多维数组问题-多边形首尾相连

ningyong58 2008-06-27 12:39:33

图示多边形由4条直线组成,由于画图原因顺序为1-2-4-3

数据源为

x1,y1---起点坐标
x2,y2---终点坐标


  x1 y1 z1 x2 y2 z2
第1点 693.38 182.97 0 631.33 122.86 0
第2点 631.33 122.86 0 796.47 129.43 0
第4点 878.57 244.8 0 796.47 129.43 0
第3点 670.16 281.47 0 878.57 244.8 0



要求结果

x y

第1点 693.38 182.97
第2点 796.47 129.43
第3点 878.57 244.8
第4点 670.16 281.47

多线段的首尾相连的三种情况

1、A线段的起点与B线段的起点相同

2、A线段的起点与B线段的终点相同

3、A线段的终点与B线段的起点相同

主要思想是


首先将第1点的起点坐标 X1,Y1

rr(0,0) = aa(0,0):rr(0,1) = aa(0,1) -- 定义为第一点

rr(0,0) = 693.38 :rr(0,1) = 182.97

第1条线段的终点坐标 X2,Y2赋值给tt1,tt2

tt1 = 631.33 tt2 = 122.86

查找tt1= x1 and tt2 = y1 Or tt1= x2 and tt2 = y2

如果是第3条线段时tt1,tt2可能是x1,y1的值,或者tt1,tt2是x2,y2的值。


编程如下
Sub aaarrr()
Dim rr(3, 5), rrr(3, 2)
For ii = 6 To 9
For jj = 3 To 7
rr(ii - 6, jj - 3) = Sheet1.Cells(ii, jj)
Next jj
Next ii
ii = 0
For jj = 0 To 1
rrr(ii, jj) = rr(ii, jj)
rrr(ii + 1, jj) = rr(ii, jj + 3)
Next jj
End Sub
问题在这
i=0 时 i=1,2,3 不用处理

i=1 时 只要比较 在i=0,2,3 的起点或终点坐标

i=2时 i = 0,1,3 同上

i= 3 时 i = 0,1,2 同上
循环条件判断语句如何写???
...全文
181 3 打赏 收藏 转发到动态 举报
写回复
用AI写文章
3 条回复
切换为时间正序
请发表友善的回复…
发表回复
ningyong58 2008-08-19
  • 打赏
  • 举报
回复
为什么没人来接这20分
ningyong58 2008-08-08
  • 打赏
  • 举报
回复
谁来接分,要不20分浪费了。
ningyong58 2008-06-27
  • 打赏
  • 举报
回复
图形见http://club.excelhome.net/dispbbs.asp?boardID=2&ID=333201&page=1&px=0
内容概要:本文介绍了如何利用 GitHub Copilot 辅助进行程序调试与 Bug 分析,强调 Copilot 不仅可用于代码生成,更是强大的代码分析与调试工具。文章详细阐述了 Copilot 在调试复杂问题、老旧项目维护和难以复现 Bug 场景下的优势,提出了“先分析、再修改”的四步流程:分析原因→评估风险→提出方案→修改代码,并推荐结合错误日志、用户操作等信息精准提问,提升 AI 回答质量。同时展示了如何通过 Copilot 增强调试能力,如自动加日志、异常保护、生成测试数据和性能分析。最后通过游戏拾取系统的实际案例,说明如何结构化描述问题以获得有效反馈。; 适合人群:具备一定开发经验,正在参与项目调试或维护工作的程序员,尤其是面对复杂逻辑、历史代码或难复现 Bug 的 1-3 年开发者;也适合希望提升 AI 协作能力的技术人员。; 使用场景及目标:①快速定位偶发性崩溃、数据异常等问题根源;②理解无文档或结构混乱的老代码模块;③优化调试流程,借助 AI 生成诊断建议、修复方案与测试用例;④构建更具健壮性的程序,提前发现潜在缺陷。; 阅读建议:学习者应结合自身项目中的真实问题,按照文中提供的结构化提问模板实践,逐步训练与 Copilot 的协作能力,重视问题描述的完整性与准确性,避免直接要求修改代码,优先通过分析提升对系统的理解。
内容概要:本文针对高精度电流控制下的永磁同步电机(PMSM)参数辨识难题,提出一种基于粒子群优化算法(PSO)的多参数辨识模型,并在Simulink环境中完成系统级仿真实现。研究旨在克服传统控制中因电机参数(如定子电阻、交直轴电感、永磁磁链等)随温度、负载变化而失配所导致的电流控制性能下降问题。通过构建以电流跟踪误差为核心的适应度函数,利用PSO算法全局寻优能力强的特点,实现对关键电机参数的在线或离线精确辨识。文中详述了PSO算法的实现机制、参数初始化策略、收敛判据设计以及与PMSM矢量控制系统的集成方法,验证了该方案在不同运行工况下的辨识精度、收敛速度与鲁棒性,显著提升了电流环的动态响应品质与稳态控制精度。; 适合人群:具备电机驱动控制、现代控制理论及优化算法基础,熟悉MATLAB/Simulink仿真平台,从事高性能PMSM控制系统研发的研究生、高校科研人员及自动化、电力电子领域的工程师;特别适合正在开展参数自适应、智能控制算法应用等相关课题的研究者。; 使用场景及目标:①应用于高端制造装备、电动汽车驱动系统、精密伺服系统等对电流控制精度要求严苛的场合;②解决实际工程中因电机温升、老化等因素引发的参数漂移问题,提升系统长期运行稳定性;③作为智能优化算法与电机控制深度融合的教学案例,帮助理解PSO在复杂非线性系统参数辨识中的应用逻辑与实现路径。; 阅读建议:建议读者结合提供的Simulink仿真模型进行复现实验,重点剖析PSO算法模块与电机控制模型的接口设计、适应度函数的构建原则及参数敏感性分析方法,可进一步尝试引入其他先进优化算法(如GWO、HHO)进行性能对比,以深入掌握不同智能算法在工程辨识问题中的适用性与优劣。

7,787

社区成员

发帖
与我相关
我的任务
社区描述
VB 基础类
社区管理员
  • VB基础类社区
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧