Thinking in Java 学习笔记——类型信息

Java RTTI与泛型详解
本文探讨了Java中的RTTI(运行时类型识别)机制,包括如何在运行时获取对象的类型信息,以及泛型在确保类型安全方面的作用。同时介绍了Class对象的使用方法,以及反射的基本概念。

因为毕业季,很多烦心的事,间断这么久都没有更新。本周学习进入类型信息、泛型、数组的学习。继续学习笔记。不再按照之前的编号,分章节贴出。


 

————————————————————————分割线———————————————————————————

 

RTTI(Run-Time Type Identification)可以在运行时获得一个对象的信息(这样机制的产生原因,应该在于java的对象存储都是Oject,是伪多态,类型识别需要额外的信息 Java中,对于类型的确保:在编译时通过泛型系统来确保,在运行时通过类型转换来确保。对于具体的调用,则是通过多态的处理。对于List<Shape>这样的list,当向上转型之后,CircleSquare的类型信息会丢失,那么还是不是可以通过RTTI在运行时得到?

 

       类与对象,类就是类,但是也是对象,为了让jvm使用,每个类都会拥有一个特殊的对象:Class对象,准确的说,是编译出一个与类同名的class文件。

       Class.forName(String s)这个方法就是class这个对象类(所有class的对象都属于这个类)的static变量,方法的作用为按照传入的String寻找对应的class文件,加载(如果还没有),然后返回这个class对象引用(如类加载器),然后可以进行操作。

       Class类型引用的获取除了使用forName方法,如果已经有了一个现成的对象,调用getClass()也可以得到class引用,从而得到运行时的类型信息,这个是一个Object的方法。获得引用后,可以使用getNamegetSuperClassnewInstance(这个方法涉及到反射,不然在创建Object后没有类型转化)这样的方法。

       class的获取还有A.class这样的获取引用的方法,与forName之类的差别就是,这种引用的获取并不会触发类的加载(链接、static初始化等),直至使用才进行(惰性加载)。复习:对于static final这样的编译器常量的引用,并不会触发加载。

       对于泛型,最为主要的一点作用就是编译时确保类型安全。通过使用泛型语法,可以让编译器强制执行额外的类型检查。对于Class<?>Class,他们虽是等价的,但是前者却更优,因为它代表了你做了一个非具体的版本,而非什么都没有选。泛型不会对超类或者子类有任何的松懈。

       RTTI确保类型转换,另外可以提供Class对像的运行时信息查询,最后还提供了instanceof的查询(通常在使用cast之前检查)C++中并不使用RTTI,对于运行时的新的类型(多态),只是将其作为新的类型对待。

       对于类型转换而言,直接使用(BA这样转换与使用A.castB),后一种会执行更多的额外操作。

       Instanceof 与 isinstance()完全等价,它指的是“你是这个类吗,或者你是这个类的子类?”直接的对class对象的比较就是确切的类型,无关继承。

       在运行时,不知道一个对象的类型,可以通过RTTI获知,但是有一个前提,这个类型在编译时必须已知,这样才能通过RTTI识别。就是说,如果在运行时获得了一个编译时期没有获知的类型的对象,无法通过RTTI获知类型。如在运行时在网络上截取一段字节码,怎么知道它是那个类型?答案在在于反射。(IDE的实现,如语法提示,是通过什么呢?如eclipse,是不是通过class?反射?

 

       反射一般使用的不多,用于创建更为动态的代码。


 

内容概要:本文档围绕六自由度机械臂的ANN人工神经网络设计展开,涵盖正向与逆向运动学求解、正向动力学控制,并采用拉格朗日-欧拉法推导逆向动力学方程,所有内容均通过Matlab代码实现。同时结合RRT路径规划与B样条优化技术,提升机械臂运动轨迹的合理性与平滑性。文中还涉及多种先进算法与仿真技术的应用,如状态估计中的UKF、AUKF、EKF等滤波方法,以及PINN、INN、CNN-LSTM等神经网络模型在工程问题中的建模与求解,展示了Matlab在机器人控制、智能算法与系统仿真中的强大能力。; 适合人群:具备一定Ma六自由度机械臂ANN人工神经网络设计:正向逆向运动学求解、正向动力学控制、拉格朗日-欧拉法推导逆向动力学方程(Matlab代码实现)tlab编程基础,从事机器人控制、自动化、智能制造、人工智能等相关领域的科研人员及研究生;熟悉运动学、动力学建模或对神经网络在控制系统中应用感兴趣的工程技术人员。; 使用场景及目标:①实现六自由度机械臂的精确运动学与动力学建模;②利用人工神经网络解决传统解析方法难以处理的非线性控制问题;③结合路径规划与轨迹优化提升机械臂作业效率;④掌握基于Matlab的状态估计、数据融合与智能算法仿真方法; 阅读建议:建议结合提供的Matlab代码进行实践操作,重点理解运动学建模与神经网络控制的设计流程,关注算法实现细节与仿真结果分析,同时参考文中提及的多种优化与估计方法拓展研究思路。
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