关于Action层的疑惑!!!平地一声雷

本文对比分析了S2SH开发中ModelDriven和FieldDriven两种方式的优缺点,讨论了每种方式在处理模型对象、业务逻辑清晰度以及系统灵活性方面的表现。

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

在开发中我遇到了两种开发方式,第一种每个model类对应一个XXXAction,然后使用ModelDriven取得模型对象,在action中处理逻辑,感觉条理很清晰,但是如果要取得其他model的话就必须声明对象了,Modeldriven模型只能取一个模型对象.还有一种开发方式是在action层全部打乱,每个action类基本对应一个页面,采用FiledDriven的方式,处理各个model对象. 
请问这两种方式有什么优缺点?

 

我用的是S2SH,是每个model类对应一个action,像UserInfo这个类,对应有UserInfoDAO,UserInfoService,UserInfoAction,这种处理方式采用ModelDriven获取Model对象,如果要获取其他Model对象,只能使用new关键字,不过感觉这样条理很清晰;还是一种是UserInfo,UserInfoDAO,UserInfoService,然后登陆处理用LoginAction,注销LogoutAction,等等,这种处理方式,是将action层全部打乱,然后多个Service组成一个Action类,一个action类负责处理一个业务,这样的话基本是一个action类只被一个页面使用,也可以被多个页面使用,一个页面可以使用多个action,就是说,每个action就像一个功能一样,我在页面需要,就拿来用,这种action类里面要申明许多页面需要的属性,类似struts1的formbean,但是又不一样,这种开发方式我觉得也挺好,业务逻辑清晰. 
请各位大虾们给我指点迷津,不要因为第二种我提到了struts1的formbean就抵触他,我觉得如果系统很庞大,第二种倒更适合,因为第一种处理方式有点不灵活,请各位多多指点... 

内容概要:本文档详细介绍了一个基于MATLAB实现的电力负荷预测项目,该项目运用遗传算法(GA)优化支持向量回归(SVR)和支持向量机(SVM)模型的超参数及特征选择。项目旨在解决电力系统调度、发电计划、需求侧响应等多个应用场景中的关键问题,特别是在应对高比例可再生能源接入带来的非线性、非平稳负荷预测挑战。文中涵盖了从数据接入、特征工程、模型训练到部署上线的全流程,包括详细的代码示例和GUI设计,确保方案的可复现性和实用性。 适用人群:具备一定编程基础,尤其是熟悉MATLAB语言和机器学习算法的研发人员;从事电力系统调度、电力市场交易、新能源消纳等相关领域的工程师和技术专家。 使用场景及目标:①通过构建面向小时级别的滚动预测,输出高分辨率负荷轨迹,为日内与日前滚动调度提供边际成本最小化的依据;②在负荷高峰和供给紧张时,通过价格信号或直接负荷控制实施需求侧响应,提升削峰效率并抑制反弹;③为灵活性资源(调峰机组、储能、可中断负荷)提供更清晰的出清路径,降低弃风弃光率,提升系统整体清洁度;④帮助市场主体更准确地评估边际出清价格变化,提高报价成功率与收益稳定性,同时降低由预测偏差带来的风险敞口;⑤在运维与审计场景中,对预测产生的原因进行说明,保障业务侧与监管侧的可追溯性。 阅读建议:此资源不仅提供了完整的代码实现和GUI设计,更注重于理解GA优化过程中涉及到的数据处理、特征构造、模型选择及评估等核心步骤。因此,在学习过程中,建议结合实际案例进行实践,并深入研究每个阶段的具体实现细节,特别是适应度函数的设计、超参数空间的定义以及多样性维护机制的应用。此外,关注项目中关于数据对齐、缺失值处理、特征标准化等方面的最佳实践,有助于提高模型的鲁棒性和泛化能力。
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