Activity的生命周期与启动模式记录

Activity的生命周期

典型的activity生命周期如下:
onCreate,onRestart,onStart,onResume,onPause,onStop,onDestroy

正常情况下,Activity的生命周期只有上面这几个,需要强调的是onPause方法必须轻量,不能做耗时操作,他会影响新activity的显示,onPause必须先执行完,新的Activity的onResume才会被执行

一些说明:
1.从整个Activity的生命周期来看,onCreate和onDestroy是配对的,分别表示Activity的创建和销毁。从Activity是否可见来看,onStart和onStop是配对的,随着屏幕的点亮和熄灭或用户的操作,这两个方法被调用多次。从是否是前台来说,onResume和onPause是配对的,随着用户的操作或者设备屏幕的点亮和熄灭,这两个方法可能被调用多次。
2.当打开新的Activity或者切换到桌面是,回调onPause->onStop。这种有一个特殊情况需要注意,就是如果Activity采用了透明的主题,那么当前Activity不会回调onStop。

异常情况下的生命周期

1.资源相关的系统配置发生改变导致Activity被杀死并重新创建

在这种异常情况下,activity回调用onSaveInstanceState方法来保存当前的Activity的状态,这个方法的调用时机是在onStop之前,它和onPause没有既定的时间关系。把保存的Bundle对象传给onCreate和onRestoreInstanceState方法,我们可以通过这两个方法来判断Activity是否被重新创建了并恢复之前的数据。在这里需要强调的是activity只有在异常的情况下才能调用onSaveInstanceState方法,正常的情况下是不调用的。

2.资源内存不足导致低优先级的Activity被杀死

这种情况下的数据存储和恢复过程和情况1完全相同。既然提到了activity的优先级,这里我们就来说一说:

  • 前台Activity:正和用户交互的Activity,优先级是最高的
  • 可见但非前台Activity:如一个Activity中弹了一个dlg,导致Activity可见,但是位于后台无法与用户进行交互。
  • 后台Activity:已被暂停的Activity,如一个Activity调用了onStop方法,优先级最低,容易被回收。

当系统资源不足时会按照activity的优先级顺序杀死目标。

Activity的启动模式

目前Activity有四种启动模式:standard,singleTop,singleTask和singleInstance四种。

  • standard:标准模式也是系统默认的模式。每启动一个Activity都会创建一个新的实例。需要注意的是在这种模式下,是启动了这个Activity,那么这个Activity就运行在启动他的那个Activity所在的栈中。
  • singleTop:栈顶复用模式。如果新的Activity已经位于任务栈的栈顶,那么Activity不会被重新创建,恢复用栈顶的原Activity,同时调用它的onNewIntent方法。需要注意的是此时这个Activity的onCreate和onStart不会被调用。如果新的Activity的实例已经存在但不是位于栈顶,这是会重新创建一个Activity实例。
  • singleTask:栈内复用模式。这是一种单例模式,只要这个Activity在一个栈中存在,那么多次启动这个Activity都不会重新创建实例。需要注意的是singleTask默认情况下有clearTop效果,这时这个Activity上面的所有Activity全部出栈。
  • singleInstance:单例模式。是一种增强版的singleTask模式,它加强了一点,那就是具有此模式的Activity只能单独的位于一个任务栈中。

上面说到了任务栈,不得不提TaskAffinity属性。这一属性标识了一个Activity的任务栈的名字。应用在默认的情况下所有的Activity的任务栈的名字都是应用的包名。此时我们可以通过TaskAffnity属性来指定不同的任务栈的名称。

给Activity指定启动模式有两种方式:在AndroidMenifest中为Activity指定启动模式;另一种是在Intent中设置标志位来为Activity指定启动模式。

二者的区别在于第二种的优先级要高于第一种,当两种同时存在时,以第二种方式为准

Activity的flags

Activity的Flags有很多,有的标记位可以设定Activity的启动模式,有的标记位可以影响Activity的运行状态。

  • FLAG_ACTIVITY_NEW_TASK:指定singleTask启动模式。
  • FLAG_ACTIVITY_SINGLE_TOP:指定singleTask模式。
  • FLAG_ACTIVITY_CLEAR_TOP:启动时,再同一个任务栈中所有位于此Activity之上的Activity都要出栈。需要和FLAG_ACTIVITY_NEW_TASK配合使用。
  • FLAG_ACTIVITY_EXCLUDE_FROM_RECENTS:具有这个标记的Activity不会出现再历史Activity的列表中,当某些情况下我们不希望用户通过历史列表回到我们的Activity的时候这个标记比较有用。他等同于再xml中指定Activity的android:excludeFromRecents=“true”
使用优化算法,以优化VMD算法的惩罚因子惩罚因子 (α) 和分解层数 (K)。 1、将量子粒子群优化(QPSO)算法与变分模态分解(VMD)算法结合 VMD算法背景: VMD算法是一种自适应信号分解算法,主要用于分解信号为不同频率带宽的模态。 VMD的关键参数包括: 惩罚因子 α:控制带宽的限制。 分解层数 K:决定分解出的模态数。 QPSO算法背景: 量子粒子群优化(QPSO)是一种基于粒子群优化(PSO)的一种改进算法,通过量子行为模型增强全局搜索能力。 QPSO通过粒子的量子行为使其在搜索空间中不受位置限制,从而提高算法的收敛速度与全局优化能力。 任务: 使用QPSO优化VMD中的惩罚因子 α 和分解层数 K,以获得信号分解的最佳效果。 计划: 定义适应度函数:适应度函数根据VMD分解的效果来定义,通常使用重构信号的误差(例如均方误差、交叉熵等)来衡量分解的质量。 初始化QPSO粒子:定义粒子的位置和速度,表示 α 和 K 两个参数。初始化时需要在一个合理的范围内为每个粒子分配初始位置。 执行VMD分解:对每一组 α 和 K 参数,运行VMD算法分解信号。 更新QPSO粒子:使用QPSO算法更新粒子的状态,根据适应度函数调整粒子的搜索方向和位置。 迭代求解:重复QPSO的粒子更新步骤,直到满足终止条件(如适应度函数达到设定阈值,或最大迭代次数)。 输出优化结果:最终,QPSO算法会返回一个优化的 α 和 K,从而使VMD分解效果最佳。 2、将极光粒子(PLO)算法与变分模态分解(VMD)算法结合 PLO的优点与适用性 强大的全局搜索能力:PLO通过模拟极光粒子的运动,能够更高效地探索复杂的多峰优化问题,避免陷入局部最优。 鲁棒性强:PLO在面对高维、多模态问题时有较好的适应性,因此适合海上风电时间序列这种非线性、多噪声的数据。 应用场景:PLO适合用于优化VMD参数(α 和 K),并将其用于风电时间序列的预测任务。 进一步优化的建议 a. 实现更细致的PLO更新策略,优化极光粒子的运动模型。 b. 将PLO优化后的VMD应用于真实的海上风电数据,结合LSTM或XGBoost等模型进行风电功率预测。
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