[AS2]动态创建V2Component

博客探讨了V2Component动态创建问题,因其继承自UIObject和MovieClip,可使用attachMovie加载。但工程量大时管理麻烦,提出分而治之,将创建和消息处理分别放在不同子包,这种结构利于程序修改和扩展,还强调动态创建组件在特定场景的重要性。

V2Component能否动态创建呢,答案是显然的。
由于V2Componet继承自UIObject,而uIObject又继承自MovieClip
所以,MovieClip里所拥有的属性和方法在v2Component里一样的好用,
很自然的想到用attachMovie来动态加载V2Component.
但事情并没有就此结束,不是吗,V2Componet里最强劲的监听器还没给用上呢。
你准备怎么办呢?

someComponent.addEventListener("eventName",listenObj);
listenObj.eventName=function():Void
{
 //....
}

看上去不错吧,如果这些代码是用面向对程的方式写在主场景里,问题的确不会太大.
但当工程量变大时,要管理起来,就麻烦了,你会说,我造一个专门管理Component类
把创建,注册监听器及销毁的工作全包了,所起来又是个不错的主意,如果你只有一个
场景,即V2Component在整个程序中只有生成一次的时候,问题一点都没有。但当你的
程序需要随情况的不同来动态的改变式的创建相应的组件的时候,事情就麻烦了,大麻烦了,
你的那个全能的类会变的异常的庞大,可维护性降至最低.
其实要处理也简单,就是分而治之,该是什么效果出现的时候就创建那个效果.

我现在的做法创建类的归创建类的一那个子包,叫Com,
而具体的实现则放到另一个专门存放消息处理的子包中,叫Msg.
所以,你可以想像情况是这样的:
Com+---
    ComScene
    ComEffect1
    ComEffect2
    ...
Msg+---
    MsgScene
    MsgEffect1
    MsgEffect2
    ...
   
这样一种看似多此一举的行为,实际上对整个程序的修改及扩展方面,都带来了极大的便利.

具体的实现代码摘录如下:
class Sdgp.SEffect.CS2BallConserve extends CSEffectBall1D
{
        public function CS2BallConserve()//在某个效果类里创建其自身的ComMag对象
  {  
   mComMag=new CSCom2BallConserve();
   //在其父类中的声明为:private var mComMag:ISComMag;
   //其中ISComMag为所有ComMag类的接口类.
            ...
        }
        .....
      
       //创建组件.
        public function init():Void
     {   ...
   thisP.mComMag.create();  
            ...
        }
}

//直接管理组件的类:
class Sdgp.SCom.CSCom2BallConserve extends RCSComMag
{   public function CSCom2BallConserve()
 {
       mMsgF=new CSMsg2BallConserve();
      //在其父类中声明类对象:private var mMsgF:ISMsgF;指向抽象接口
 }
    public function create():Void
    {  
       
  .....
  
  _root.attachMovie("TextInput","txtm1",14);
        _root.txtm1.move(20,200);
  _root.txtm1.restrict="^A-Z ^a-z";
  _root.txtm1._width=50;
  
  _root.attachMovie("TextInput","txtm2",15);
        _root.txtm2.move(20,260);
        _root.txtm2.restrict="^A-Z ^a-z";
  _root.txtm2._width=50;
  
  ....
  
  listenerAdd();//监听器注册
    }
 
 public function remove():Void
 {   ...
     eval("_root.txtm"+1).removeMovieClip();
  eval("_root.txtm"+2).removeMovieClip();
  ...
   
 }
  private function listenerAdd():Void
 
 { 
     _root["txtm"+1].addEventListener("enter",mMsgF);;
 }
     ..... 
}

//把组件的消息处理委托给Msg类处理:
class Sdgp.SMsg.CSMsgSce extends RCSMsgF

    public function CSMsgSce()
    {
  enter=msgEnter;
 }

    private function msgEnter()
    {
        if(evt.target==_root.txtm1)
        {
   //Proccess
        }
   
    }

我把代码写成阶梯状以表表演这种逐级委托分派的思路.
这样构造一个程序结构的最大的好处就是调试及扩展起来方便,真的.

对了,我差点忘记了,肯定很多人会问,组件有无必要动态的创建,我的回答是是的,
至少在需要根据不同的情况频繁更新程序中组件的情况下,这样做就显得更加重要了。
因为我们更多的希望是用代码去控制程序,而不会被界面这种东西过多的约束.
准备说Visual Basic的不是了?打住喽~~~~


我的这样的方法肯定有不妥的地方,一时间的水平肯定是不能搞定的,还望高手指点一二.

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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