控制器View是如何创建的?

本文详细解析了iOS应用中视图(View)与控制器之间的关系,介绍了三种常见的视图加载方式:纯代码、通过storyboard及xib文件,并探讨了如何在不同场景下选择合适的加载方法。

对于很多程序员来说控制器和View的关系肯定有点模糊,对于View的创建肯定有一种说不清道不明的感觉。view只是控制器的一个属性,控制器中有许多对view处理的方法,也就是说得控制器管理view的业务。
通常有三种方式通过控制器来产生view:
<1>. 纯代码
<2>.通过storyboard方式加载控制器中的view
<3>.通过xib方式加载控制器中的view
通过下图通过YBViewContoller控制器view的产生可以明了的了解view的产生方式:
这里写图片描述
在这里我们应该明了不管xib或者storyboard创建控制器,我们必须对此绑定一个类(在这里以绑定YBViewContoller控制器为例简要说明 )
无论控制器是如何创建的,控制器肯定属于一个类(在这里YBViewContoller控制器),类里面的loadView就能判断view以哪种方式加载view
首先将三种创建控制器的方法代码写出来:

    // 1.纯代码
    YBViewController *viewCtr = [[YBViewController alloc] init];
    // 2.storyboard
    UIStoryboard *storyboard = [UIStoryboard storyboardWithName:@"YBViewController" bundle:nil];
    YBViewController *storyCtr = [storyboard instantiateInitialViewController];
    // 3.xib
    YBViewController *xibCtr = [[YBViewController alloc] initWithNibName:@"YBViewController" bundle:nil];
    self.window.rootViewController = xibCtr;

我们就仔细梳理一番,通过三种方式只是创建YBViewController控制器,如何加载出view,就是loadView方法的事情了,如果在这个类中重写的 loadView方法自定义View的话,这个控制器加载的view就是自定的view,与加载控制器的方法无关,如果没有重写loadView的方法是怎样加载控制器的view?在控制器中有两个属性:
@property(nullable, nonatomic, readonly, copy) NSString *nibName; @property(nullable, nonatomic, readonly, strong) UIStoryboard *storyboard
当我们想用storyboard加载控制器时,传入storyboard的名字赋值给UIStoryboard属性,加载view时就会加载这个storyboard中控制器的view,同理通过xib加载时的道理也是一样的。

内容概要:本文介绍了基于Koopman算子理论的模型预测控制(MPC)方法,用于非线性受控动力系统的状态估计与预测。通过将非线性系统近似为线性系统,利用数据驱动的方式构建Koopman观测器,实现对系统动态行为的有效建模与预测,并结合Matlab代码实现具体仿真案例,展示了该方法在处理复杂非线性系统中的可行性与优势。文中强调了状态估计在控制系统中的关键作用,特别是面对不确定性因素时,Koopman-MPC框架能够提供更为精确的预测性能。; 适合人群:具备一定控制理论基础和Matlab编程能力的研【状态估计】非线性受控动力系统的线性预测器——Koopman模型预测MPC(Matlab代码实现)究生、科研人员及从事自动化、电气工程、机械电子等相关领域的工程师;熟悉非线性系统建模与控制、对先进控制算法如MPC、状态估计感兴趣的技术人员。; 使用场景及目标:①应用于非线性系统的建模与预测控制设计,如机器人、航空航天、能源系统等领域;②用于提升含不确定性因素的动力系统状态估计精度;③为研究数据驱动型控制方法提供可复现的Matlab实现方案,促进理论与实际结合。; 阅读建议:建议读者结合提供的Matlab代码逐段理解算法实现流程,重点关注Koopman算子的构造、观测器设计及MPC优化求解部分,同时可参考文中提及的其他相关技术(如卡尔曼滤波、深度学习等)进行横向对比研究,以深化对该方法优势与局限性的认识。
内容概要:本文研究了基于物理信息神经网络(PINN)求解二阶常微分方程(ODE)边值问题的方法,并提供了完整的Matlab代码实现。文章通过将微分方程的物理规律嵌入神经网络损失函数中,利用神经网络的逼近能力求解边值问题,避免传统数值方法在网格划分和迭代收敛方面的局限性。文中详细介绍了PINN的基本原理、网络结构设计、损失函数构建及训练流程,并以典型二阶ODE边值问题为例进行仿真验证,展示了该方法的有效性和精度。此外,文档还附带多个相关科研方向的Matlab案例资源链接,涵盖状态估计、优PINN物理信息神经网络用于求解二阶常微分方程(ODE)的边值问题研究(Matlab代码实现)化调度、机器学习、信号处理等多个领域,突出其在科学研究中的实际应用价值。; 适合人群:具备一定数学基础和Matlab编程能力的理工科研究生、科研人员及从事科学计算、工程仿真等相关工作的技术人员。; 使用场景及目标:①用于求解传统数值方法难以处理的复杂或高维微分方程问题;②为科研工作者提供PINN方法的入门实践路径,推动其在物理建模、工程仿真等领域中的创新应用;③结合所提供的丰富资源拓展至电力系统、故障诊断、优化调度等交叉学科研究。; 阅读建议:建议读者结合文中的Matlab代码逐行理解PINN实现机制,动手复现并尝试修改方程形式与边界条件以加深理解,同时可参考附带资源扩展应用场景,提升科研效率与创新能力。
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