Activity的调用栈分析

本文详细介绍了Android应用开发中Activity的概念、生命周期、启动模式等关键信息,帮助开发者更好地理解Activity的工作机制。

     activity是四大组件中出现的频率最高的,也是用来于用户交互的界面,她提供了一个用户完成指令的接口,当开发着创建activity之后,通过调用setContentView(View)方法来给activity指定一个现实的界面,并以此为基础提供给用户交互的接口,系统采用activity栈的方式来管理activity.

一.activity的形态

1.active/running   此状态activity处于栈顶 可见 并与用户进行交互.

        2.paused      当失去焦点或者被一个新的activity或者一个透明的activity处于栈顶是调用,例如activity中调用弹出框时

3.stopped    完全覆盖activity时所属的状态, 例如 调用新的activity

4.killed       当activity被系统回收掉时

二.activity的生命周期


                                     

虽然开发者不必实现所有的生命周期的方法,但是没个生命周期的含义可让我们更好的掌握activity,更好的完成所期望的效果.一般三种状态是稳定的,其它的都是过度状态.

1.Resumed

2.Paused

3.Stopped

三.activity启动与销毁

1.onCreate()   创建基本UI元素

2.onPause()与onStop()  清除activity的资源 避免浪费

3.onDestory() 因为引用会在activity销毁是销毁 而线程不会,所以清除开启的线程需要在这个方法里调用

四.android任务堆栈的介绍

        一个app启动时当前环境不存在任务堆栈时,就会创建一个任务 栈,需要注意的是一个task中的activity可以来自不同的app,同一个app的activity也可能不在一个task.

任务栈结构遵循先进后出的线性表

五.androidmainifest的启动模式

1.standard  默认的启动模式 依次覆盖

2.singletop  判断当前栈顶activtiy是否启动如果启动就不创建新的,否则创建新的.

3.singletask  如果是在同一个app中检测这个任务栈里面需要启动的activity,并将改该activity置于栈顶,并将activity以上的activity销毁,如果不在同一个app中就重新创建一个任务栈

4.singleinstance 这种启动模式跟使用浏览器工作原理类似,如果当前任务已经创建不需要创建新的任务栈

六.Intent Flag启动模式

1.Intent.FLAG_ACTIVITY_NEW_TASK 创建新的任务栈并且创建新的实例

2.FLAG_ACTIVITY_SINGLE_TOP  与android:launchMode="singleTop"效果一致

3.FLAG_ACTIVITY_CLEAR_TOP   与android:launchMode="singleTask"效果一致

4.FLAG_ACTIVITY_NO_HISTORY  当activity启动其它的activity后,该activity就会消失,不会保留在activity栈中,例如A启动B,B 以这种模式启动C,C再启动D,则当前activity栈为ABD

七. 清空任务栈

系统同样提供了清空任务栈的方法来让我们将一个task全部清除,通常情况下可以在androidMainifest文件中的<activity>标签中使用以下几种属性清理任务栈

1.clearTaskOnLaunch属性顾名思义 就是在每次返回该activity时,都将该activity之上的所有activity清除,通过这个属性,可以让这个task每次初始化的时候,都只创建一个activity

2.finshOnTaskLaunch 当离开这个activity所处的task,那么用户再返回时,该activity就会被finsh掉

3.alwayRetainTaskState  属性给了task一道"免死金牌" 如果某个activity被设置这个属性 将不再受任何清理命令,一直保持在当前task状态


注: 此文章来源于android群英传一书的总结.

基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的Koopman算子的递归神经网络模型线性化”展开,旨在研究纳米定位系统的预测控制问题,并提供完整的Matlab代码实现。文章结合数据驱动方法与Koopman算子理论,利用递归神经网络(RNN)对非线性系统进行建模与线性化处理,从而提升纳米级定位系统的精度与动态响应性能。该方法通过提取系统隐含动态特征,构建近似线性模型,便于后续模型预测控制(MPC)的设计与优化,适用于高精度自动化控制场景。文中还展示了相关实验验证与仿真结果,证明了该方法的有效性和先进性。; 适合人群:具备一定控制理论基础和Matlab编程能力,从事精密控制、智能制造、自动化或相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能控制设计;②为非线性系统建模与线性化提供一种结合深度学习与现代控制理论的新思路;③帮助读者掌握Koopman算子、RNN建模与模型预测控制的综合应用。; 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,重点关注数据预处理、RNN结构设计、Koopman观测矩阵构建及MPC控制器集成等关键环节,并可通过更换实际系统数据进行迁移验证,深化对方法泛化能力的理解。
评论 1
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