分析泛型的类型推断实例

 

 

例子如下:

public class Test04{
	 public <T> ArrayList<T> f(T t ) {
         return null;
     }
     public void m(ArrayList<String> list) {
         //System.out.println(list.getClass().getName());
     }
     public <K> void get() {
         // f() 通过句柄中的<String>,得知返回的ArrayList<T>中的T代表什么类型
         ArrayList<String> list = f(null);// 通过泛型方法及类型推断得到了list
         m(list);// m方法可以使用该list
     }
}

对ArrayList<String> list = f(null);这条语句进行重点的分析,首先从Attr.attrVarDef()方法看起,记录两个状态,如下:

在代码要执行这个语句中的init部分时,这个树的状态如下:

  

再进入visitApply()方法后,如下:

进入visitIdentifier()方法后,如下:

 

在visitIdentifier()方法中要对f这个唯一标识填充sym与type属性,通过如下调用链查找sym符号:

(1)Resolve.resolveMethod() 开始走三步进行方法选定

(2)Resolve.findFun() 通过变换outer环境来调用下面的方法查找方法,查找namedImportScope与starImportScope来找方法

(3)Resolve.findMethod()  循环查找所有接口类及其父类

(4)Resolve.selectBest()  在调用rawInstantiate()方法之后会对方法调用权限进行检查,然后可能会调用mostSpecific()方法

(5)Resolve.rawInstantiate()  如果方法需要实例化,则调用下面的方法。如果不需要实例化,则调用checkRawArgumentsAcceptable()方法进行参数验证。

(6)infer.instantiateMethod()  对方法上声明的形式参数中含有新类型变量的全部再次封装为undetvar变量,

目的是在调用types.isConvertible()或者types.isSubtypeUnchecked()时,可能为了使两个方法调用返回true,往undetvar的lobounds中追加具体的实际参数类型。

不过这里的实际参数传递的是null,所以什么也没有追加。这样调用minimizeInst()方法后就inst属性只能是bottom类型了。

在这个方法中,如果最终不能将类型变量全部实例化,那么就会封装为一个UninferredMethodTypeImpl对象返回,后续继续进行类型推断实例化。

 

通过第一步方法就能找到要调用的f方法,最终得到sym后,

(1)调用checkIdentifier()来得到theComputedType

checkIdentifier()方法中最后一步调用如下方法

check(tree, ownTypeTagsType,protoTypesTagType,sym.kind, protoKindsSymbol);

然后为tree.type赋了值。传递check()方法的4个值如下:

sym.kind=16,而protoKindsSymbol=12

其中的值如下:

 

 

(2)调用checkMethod()来得到ownTypeTagsType 

(3)resolve.instantiate()来得到owntype,方法中对异常进行了简单的捕获

(4)rawInstantiate()

(5)infer.instantiateMethod() 调用这个方法得到一个UninferredMethodTypeImpl对象返回,而上次调用时直接弃掉了结果。

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

  

 

 

 

 

 

 

转载于:https://www.cnblogs.com/extjs4/p/9239884.html

基于实时迭代的数值鲁棒NMPC双模稳定预测模(Matlab代码实现)内容概要:本文介绍了基于实时迭代的数值鲁棒非线性模预测控制(NMPC)双模稳定预测模的研究与Matlab代码实现,重点在于通过数值方法提升NMPC在动态系统中的鲁棒性与稳定性。文中结合实时迭代机制,构建了能够应对系统不确定性与外部扰动的双模预测控制框架,并利用Matlab进行仿真验证,展示了该模在复杂非线性系统控制中的有效性与实用性。同时,文档列举了大量相关的科研方向与技术应用案例,涵盖优化调度、路径规划、电力系统管理、信号处理等多个领域,体现了该方法的广适用性。; 适合人群:具备一定控制理论基础和Matlab编程能力,从事自动化、电气工程、智能制造等领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①用于解决非线性动态系统的实时控制问题,如机器人控制、无人机路径跟踪、微电网能量管理等;②帮助科研人员复现论文算法,开展NMPC相关创新研究;③为复杂系统提供高精度、强鲁棒性的预测控制解决方案。; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,重点关注NMPC的实时迭代机制与双模稳定设计原理,并参考文档中列出的相关案例拓展应用场景,同时可借助网盘资源获取完整代码与数据支持。
UWB-IMU、UWB定位对比研究(Matlab代码实现)内容概要:本文介绍了名为《UWB-IMU、UWB定位对比研究(Matlab代码实现)》的技术文档,重点围绕超宽带(UWB)与惯性测量单元(IMU)融合定位技术展开,通过Matlab代码实现对两种定位方式的性能进行对比分析。文中详细阐述了UWB单独定位与UWB-IMU融合定位的原理、算法设计及仿真实现过程,利用多传感器数据融合策略提升定位精度与稳定性,尤其在复杂环境中减少信号遮挡和漂移误差的影响。研究内容包括系统建模、数据预处理、滤波算法(如扩展卡尔曼滤波EKF)的应用以及定位结果的可视化与误差分析。; 适合人群:具备一定信号处理、导航定位或传感器融合基础知识的研究生、科研人员及从事物联网、无人驾驶、机器人等领域的工程技术人员。; 使用场景及目标:①用于高精度室内定位系统的设计与优化,如智能仓储、无人机导航、工业巡检等;②帮助理解多源传感器融合的基本原理与实现方法,掌握UWB与IMU互补优势的技术路径;③为相关科研项目或毕业设计提供可复现的Matlab代码参考与实验验证平台。; 阅读建议:建议读者结合Matlab代码逐段理解算法实现细节,重点关注数据融合策略与滤波算法部分,同时可通过修改参数或引入实际采集数据进行扩展实验,以加深对定位系统性能影响因素的理解。
本系统基于MATLAB平台开发,适用于2014a、2019b及2024b等多个软件版本,并提供了可直接执行的示例数据集。代码采用模块化设计,关键参数均可灵活调整,程序结构逻辑分明且附有详细说明注释。主要面向计算机科学、电子信息工程、数学等相关专业的高校学生,适用于课程实验、综合作业及学位论文等教学与科研场景。 水声通信是一种借助水下声波实现信息传输的技术。近年来,多输入多输出(MIMO)结构与正交频分复用(OFDM)机制被逐步整合到水声通信体系中,显著增强了水下信息传输的容量与稳健性。MIMO配置通过多天线收发实现空间维度上的信号复用,从而提升频谱使用效率;OFDM方案则能够有效克服水下信道中的频率选择性衰减问题,保障信号在复杂传播环境中的可靠送达。 本系统以MATLAB为仿真环境,该工具在工程计算、信号分析与通信模拟等领域具备广的应用基础。用户可根据自身安装的MATLAB版本选择相应程序文件。随附的案例数据便于快速验证系统功能与性能表现。代码设计注重可读性与可修改性,采用参数驱动方式,重要变量均设有明确注释,便于理解与后续调整。因此,该系统特别适合高等院校相关专业学生用于课程实践、专题研究或毕业设计等学术训练环节。 借助该仿真平台,学习者可深入探究水声通信的基础理论及其关键技术,具体掌握MIMO与OFDM技术在水声环境中的协同工作机制。同时,系统具备良好的交互界面与可扩展架构,用户可在现有框架基础上进行功能拓展或算法改进,以适应更复杂的科研课题或工程应用需求。整体而言,该系统为一套功能完整、操作友好、适应面广的水声通信教学与科研辅助工具。 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
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
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