Flex应用的初始化顺序

最初的需求是需要在应用初始化的适当时机加载相关的配置信息,以便进行后续的初始化工作。后端是使用BlazeDS,整个系统基于RemoteObject通信。
Flex应用的初始化顺序是,preloader->systemManager->FlexApplication started…
然后才是:
preinitialize
  在所有的初始化之前触发,没有子组件的定义,但是可以引用组件的变量.
initialize
  当所有子组件生成完成后触发,在这个时间点还没有组件被渲染出来.
creationComplete
  组件定义完成并已经在显示列表.
applicationComplete
  所有的组件初始化完成并显示.

preinitialize之后application的初始化已经无法被控制了,所以需要在preinitialize之前进行配置信息的载入Preloader恰好能达到目的,通过重写SparkDownloadProgressBar,并监听FlexEvent.PRELOADER_DOC_FRAME_READY事件可以在application初始化前拦截。

override public function set preloader(value:Sprite):void
{
	super.preloader = value;
	_preloader = value;
 
	//在app初始化之前拦截
	value.addEventListener(FlexEvent.PRELOADER_DOC_FRAME_READY,applicationInit,false,int.MAX_VALUE);
}
 
/**
 * 加载权限配置等信息
 * */
private function applicationInit(event:FlexEvent):void{
	//暂停app初始化
	event.stopImmediatePropagation();
	suspend = true;
 
	var con:NetConnection = new NetConnection();
	con.objectEncoding = ObjectEncoding.AMF3
	con.connect("./messagebroker/amf");
 
	con.addEventListener(NetStatusEvent.NET_STATUS, function():void{});
	con.addEventListener(SecurityErrorEvent.SECURITY_ERROR, function():void{});
	con.addEventListener(IOErrorEvent.IO_ERROR, function():void{});
	con.addEventListener(AsyncErrorEvent.ASYNC_ERROR, function():void{});
 
	con.call("systemFlex.getUserInfo",new Responder(sysInitHandler,faultHandler));
 
}
 
/**
 * 配置信息载入处理,与初始化信息设置
 * */
private function sysInitHandler(data:Object):void{
 
	//如果加载到信息
	if(data.uid){
		//进行用户信息初始化
 
		var model:GlobalModel = GlobalModel.getInstance();
		model.uid = data.uid;
		model.username = data.username;
 
		if(data.privileges){
			var privileges:XMLList = new XMLList(data.privileges);
			//权限树
			model.privileges = privileges;
 
			//由于进入此方法时flex资源还未加载完成,ArrayCollection无法使用,所以把权限控制放到app的preinitialize初始化
			//var privilegesArr:ArrayCollection = new ArrayCollection(privileges..node.@id.toXMLString().split("\n"));
 
			//msgBox.text = "启动权限控制...";
			//启动权限控制
			//SecurityControler.start(privilegesArr);
 
			msgBox.text = "初始化用户信息完成.";
 
			_preloader.removeEventListener(FlexEvent.PRELOADER_DOC_FRAME_READY,applicationInit);
			suspend = false;
			//重新发起事件,继续app初始化
			_preloader.dispatchEvent(new FlexEvent(FlexEvent.PRELOADER_DOC_FRAME_READY));
 
		}else{
			msgBox.text = "权限信息加载失败,初始化终止!";
		}
	}else{
		msgBox.text = "加载初始化信息错误,初始化终止!";
	}
}
 
private function faultHandler(info:Object):void{
	msgBox.text = "加载系统和用户配置信息失败,初始化终止!\n"+info.message;
}
通过FlexEvent.PRELOADER_DOC_FRAME_READY事件可以达到代码在application初始化前执行。但由于此时应用还没有完全载入,许多mx,spark组件都不能正常使用所以需要用flash包下提供的类和方法来达到目的。
  最初我使用RemoteObject去加载数据但由于ResourceManager还没有完全初始化完成,导致报错。并且诸如ArrayCollection这样位于mx或spark包下的数据类型也是无法使用的,所以在以对象的形式进行数据传输时要避免数据被转换为这些类型。在项目中由于需要进行UI的权限控制使用了一个叫FlexSecurity的框架由于其初始化需要使用的ArrayCollection在监听代码中还无法使用,在不影响功能的前提下变通的把权限的初始化转移到application的preinitialize进行。
【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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