OC_关于catgory的使用

本文深入探讨了Objective-C中的Category机制,它允许开发者动态地为已有类添加新方法,而不影响类的原始结构。通过实例演示,阐述了如何在不修改源代码的情况下,扩展类的功能,实现方法的动态扩充。

如果有过面向对象编程经验的读者,都应该熟悉类的概念以及他的用法。在基于C++、Java的类的类的设计,如果
我们想对一个类进行扩充的,我们应该怎么办?毫无疑问,任何一个熟练的C++、Java程序员的第一反应,都应该
是:这个好办,我们写一个子类来继承这个类,在子类中对这个类进行扩充。如果你也能想到,那么恭喜你,你
是对的,那么我们写一段Java代码来做一个简单的演示:
父类:
class Father{
 int age;
 String name;
 Father(int age, String name){
  this.age = age;
  this.name = name;
 }

 void test1(){
  .........
 }
}
子类:
class Son extends Father{
 String job;
 Son(int age, String name, String job){
  super(age, name);
  this.job = job;
 }
 void test2(){
  .........
 }
}
观察以上代码,我们发现想要扩充一个类,很容易。而且层次明显。而且这还引发了一个多态的概念:声明一个父类
(接口)引用指向一个子类对象。但是只能访问对应父类声明过的方法。这个时候我们想有没有一种办法既能动态的
扩充类,又可以使用此类声明的对象访问所有的方法?当然有,就是我们本节要讲的catgory:
catgory可以不使用子类的概念,动态的为一个类进行方法扩充,但是不能进行成员变量的扩充,好我们先看代码,然
后我们再根据代码进行解释:

1、原始类的声明

2、原始类的定义

3、扩充分类的声明

4、扩充分类的定义

5、主方法及运行结果


首先我们需要写一个声明文件,然后实现他;
我们首先看到他和类的声明有些相似,都是使用@interface、@implementation两个关键字,但是与类不同的是关键字后面
跟的不是catgory的名称而是要扩充的类的名,而在名称后面跟了一对括号,括号里面才是catgory的名称。然后就可以进
行方法扩充了。
还记得,上面我们讲过,catgory只能进行方法的扩充,不能进行成员变量的扩充:

我们看到一旦我们添加了成员方法,Xcode就会报错

好了一个完整的catgory我们的范例就编写完整了。不过我们还要思考一个问题,如果我们在catgory里面定义一个在类里已
经定义过的方法会如何呢?(记得Java里有覆盖的概念,C++里也有重写。两个好像是同一个问题)看代码:

1、我们在分类中定义一个同名方法,可以看到警告信息

2、调用那个同名函数,可以根据结果看到实际调用的是分类中的定义


编辑器(不是编译器)给了一个警告,但运行结果显示,在类里面定义的原方法已经被覆盖了,在程序执行时没有调用原始
类的定义而是调用了catgory里面重新定义的方法。
我再来思考一个问题,我们能否将catgory和原始类定义在同一个文件里呢?当然是可以的,你要你做出了正确的声明,
在哪里定义其实都是没有问题的。

1、在类的定义文件中同时声明类和分类

2、在类的定义文件中同时定义类和分类

3、我们看到调用及结果完全相同


好了一个catgory的基本用法就基本讲完了。

内容概要:本文系统研究了电力系统短期负荷预测问题,提出并实现了基于极限学习机(ELM)及其智能优化改进模型的预测方法。研究涵盖标准ELM、白鲸优化算法(BWO)优化ELM和鹭鹰优化算法(IBOA)优化ELM三种模型,重点通过智能优化算法对ELM的输入权重与偏置参数进行全局寻优,有效克服了传统ELM因参数随机初始化导致的不稳定性和泛化能力不足的问题。文章完整呈现了从数据预处理、特征选择、模型构建、参数优化到预测结果对比分析的全流程,利用Matlab编程实现各模型的仿真验证,显著提升了预测精度与模型鲁棒性,为电力系统调度决策提供了可靠的技术支撑。; 适合人群:具备电力系统基础知识、时间序列预测理论及Matlab编程能力的高校研究生、科研机构研究人员以及电力公司从事负荷预测、电网调度与规划工作的技术人员。; 使用场景及目标:①应用于实际电力系统短期负荷预测业务中,提升电网运行调度的精细化与智能化水平;②作为智能优化算法与神经网络融合的经典案例,服务于学术论文撰写、科研项目申报及算法性能对比研究;③应对新能源大规模接入背景下负荷波动加剧的挑战,为构建高精度、强鲁棒性的现代负荷预测体系提供解决方案。; 阅读建议:建议读者结合所提供的Matlab代码进行动手实践,深入理解ELM网络结构与优化算法的集成机制,重点对比分析不同优化策略在收敛速度、预测误差(如MAE、RMSE、MAPE)等方面的性能差异,进而掌握智能优化技术在提升预测模型性能方面的关键作用。
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