶导和二阶导信息 在给定方向上进行一维搜索，\(a^k = \text{argmin}_{a \ge 0} f(x + a d^k)\)，获取步长因子 \(a^k\) 更新 \(x^{k+1} = x^k + a^k d^k\)，\(k=k+1\)，回到第二步 关于一维搜索的细节，这里不做讨论，这篇笔记只关注搜索方向的确定。 最速下降法 每一次的搜索相当于对 \(f\) 进行了一阶的泰勒展开。 \[ \begin{aligned} f(x) &= f(x^k) + \nabla f(x^k)^T (x-x^k) + O(|x-x^k|^2) \\ \end{aligned} \] 这里记...

本文只考虑最简单的一维问题，包括求根和求最小值点两个子问题： 非线性方程求根 \(f(x)=0\) 非线性方程求最小值点 \(x_0 = \text{argmin} f(x)\) 精确一维搜索 非精确一维搜索 由于线性问题是平凡的，因此默认\(f(x)\)是非线性的。 非线性方程求根 对分法 假设\(f(x)\)在有限区间\([a,b]\)满足：\(f(a)f(b)<0\) 异号，那么\(f(x)\)在\((a,b)\)至少有一个零点 \(x^*\)。 算法： 起始的计算区间 \([x_l,x_r]=[a,b]\)，此时满足两端异号 \(f(x_l)f(x_r)<0\) 。 选取中点 \(x_m = \frac12(x_l+x_r)\) ，计算\(f(x_m)\)。 如果中点 \(|f(x_m)| \le \varepsilon\)，或者区间长度\(|x_r-x_l|\le \varepsilon\) 已经足够小，则认为中点已经足够精确，已经找到零点，求解完成。 否则左右两个区间...