es6的Generator函数和Async函数

本文深入探讨Generator函数的作用,包括生成迭代器和同步异步操作。通过具体示例讲解了Generator函数的声明、调用过程及yield表达式的使用。同时,介绍了如何利用Generator函数调用异步函数,实现异步操作的同步化,并展示了其在处理Promise时的优势。

Generator函数
作用:
1)迭代器的生成函数
2)将异步操作同步化

promise封装了异步操作

$.get("/customer/findAll")
.then((response)=>{
	//通过回调函数来获取异步操作的结果
})

(1)声明(语法)

function* foo(){
	let a = "hello"
	yield a;
	yield "world";
	return "end"
}

(2)调用

let iterator = foo();   //执行generator函数,获取迭代器对象
iterator.next()		// {value:"hello",done:false}
iterator.next()		// {value:"world",done:false}
iterator.next()		// {value:"end",done:true}

利用迭代器的next()获取yeild表达式的值

(3)this
Generator与普通函数中的this的获取是一致的

(4)yield表达式的返回值
默认没有返回值
iterator.next(参数) 当前这个参数为上一个yield表达式的返回值

(5) 作用
1)Generator函数可以用于调用异步函数,将异步操作同步化

let customers = $.get("/customer/findAll");
let customerId = customers[0].id
let address = $.get("/address/findByCustomerId?id="+Id)

2)迭代器
将obj转换为可迭代器的对象
obj[Symbol.iterator] = “”[Symbol.iterator]
Generator的返回值就是迭代器对象
let arr = [1,2,3];
arr.values() 迭代器对象
arr[Symbol.iterator] 生成迭代器对象的函数

Async函数
是Generator函数的语法糖

async function foo(){
		let customers = await $.get(url)
		let orders = await $.get(url)
	}
let promise = foo()
  1. await
    await表达式后一般为promise,await会等待promise状态改变resolved,然后将请求结果返回,最后继续向下运行
通过id删除顾客信息
function deleteById(id){
	$.get(deleteById).then(()=>{
		alert("");
		$.get(findAll).then(()=>{
			重新渲染
		})
	})
}

async版本

async function deleteById(id){
	let result = await(deleteById,id);
	alert(result.message);
	await(findAll)
}
deleteById(1)
内容概要:本文介绍了一种基于蒙特卡洛模拟拉格朗日优化方法的电动汽车充电站有序充电调度策略,重点针对分时电价机制下的分散式优化问题。通过Matlab代码实现,构建了考虑用户充电需求、电网负荷平衡及电价波动的数学模【电动汽车充电站有序充电调度的分散式优化】基于蒙特卡诺拉格朗日的电动汽车优化调度(分时电价调度)(Matlab代码实现)型,采用拉格朗日乘子法处理约束条件,结合蒙特卡洛方法模拟大量电动汽车的随机充电行为,实现对充电功率时间的优化分配,旨在降低用户充电成本、平抑电网峰谷差并提升充电站运营效率。该方法体现了智能优化算法在电力系统调度中的实际应用价值。; 适合人群:具备一定电力系统基础知识Matlab编程能力的研究生、科研人员及从事新能源汽车、智能电网相关领域的工程技术人员。; 使用场景及目标:①研究电动汽车有序充电调度策略的设计与仿真;②学习蒙特卡洛模拟与拉格朗日优化在能源系统中的联合应用;③掌握基于分时电价的需求响应优化建模方法;④为微电网、充电站运营管理提供技术支持决策参考。; 阅读建议:建议读者结合Matlab代码深入理解算法实现细节,重点关注目标函数构建、约束条件处理及优化求解过程,可尝试调整参数设置以观察不同场景下的调度效果,进一步拓展至多目标优化或多类型负荷协调调度的研究。
内容概要:本文围绕面向制造业的鲁棒机器学习集成计算流程展开研究,提出了一套基于Python实现的综合性计算框架,旨在应对制造过程中数据不确定性、噪声干扰面向制造业的鲁棒机器学习集成计算流程研究(Python代码实现)及模型泛化能力不足等问题。该流程集成了数据预处理、特征工程、异常检测、模型训练与优化、鲁棒性增强及结果可视化等关键环节,结合集成学习方法提升预测精度与稳定性,适用于质量控制、设备故障预警、工艺参数优化等典型制造场景。文中通过实际案例验证了所提方法在提升模型鲁棒性预测性能方面的有效性。; 适合人群:具备Python编程基础机器学习基础知识,从事智能制造、工业数据分析及相关领域研究的研发人员与工程技术人员,尤其适合工作1-3年希望将机器学习应用于实际制造系统的开发者。; 使用场景及目标:①在制造环境中构建抗干扰能力强、稳定性高的预测模型;②实现对生产过程中的关键指标(如产品质量、设备状态)进行精准监控与预测;③提升传统制造系统向智能化转型过程中的数据驱动决策能力。; 阅读建议:建议读者结合文中提供的Python代码实例,逐步复现整个计算流程,并针对自身业务场景进行数据适配与模型调优,重点关注鲁棒性设计与集成策略的应用,以充分发挥该框架在复杂工业环境下的优势。
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