Using Ibatis 3

本文介绍了一个使用iBatis框架进行数据库操作的Java类,包括插入、删除、单条和多条记录查询的方法实现。文章通过具体示例展示了如何利用iBatis执行SQL语句并处理结果。
3. Test.java

/**
*
*/
package com.test;

import java.sql.SQLException;
import java.util.HashMap;
import java.util.Iterator;
import java.util.List;

import com.dingfei.config.SqlAppConfig;
import com.dingfei.vo.Employee;
import com.dingfei.vo.SiteConfig;
import com.ibatis.sqlmap.client.SqlMapClient;

/**
* @author Jeffy
*
*/
public class Test {

public static void showAllEmployee(SqlMapClient sqlmap) throws SQLException{
List list = sqlmap.queryForList("selectAllEmployee");
for (Iterator iter = list.iterator(); iter.hasNext();) {
Employee e = (Employee) iter.next();
System.out.println(e);
}
}

public static void showAllSiteConfig(SqlMapClient sqlmap) throws SQLException{
List siteList = sqlmap.queryForList("selectAllSiteConfig");
for (Iterator iter = siteList.iterator(); iter.hasNext();) {
SiteConfig e = (SiteConfig) iter.next();
System.out.println(e);
}
}

public static List multiSelect(SqlMapClient sqlmap, String sql, Object params) throws SQLException{
List list = sqlmap.queryForList(sql,params);
return list;
}

public static Object singleSelect(SqlMapClient sqlmap, String sql, Object params) throws SQLException{
return sqlmap.queryForObject(sql, params);
}

public static List queryAllForList(SqlMapClient sqlmap, String sql) throws SQLException{
List list = sqlmap.queryForList(sql);
return list;
}

/**
* <p>
* <insert id="insertSiteByMap" parameterClass="java.util.HashMap">
insert into siteConfig(SITEID,ITEMNAME,ITEMVALUE)
values(#siteid#,#itemname#,#itemvalue#)
</insert>
* </p>
* @param sqlmap
* @param sql
* @param params HashMap including parameters
* @throws SQLException
*/
public static void insertByMap(SqlMapClient sqlmap, String sql, Object params) throws SQLException{
sqlmap.insert(sql, params);
}

/**
* <p>
* <typeAlias alias="SiteConfig" type="com.dingfei.vo.SiteConfig" />
* </p>
*
* <p>
* <insert id="insertSiteByVO" parameterClass="SiteConfig">
insert into siteConfig(SITEID,ITEMNAME,ITEMVALUE)
values(#siteID#,#itemName#,#itemValue#)
</insert>
* </p>
* @param sqlmap
* @param sql
* @param params VO which is mapped with DB table
* @throws SQLException
*/
public static void insertByVOMap(SqlMapClient sqlmap, String sql, Object params) throws SQLException{
sqlmap.insert(sql, params);
}

/**
* <p>
* <parameterMap id="SiteConfigParamMap" class="SiteConfig">
<parameter property="siteID" />
<parameter property="itemName" />
<parameter property="itemValue" />
</parameterMap>
* </p>
* <p>
* <insert id="insertSiteByVOMap" parameterMap="SiteConfigParamMap">
insert into siteConfig(SITEID,ITEMNAME,ITEMVALUE)
values(?,?,?)
</insert>
* </p>
* @param sqlmap
* @param sql
* @param params VO which is mapped with DB table
* @throws SQLException
*/
public static void insertByParameterMap(SqlMapClient sqlmap, String sql, Object params) throws SQLException{
sqlmap.insert(sql, params);
}

/**
*
* @param sqlmap
* @param sql
* @param params condition parameters
* @throws SQLException
*/
public static void delete(SqlMapClient sqlmap, String sql, Object params) throws SQLException{
sqlmap.delete(sql, params);
}
/**
* @param args
*/
public static void main(String[] args) {
SqlMapClient sqlmap = SqlAppConfig.getSqlMapInstance();
try {


HashMap params = new HashMap();
// params.put("siteid", "10008");
params.put("itemname", "supportOther");
params.put("itemvalue", "1");
// sqlmap.insert("insertSiteByMap", params);
Test.insertByMap(sqlmap, "insertSiteByMapWithoutSiteID", params);

Test.showAllSiteConfig(sqlmap);

// SiteConfig site = new SiteConfig();
// site.setSiteID(10008);
// site.setItemName("supportTSP");
// site.setItemValue("0");
// Object result = sqlmap.insert("insertSiteByVOMap",site);
// System.out.println(result);
//
// Test.showAllSiteConfig(sqlmap);

// sqlmap.delete("deleteSiteBySiteID", 10008);

// Test.showAllSiteConfig(sqlmap);
} catch (SQLException e) {
e.printStackTrace();
}
}

}

MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
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