每日一词——RxJava

本文以餐厅叫号为例,生动解释了RxJava的工作原理,将被观察者和观察者的概念与生活场景相结合。文章详细介绍了RxJava的基本用法和链式调用,帮助Android开发者更好地理解和应用RxJava。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

正在努力中,今天22:00前可以完成

1 生活举例
1.1 假设场景

用餐高峰期,在一家很火的餐厅吃饭是需要叫号排队的,此刻我们已经取到号码

1.2 运转流程

我们在一旁听着,当小姐姐叫号,不是我们的号码就继续等待,是我们的号码时,我们就起身进入餐厅

1.3 名词映射
生活名词RxJava名词作用
顾客观察者负责监听事件(监听叫号,根据参数采取不同的行为,等待或起身)
服务员被观察者负责产生事件(叫号,参数是号码)
叫号单署名连接观察者与被观察者
叫号事件观察者与被观察者之间沟通的载体
1.4 一言以蔽之

被观察者 (Observable) 通过 署名或者签署(Subscribe) 按顺序发送事件 给观察者 (Observer), 观察者(Observer) 按顺序接收事件 && 作出对应的响应动作。

2 学会使用
2.1 基本用法
package liujinliang.natappvip.cc.myapplication;

import android.support.v7.app.AppCompatActivity;
import android.os.Bundle;
import android.util.Log;

import io.reactivex.Observable;
import io.reactivex.ObservableEmitter;
import io.reactivex.ObservableOnSubscribe;
import io.reactivex.Observer;
import io.reactivex.disposables.Disposable;

public class MainActivity extends AppCompatActivity {

    @Override
    protected void onCreate(Bundle savedInstanceState) {
        super.onCreate(savedInstanceState);
        setContentView(R.layout.activity_main);

        // 创建被观察者
        Observable<Integer> observable = Observable.create(new ObservableOnSubscribe<Integer>() {
            @Override
            public void subscribe(ObservableEmitter<Integer> observableEmitter) throws Exception {
                observableEmitter.onNext(1);
                observableEmitter.onComplete();
            }
        });
        // 创建观察者
        Observer<Integer> observer = new Observer<Integer>() {

            @Override
            public void onSubscribe(Disposable disposable) {
                Log.i("Gene", "onSubscribe");
            }

            @Override
            public void onNext(Integer integer) {
                Log.i("Gene", "onNext:" + integer);
            }

            @Override
            public void onError(Throwable throwable) {
                Log.i("Gene", "onError");
            }

            @Override
            public void onComplete() {
                Log.i("Gene", "onComplete");
            }
        };

        // 关联观察者与被观察者
        observable.subscribe(observer);
    }
}
2.2 链式调用
package liujinliang.natappvip.cc.myapplication;

import android.support.v7.app.AppCompatActivity;
import android.os.Bundle;
import android.util.Log;

import io.reactivex.Observable;
import io.reactivex.ObservableEmitter;
import io.reactivex.ObservableOnSubscribe;
import io.reactivex.Observer;
import io.reactivex.disposables.Disposable;

public class MainActivity extends AppCompatActivity {

    @Override
    protected void onCreate(Bundle savedInstanceState) {
        super.onCreate(savedInstanceState);
        setContentView(R.layout.activity_main);

        // 创建被观察者
        Observable.create(new ObservableOnSubscribe<Integer>() {
            @Override
            public void subscribe(ObservableEmitter<Integer> observableEmitter) throws Exception {
                observableEmitter.onNext(1);
                observableEmitter.onComplete();
            }
        }).subscribe(new Observer<Integer>() {

            @Override
            public void onSubscribe(Disposable disposable) {
                Log.i("Gene", "onSubscribe");
            }

            @Override
            public void onNext(Integer integer) {
                Log.i("Gene", "onNext:" + integer);
            }

            @Override
            public void onError(Throwable throwable) {
                Log.i("Gene", "onError");
            }

            @Override
            public void onComplete() {
                Log.i("Gene", "onComplete");
            }
        });
    }
}
基于python实现的粒子群的VRP(车辆配送路径规划)问题建模求解+源码+项目文档+算法解析,适合毕业设计、课程设计、项目开发。项目源码已经过严格测试,可以放心参考并在此基础上延申使用,详情见md文档 算法设计的关键在于如何向表现较好的个体学习,标准粒子群算法引入惯性因子w、自我认知因子c1、社会认知因子c2分别作为自身、当代最优解和历史最优解的权重,指导粒子速度和位置的更新,这在求解函数极值问题时比较容易实现,而在VRP问题上,速度位置的更新则难以直接采用加权的方式进行,个常见的方法是采用基于遗传算法交叉算子的混合型粒子群算法进行求解,这里采用顺序交叉算子,对惯性因子w、自我认知因子c1、社会认知因子c2则以w/(w+c1+c2),c1/(w+c1+c2),c2/(w+c1+c2)的概率接受粒子本身、当前最优解、全局最优解交叉的父代之(即按概率选择其中个作为父代,不加权)。 算法设计的关键在于如何向表现较好的个体学习,标准粒子群算法引入惯性因子w、自我认知因子c1、社会认知因子c2分别作为自身、当代最优解和历史最优解的权重,指导粒子速度和位置的更新,这在求解函数极值问题时比较容易实现,而在VRP问题上,速度位置的更新则难以直接采用加权的方式进行,个常见的方法是采用基于遗传算法交叉算子的混合型粒子群算法进行求解,这里采用顺序交叉算子,对惯性因子w、自我认知因子c1、社会认知因子c2则以w/(w+c1+c2),c1/(w+c1+c2),c2/(w+c1+c2)的概率接受粒子本身、当前最优解、全局最优解交叉的父代之(即按概率选择其中个作为父代,不加权)。
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