画板小节

最近用java做了一个简单的画板,实现了画直线、矩形、圆、曲线、多边形以及橡皮擦的功能,并可以自己选择颜色,
还实现画板的重绘。在java中没有直接画曲线的方法,所以一开始有点纠结。曲线实际上是有许多的直线连接成的,要画
曲线就得获得一系列点的坐标,这里我用的mouseDragged事件,只要鼠标一直拖动,就可以轻易地获得一系列的点的坐标。
/**
* 鼠标拖动时执行该方法
*/
public void mouseDragged(MouseEvent e){
x2 = e.getX();
y2 = e.getY();
g.drawLine(x1,y1,x2,y2);
//创建一个Graph类对象
Graph graph = new Graph("curve",ll.getColor(),x1,y1,x2,y2);
//将对象添加到队列中去
graphlist.add(graph);
x1= x2;
y1= y2;
}
画板的重绘是一个大问题,要实现重绘首先要将你所画的图形的相关信息保存起来,这里我用的自定义队列。如果你的图形是
在窗体的画布上画的,这时就需要继承javax.swing.JFrame这个类,并重写这个类的paint方法,在重写的方法里,首先通过
super.paint(g)实现窗体的重绘,然后将你所保存的图形再画出来。如果你的图形是在面板的画布上画的,同样的你需要继承
javax.swing.JPanel这个类,后重写paint方法。
/**
* 内部类继承JPanel
*/
class DrawPanel extends javax.swing.JPanel{
public void paint(java.awt.Graphics g){
super.paint(g);
//判断dl对象是否为null
if(null != dl){
//获取所画图形的数据
for(int i = 0 ; i<dl.getGraphList().size(); i++){
Graph graph = dl.getGraphList().get(i);
//设置颜色
g.setColor(graph.getColor()) ;
//判断图形
if(graph.getitem().equals("line")) {
//画直线
g.drawLine(graph.getX1(),graph.getY1(),graph.getX2(),graph.getY2());
} else if(graph.getitem().equals("oval")){
//画圆
g.drawOval(graph.getX1(),graph.getY1(),Math.abs(graph.getX2()-graph.getX1()),Math.abs(graph.getY2()-graph.getY1()));
}else if(graph.getitem().equals("rect")){
//画矩形
g.drawRect(graph.getX1(),graph.getY1(),Math.abs(graph.getX2()-graph.getX1()),Math.abs(graph.getY2()-graph.getY1()));
}else if(graph.getitem().equals("curve")){
//画曲线
g.drawLine(graph.getX1(),graph.getY1(),graph.getX2(),graph.getY2());
}else if(graph.getitem().equals("eraser")){
//将画笔的颜色设置成画图面板的颜色
g.setColor(java.awt.Color.WHITE);
//橡皮擦
g.fillRect(graph.getX1(),graph.getY1(),Math.abs(graph.getX2()-graph.getX1()),Math.abs(graph.getY2()-graph.getY1()));
}else if(graph.getitem().equals("polygon")){
//画多边形
g.drawPolygon(graph.getXPoint(),graph.getYPoint(),graph.getNPoint());
}
}
}
}
}
DrawPanel jpaneldraw = new DrawPanel();
this.add(jpaneldraw);
基于遗传算法的新的异构分布式系统任务调度算法研究(Matlab代码实现)内容概要:本文档围绕基于遗传算法的异构分布式系统任务调度算法展开研究,重点介绍了一种结合遗传算法的新颖优化方法,并通过Matlab代码实现验证其在复杂调度问题中的有效性。文中还涵盖了多种智能优化算法在生产调度、经济调度、车间调度、无人机路径规划、微电网优化等领域的应用案例,展示了从理论建模到仿真实现的完整流程。此外,文档系统梳理了智能优化、机器学习、路径规划、电力系统管理等多个科研方向的技术体系与实际应用场景,强调“借力”工具与创新思维在科研中的重要性。; 适合人群:具备一定Matlab编程基础,从事智能优化、自动化、电力系统、控制工程等相关领域研究的研究生及科研人员,尤其适合正在开展调度优化、路径规划或算法改进类课题的研究者; 使用场景及目标:①学习遗传算法及其他智能优化算法(如粒子群、蜣螂优化、NSGA等)在任务调度中的设计与实现;②掌握Matlab/Simulink在科研仿真中的综合应用;③获取多领域(如微电网、无人机、车间调度)的算法复现与创新思路; 阅读建议:建议按目录顺序系统浏览,重点关注算法原理与代码实现的对应关系,结合提供的网盘资源下载完整代码进行调试与复现,同时注重从已有案例中提炼可迁移的科研方法与创新路径。
【微电网】【创新点】基于非支配排序的蜣螂优化算法NSDBO求解微电网多目标优化调度研究(Matlab代码实现)内容概要:本文提出了一种基于非支配排序的蜣螂优化算法(NSDBO),用于求解微电网多目标优化调度问题。该方法结合非支配排序机制,提升了传统蜣螂优化算法在处理多目标问题时的收敛性和分布性,有效解决了微电网调度中经济成本、碳排放、能源利用率等多个相互冲突目标的优化难题。研究构建了包含风、光、储能等多种分布式能源的微电网模型,并通过Matlab代码实现算法仿真,验证了NSDBO在寻找帕累托最优解集方面的优越性能,相较于其他多目标优化算法表现出更强的搜索能力和稳定性。; 适合人群:具备一定电力系统或优化算法基础,从事新能源、微电网、智能优化等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应用于微电网能量管理系统的多目标优化调度设计;②作为新型智能优化算法的研究与改进基础,用于解决复杂的多目标工程优化问题;③帮助理解非支配排序机制在进化算法中的集成方法及其在实际系统中的仿真实现。; 阅读建议:建议读者结合Matlab代码深入理解算法实现细节,重点关注非支配排序、拥挤度计算和蜣螂行为模拟的结合方式,并可通过替换目标函数或系统参数进行扩展实验,以掌握算法的适应性与调参技巧。
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