建议36:使用FCL中的委托声明

本文介绍了FCL中Action、Func、Predicate等通用委托的使用方法,并对比了自定义委托的优劣。通过实例展示了如何利用这些委托简化代码。

建议36:使用FCL中的委托声明

 FCL中存在3类这样的委托声明,它们分别是:Action、Func、Predicate。尤其是在它们的泛型版本出来以后,已经能够满足我们在实际编码过程中的大部分需求。

  • Action表示接受0个或多个输入参数,执行一段代码,没有任何返回值;
  • Func表示接受0个或多个输入参数,执行一段代码,带返回值;
  • Predicate表示定义一组条件并判读参数是否符合条件。

Action的重载版本有17个,最多参数的重载有16个参数。

Func的重载版本有17个,最多参数的重载有16个参数。

注意:很少方法的参数能够超过16个,如果真有这样的参数,首先要考虑自己设计是否存在问题。另外,我们也可以使用params关键字来减少参数的声明。如:

static void Method1(params int[] i)

表示该方法接受0个或多个整型参数。

 

复制代码
        delegate int AddHandler(int i, int j);
        delegate void PrintHandler(string msg);

        static void Main(string[] args)
        {
            AddHandler add = Add;
            PrintHandler print = Print;
            print(add(1, 2).ToString());
        }

        static int Add(int i, int j)
        {
            return i + j;
        }

        static void Print(string msg)
        {
            Console.WriteLine(msg);
        }
复制代码

 

委托声明AddHandler和PrintHandler完全可以被Func与Action取代。

复制代码
        static void Main(string[] args)
        {
            Func<int, int, int> add = Add;
            Action<string> print = Print;
            print(add(1, 2).ToString());
        }

        static int Add(int i, int j)
        {
            return i + j;
        }

        static void Print(string msg)
        {
            Console.WriteLine(msg);
        }
复制代码

 

 

我们应该习惯在代码中使用这类委托来代替自己的委托声明。

处理Action、Func和Predicate外,FCL中还有用于表示特殊含义的委托声明。如

用于表示注册事件方法的委托声明:

public delegate void EventHandler(object sender, EventArgs e);
public delegate void EventHandler<TEventArgs>(object sender, TEventArgs e);

 

表示线程方法的委托声明:

public delegate void ThreadStart();
public delegate void ParameterizedThreadStart(object obj);

 

 表示异步回调的委托声明:

public delegate void AsyncCallback(IAsyncResult ar);

 

在FCL中每一类委托声明都代表一类特殊的用途,虽然可以使用自己的委托声明来代替,但是这样做不仅没有必要,而且会让代码失去简洁性和标准性。在我们实现自己的委托声明前,应该首先查看MSDN,确信有必要后才这样做。

 

 

转自:《编写高质量代码改善C#程序的157个建议》陆敏技

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
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
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