前端的异步流程 (吃鸡王牌 农药王者 )

本文探讨前端的异步流程,包括传统的回调函数、事件处理,以及ES6引入的Promise、generator函数和async/await。同时讨论了Node.js中的nextTick和setImmediate,以及第三方库async.js的使用,总结了异步任务在异步队列中的执行机制。

前端的异步流程 (吃鸡王牌 农药王者 )

  1. 传统的原生异步
    • 回调函数
    • 事件
  2. 使用异步流程工具( 别人封装好的东西 )(*****)
    1. es6 Promise
     Promise 是异步编程的一种解决方案,比传统的解决方案–回调函数和事件--更合理和更强大。它由社区最早提出和实现,ES6将其写进了语言标准,统一了语法,原生提供了Promise
  
     所谓Promise ,简单说就是一个容器,里面保存着某个未来才回结束的事件(通常是一个异步操作)的结果。从语法上说,Promise是一个对象,从它可以获取异步操作的消息。 
     Promise 对象的状态不受外界影响
  
     三种状态:
  
     pending:进行中
     fulfilled :已经成功
     rejected 已经失败
     状态改变: 
     Promise对象的状态改变,只有两种可能:
 
     从pending变为fulfilled
     从pending变为rejected。
     这两种情况只要发生,状态就凝固了,不会再变了,这时就称为resolved(已定型)
     
   	const p2 = new Promise((resolve, reject) => {
   	  	setTimeout(() => {
   	    	resolve('任务二')
   	  }, 2000)
   	}).then(data => {
   	  return data
   	})
   	Promise.all([p1,p2,p3]).then(function(results){//Promise中all方法将所有Promise对象输出再执行then								  
   		console.log(results);
   	});
   	Promise.race([p1, p2]).then(///Promise中race方法将最快的其一Promise对象输出再执行then
 			(result) => {
   		console.log(result)
   		}
  1. es6 generator函数
  2. es6( 7 ) async 函数
/* 
	  	async函数
	    es6提供
	    配合关键字  await使用
	    await 表示,等待,任务一执行结束之后,才会执行任务二
*/
		async function fn () {
		  const result = await '任务一'
		  console.log( result )
		  console.log( '任务二' )
		}
		
		fn()
		
		
		const fn1 = async () => {
		  const res = await '任务3'
		  console.log( res )
		  console.log( '任务四' )
		}
		fn1()

  1. node.js中的 nextTick setImmudiate
     nextTick()的回调函数执行的优先级要高于setImmediate();
  
     process.nextTick()属于idle观察者,setImmediate()属于check观察者.在每一轮循环检查中,idle观察者先于I/O观察者,I/O观察者先于check观察者.
  
     在具体实现上,process.nextTick()的回调函数保存在一个数组中,
     setImmediate()的结果则是保存在链表中.
     在行为上,process.nextTick()在每轮循环中会将数组中的回调函数全部执行完.
     而setImmediate()在每轮循环中执行链表中的一个回调函数.


     nextTick > 回调函数 > setImmediate
 
  1. 第三方的 async.js 库

总结:
异步流程的任务是放在异步队列中的,异步队列只有在主线程执行完之后采取执行

内容概要:本文介绍了一个基于MATLAB实现的无人机三维路径规划项目,采用蚁群算法(ACO)与多层感知机(MLP)相结合的混合模型(ACO-MLP)。该模型通过三维环境离散化建模,利用ACO进行全局路径搜索,并引入MLP对环境特征进行自适应学习与启发因子优化,实现路径的动态调整与多目标优化。项目解决了高维空间建模、动态障碍规避、局部最优陷阱、算法实时性及多目标权衡等关键技术难题,结合并行计算与参数自适应机制,提升了路径规划的智能性、安全性和工程适用性。文中提供了详细的模型架构、核心算法流程及MATLAB代码示例,涵盖空间建模、信息素更新、MLP训练与融合优化等关键步骤。; 适合人群:具备一定MATLAB编程基础,熟悉智能优化算法与神经网络的高校学生、科研人员及从事无人机路径规划相关工作的工程师;适合从事智能无人系统、自动驾驶、机器人导航等领域的研究人员; 使用场景及目标:①应用于复杂三维环境下的无人机路径规划,如城市物流、灾害救援、军事侦察等场景;②实现飞行安全、能耗优化、路径平滑与实时避障等多目标协同优化;③为智能无人系统的自主决策与环境适应能力提供算法支持; 阅读建议:此资源结合理论模型与MATLAB实践,建议读者在理解ACO与MLP基本原理的基础上,结合代码示例进行仿真调试,重点关注ACO-MLP融合机制、多目标优化函数设计及参数自适应策略的实现,以深入掌握混合智能算法在工程中的应用方法。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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