EWeb4J-1.9-继续改善ActiveRecord支持【级联】操作

本文详细介绍了如何在ActiveRecord中实现级联操作,强调开发者控制一切,并通过代码示例展示了具体实现过程。
老习惯:约定优于配置,配置覆盖约定,少侵入,开发者控制一切

由于之前已经封装好CascadeDAO接口。因此本次在ActiveRecord中增加级联操作就显得很简单了。

这个是使用的时候:
PetControl.java

@Validate(value={"pet.*"}, except={"pet.id"})
@Transactional
public String create(Validation val, Map model) {
if (val.hasErr())
return JsonConverter.convert(val.getAllErr());

pet.create();

pet.cascade().select("fied1","field2");
pet.cascade().insert("fied1","field2");
pet.cascade().update("fied1","field2");
pet.cascade().delete("fied1","field2");

model.put("types", TYPES);

return "index";
}

可以看到,新版本的级联操作依然是开发者主动发起的,没有懒加载、自动级联这些概念。开发者控制一切。
实现原理:
Model.java

public Cascade cascade(){
Cascade cascade = new CascadeImpl(DAOFactory.getCascadeDAO(dsName), this);

return cascade;
}

Cacade.java

public interface Cascade {

void select(String... fields);

void update(String... fields);

void delete(String... fields);

void insert(String... fields);

}

CascadeImpl.java

public class CascadeImpl implements Cascade{

private CascadeDAO cascadeDAO;
private Model model;

CascadeImpl(CascadeDAO cascadeDAO, Model model){
this.cascadeDAO = cascadeDAO;
this.model = model;
}

public void select(String... fields) {
this.cascadeDAO.select(model, fields);
}

public void update(String... fields) {
this.cascadeDAO.update(model, fields);
}

public void delete(String... fields) {
this.cascadeDAO.delete(model, fields);
}

public void insert(String... fields) {
this.cascadeDAO.insert(model, fields);
}

}


可以看到其实就是代理了下这个 CascadeDAO 而已。

PS:数数日子,1.9-SNAPSHOT也已经好些日子了。本来打算4-8号发布的。当时由于验证器这块还是不够方便和有效。现在总算解决。我想差不多就发布了吧。进行这个版本最后的Demo测试。等我写好用户文档,也就差不多发布了 :b
【无人机】基于改进粒子群算法的无人机路径规划研究[和遗传算法、粒子群算法进行比较](Matlab代码实现)内容概要:本文围绕基于改进粒子群算法的无人机路径规划展开研究,重点探讨了在复杂环境中利用改进粒子群算法(PSO)实现无人机三维路径规划的方法,并将其与遗传算法(GA)、标准粒子群算法等传统优化算法进行对比分析。研究内容涵盖路径规划的多目标优化、避障策略、航路点约束以及算法收敛性和寻优能力的评估,所有实验均通过Matlab代码实现,提供了完整的仿真验证流程。文章还提到了多种智能优化算法在无人机路径规划中的应用比较,突出了改进PSO在收敛速度和全局寻优方面的优势。; 适合人群:具备一定Matlab编程基础和优化算法知识的研究生、科研人员及从事无人机路径规划、智能优化算法研究的相关技术人员。; 使用场景及目标:①用于无人机在复杂地形或动态环境下的三维路径规划仿真研究;②比较不同智能优化算法(如PSO、GA、蚁群算法、RRT等)在路径规划中的性能差异;③为多目标优化问题提供算法选型和改进思路。; 阅读建议:建议读者结合文中提供的Matlab代码进行实践操作,重点关注算法的参数设置、适应度函数设计及路径约束处理方式,同时可参考文中提到的多种算法对比思路,拓展到其他智能优化算法的研究与改进中。
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