浅谈自动以控件

Android已经为我们提供了大量的View供我们使用,但是可能有时候这些组件不能满足我们的开发中的需求,这时候就需要自定义控件了。自定义控件对于初学者总是感觉是一种复杂的技术。因为里面涉及到的知识点会比较多。但是任何复的技术后面都是一点点简单知识的积累。通过对自定义控件的学习去可以更深入的掌握android的相关知识点,所以学习android自定义控件是很有必要的。记得以前学习总是想着去先理解很多知识点,然后再来学着自定义控件,但是每次写自定义控件的时候总是不知道从哪里下手啊。后来在学习的过程中发现自己跟着去写一些简单的自定义控件,然后在这个过程中遇到了没有掌握的知识点再去学习。不仅自定义控件的能力有所提高。其它的知识也有了很好的巩固和识。
接下谈谈自定义控件的基本结构
自定义控件需要自己新建一个类并继承 View类,同事,为该类定义了三个构造方法 ,并重写了另外两个构造方法。
构造方法一:public FirstView(Context context)
构造方法二:public FirstView(Context context, AttributeSet attrs)
构造方法三:public FirstView(Context context, AttributeSet attrs, int defStyleAttr)
我们来分别谈谈这三个构造方法的作用
这三个构造方法的调用场景其实并不一样,第一个只有一个参数,在代码中创建组件时会调用该构造方法,比如创建一个按钮:Button btnOK = new Button(this),this 是指当前的 Activity,Activity 是 Context 的子类。第二个方法在 layout 布局文件中使用时调用,参数 attrs 表示当前配置中的属性集合,例如在要 layout.xml 中定义一个按钮:,Android 会调用第二个构造方法 Inflate 出 Button 对象。而第三个构造方法是不会自动调用的,当我们在 Theme 中定义了 Style 属性时通常在第二个构造方法中手动调用

除此之恩爱 我们还要手动添加两个方法  一个是用来绘图的protected void onDraw(Canvas canvas)、  一个还用俩测量此存的protected void onMeasure(int widthMeasureSpec, int heightMeasureSpec)。第一个方法中用语系那是组件的外观,而最总的结果需要通过canvas绘制出来,值得注意的是,在view类中,这个方法并没有默认的实现。而测量的方法是一个手办胡的方法,这就意味着这个方法主要用语自雷的重写和扩展,如果不崇拜写改方法,他的父类view会有自己的默认实现,在 Android 中,自定义组件的大小都由自身通过onMeasure()进行测量,不管界面布局有多么复杂,每个组件都负责计算自己的大小。其实我们也可以自己定义一个init方法,用这方法来全局的画笔,可以蛇者好多属性。例如:
我们先把画笔new出来
paint = new Paint();
//设置抗锯齿    
paint.setAntiAlias(false);
//设置画笔颜色
paint.setColor(Color.RED);
//设置画笔的宽度
paint.setStrokeWidth(1);
但是值得注意的是这个init方法需要在没个构造方法中豆被调用,因为需要被多次使用。
在这里设置的属性之后还可以通过覆盖的方式进行修改。我们可以听过canvas划痕多自己想yao9的东西,例如画圆,画矩形,画线条等等、
其他的我们就可像普通的控件一样使用了。



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