ios开发之委托者模式分析

本文详细解析委托者模式的组成元素,包括协议、委托者和代理,并通过实例展示如何实现和应用这一模式。

委托者模式

委托者模式里面包裹的对象有如下:

(1)协议

(2)委托者

(3)代理

接下来分析他们之间的逻辑和完成的工作任务

协议:定义一个协议(协议定义类的方法,但是不去实现类的方法),接下来定义协议方法 如下:

@protocol UITableViewDataSource<NSObject>

@required

- (NSInteger)tableView:(UITableView *)tableView numberOfRowsInSection:(NSInteger)section;

- (UITableViewCell *)tableView:(UITableView *)tableView cellForRowAtIndexPath:(NSIndexPath *)indexPath;

@optional

- (NSInteger)numberOfSectionsInTableView:(UITableView *)tableView; 
@end

协议接下来指定一个委托

委托者:声明一个委托,其实就是协议去指定一个委托,实现的过程如下:

@property (nonatomic, assign)   id <UITableViewDataSource> dataSource;

委托者不去实现,指定代理去实现

代理:代理最重要的功能就是间接的实现协议里面类的方法,由委托者来指定

tableView.dataSource=self;所以就实现了UITableViewDataSource协议里面的方法了

总结:协议指定委托,委托设置代理,代理实现协议方法

代理设置自己,设置自己存在的情况一般是:A类和B类,A类里面添加B类(相当于B类是A类的子类),B类要在A类里面实现协议定义的方法,所以B类定义委托为自己,去实现B类里面定义的协议方法

代理设置另外一个类:主要完成任务是传值


【多变量输入超前多步预测】基于CNN-BiLSTM的光伏功率预测研究(Matlab代码实现)内容概要:本文介绍了基于CNN-BiLSTM模型的多变量输入超前多步光伏功率预测方法,并提供了Matlab代码实现。该研究结合卷积神经网络(CNN)强大的特征提取能力与双向长短期记忆网络(BiLSTM)对时间序列前后依赖关系的捕捉能力,构建了一个高效的深度学习预测模型。模型输入包含多个影响光伏发电的气象与环境变量,能够实现对未来多个时间步长的光伏功率进行精确预测,适用于复杂多变的实际应用场景。文中详细阐述了数据预处理、模型结构设计、训练流程及实验验证过程,展示了该方法相较于传统模型在预测精度和稳定性方面的优势。; 适合人群:具备一定机器学习和深度学习基础,熟悉Matlab编程,从事新能源预测、电力系统分析或相关领域研究的研发人员与高校研究生。; 使用场景及目标:①应用于光伏电站功率预测系统,提升电网调度的准确性与稳定性;②为可再生能源并网管理、能量存储规划及电力市场交易提供可靠的数据支持;③作为深度学习在时间序列多步预测中的典型案例,用于科研复现与教学参考。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注数据归一化、CNN特征提取层设计、BiLSTM时序建模及多步预测策略的实现细节,同时可尝试引入更多外部变量或优化网络结构以进一步提升预测性能。
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