发布符合 .NET Framework 准则的事件

本文详细介绍了C#中事件的处理机制,包括不生成事件数据的简单事件处理方式,生成事件数据并通过自定义EventArgs派生类传递数据的方法,以及使用.NET Framework 2.0提供的泛型版本EventHandler<TEventArgs>来简化事件处理的过程。

      (1)不生成事件数据。 .NET Framework 类库中的所有事件均基于EventHandler委托。EventHandler是一个预定义委托,当不生成数据随事件一起发送时,该委托无需声明,因为它已在创建 C# 项目时包含的System命名空间中进行了声明。

       EventHandler委托定义如下:

       //sender 是引发事件的对象
        //e 是不包含任何数据的事件数据对象。
        public delegate void EventHandler(object sender, EventArgs e);

       不生成事件数据直接声明如下:

        public event EventHandler RaiseCustomEvent;

      (2)生成事件数据,EventHandler委托第二个参数为EventArgs类派生类。

        EventArgs派生类定义如下:

    //在派生类中自定义保存事件数据所需的全部字段或属性
    public class CustomEventArgs : EventArgs
    {
        private string message;
        public string Message
        {
            set { message = value; }
            get { return message; }
        }
        public CustomEventArgs(string s)
        {
            message = s;
        }
    }

        然后声明委托,声明事件如下:

        public delegate void CustomEventHandler(object sender, CustomEventArgs e);
       public event CustomEventHandler RaiseCustomEvent;

      (3)生成事件数据,也可以使用.NET Framework 2.0 引入EventHandler的一个泛型版本EventHandler<TEventArgs>。使用泛型版本,不需声明委托。直接声明事件如下:

        public event EventHandler<CustomEventArgs> RaiseCustomEvent;

      (4)msdn符合.NET Framework 准则的事件实例。

    //该实例演示符合.net Framework规范的事件
    class NetFrameworkEvent
    {
        static void Main(string[] args)
        {
            Publisher pub = new Publisher();
            Subscrier sub1 = new Subscrier("sub1", pub);
            Subscrier sub2 = new Subscrier("sub2", pub);

            pub.DoSomething();

            Console.Read();
        }
    }

    public class CustomEventArgs : EventArgs
    {
        private string message;
        public string Message
        {
            set { message = value; }
            get { return message; }
        }
        public CustomEventArgs(string s)
        {
            message = s;
        }
    }

    //发行者
    public class Publisher
    {

        /*
         * 生成事件数据的第一种用法,
         * 自定义委托第二个参数为EventArgs的派生类。
           public delegate void CustomEventHandler(object sender, CustomEventArgs e);
           public event CustomEventHandler RaiseCustomEvent;
        */

        //生成事件数据的第二种用法,
        //直接用EventHandler的泛型版本声明事件,
        //该方法无需声明委托。
        public event EventHandler<CustomEventArgs> RaiseCustomEvent;

        public void DoSomething()
        {
            OnRaiseCustomEvent(new CustomEventArgs("Do something"));
        }

        protected virtual void OnRaiseCustomEvent(CustomEventArgs e)
        {

            //CustomEventHandler handler = RaiseCustomEvent;

            EventHandler<CustomEventArgs> handler = RaiseCustomEvent;

            if (handler != null)
            {
                e.Message += string.Format(" at {0}", DateTime.Now.ToString());
                handler(this, e);
            }
        }
    }

    //订阅者
    public class Subscrier
    {
        private string _id;
        public Subscrier(string id, Publisher pub)
        {
            _id = id;
            pub.RaiseCustomEvent += HandleCustomEvent;
        }
        private void HandleCustomEvent(object sender, CustomEventArgs e)
        {
            Console.WriteLine("{0} received this message: {1}", _id, e.Message);
        }
    }

   输出如下:

内容概要:本文介绍了一种基于蒙特卡洛模拟和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】基于蒙特卡诺和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,实现对充电功率和时间的优化分配,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和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和决策参考。; 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和预测性能方面的有效性。; 适合人群:具备Python编程基础和机器学习基础知识,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
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