(A16)Tapestry Core :Injection with Components

本文详细介绍了Tapestry5框架中组件注入的概念及其实现方式,包括注入标注的使用、不同类型的注入如默认注入和服务注入等,并探讨了如何定义新的注入逻辑。
本人翻译目的是用来学习Tapestry5的,共享出来希望大家批评指正。计划持续翻译。
chinajavawolf
    
组件注入
注入是 Tapestry 使用的一个重要概念。 Tapestry Ioc 容器( Tapestry IoC container )使用一种注入,通过参数提供服务建造者方法( service builder methods )。
对于组件, Tapestry 使用了一个完全不同的方针:直接注入到实例变量里。
注入标注
注入标注 (Inject annotation) 被用来确定字段域将包含注入服务和其他资源。
Tapestry 支持两种注入:
1.        外在的注入, 特殊的服务被指定注入
2.        默认的注入, Tapestry 决定对象注入进字段域基于他的类型。
在这两种方案里,字段域被转变为一个只读的值。对于 Tapestry ,这种转变发生在运行时(对于能够测试你的组件方面这是非常重要的)。试图更新一个注入的字段域将产生运行时异常。
另外,有少数特殊的情况被特定的字段类型或附加标注触发,另外,对于注入,是在字段域上。
  •   Asset 注入
Path 标注也出现的时候,那么注入值(相对于组件的路径)将是一个本地化的 asset.
符号在标注值内被扩展。
  •   Block 注入
对于 Block 字段域类型,注入标注的值是在组件模板内 < block > 元素的 id 。通常情况, block id 通过字段域的名字确定(去掉前面的 ”_” ”$” 符号)。在不适合的地方,可以制定标注的 id
  1. @Inject  
  2.   private Block _foo;   
  3.      
  4.   @Inject  
  5.   @Id("bar")   
  6.   private Block _barBlock;  
第一个注入将用 ”foo” 作为 Block id (通常,此情况被忽视)。第二个注入将用 ”bar” 作为 Block id
  •   注入资源
对于一些特殊的字段域类型, Tapestry 将注入组件相关的资源,例如它的 Local
一个非常通用的例子,当一个组件需要访问他的资源时,这个组件可以定义一个适当的字段域类型并且用无值的注入标注。
  1. @Inject  
  2. private ComponentResources _resources;   
Tapestry 使用 ComponentResources 类型的字段域去确定注入什么在这个字段域里
下面的类型被支持作为资源注入:
1.        java.lang.String
完整的组件 id, 其中包含了容器页的完整的类的名称和页面内嵌套的组件 id.
2.        java.util.Locale
组件的 Locale( 一个页面内的所有组件使用同一个 locale)
3.        org.apache.commons.logging.Log
为组件配置的日志实例,基于组件的类名。
4.        org.apache.tapestry.ComponentResources
组件的资源,经常用来产生涉及组件的链接。
5.        org.apache.tapestry.ioc.Messages
组件的信息目录用来产生本地化信息。
外在的服务注入
这里,一个特殊的对象被请求。一个 Service 标注被用来确定服务名。
例如:
  1. @Inject  
  2. @Service("Request")   
  3. private Request _request;  
默认注入
当类型和其他注解都不足以确定对象或服务的注入 , Tapestry 求助于两个保留步骤 . 它假定字段域类型将通过服务接口被用来识别一个服务 .
第一个步骤,被别名服务创建的对象提供者被参考。当有一个以上的实现了同一个服务接口的服务时,这个对象的提供者被用来消除注入歧义。
第二个步骤,发生搜索唯一个实现接口的服务。如果不是没有实现接口的服务就是有多余一个得服务,那么这将失败。在后一种情况下,你必须消除歧义,不是用提供一个别名服务就是用 @Service 标注明确确定服务。
定义新的注入逻辑
匿名注入通过 InjectionProvider 服务被控制。对于这个服务的配置是一个控制组件注入的指挥系统。
MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
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