Framework里某些类型成员方法的一点疑惑

本文讨论了.NET Framework中值类型如DateTime、TimeSpan等为何其加法操作未直接修改实例,反而返回新实例。对比了不同结构类型的方法设计差异,并探讨了背后的设计理念。
   前几天我的一个同事在和我交流的时候,提到了这样一个问题:为什么在DateTime里面的一堆AddXXX的成员方法不是作用在实例本身,而是另外返回一个重新实例化的DateTime,在通常的理解上我们看到一个对象的AddXXX的实例方法的时候,第一感觉应该是作用在本身上,即是把本身某个字段的值改变成运算后的值。可是在这里却不遵循这样的“常理”。这样在用的时候,想把一个DateTime的值加上一定的时间的话,很容易就忘了需要重新执行赋值操,导致程序执行的结果和我们预期的不一样。

   我听了之后也同意他的看法,因为自己在写程序的时候,也因为经常忘了这一点而发生类式的“BUG”。回头仔细想了想这个问题,发现类似的还不止DateTime一个,像TimeSpan,DateTimeOffset,甚至于是String的Replace等都是这样的一种情况。非public的方法咱就不说了,没有对外公布里面怎么使用都还可以说得过去,可对外公开的方法还是这样的,就有些不太理解了。

    从上面提到的类型不难看出,这些大都是结构,也就是值类型。虽然String类本身是类类型,但是根据MSDN的说法,由于考虑到在使用上的习惯,String在大部分场合的行为都与值类型一至,因此就行为上来看,Sring大部分的行为仍然是符合值类型的行为,包括赋值,比较,参数传递等。至于为什么String的Replace不是作用在本身上,而是返回一个新的String实例,还有一个原因是String实例分配的内存在构造完成后是只读的,因此想要改变这个值就只能重新生成一个新的实例了。String类的这个方法弄明白了后我们再回到之前提到的那些结构上。这些结构的内部都是由一些简单的值类型组成的,而且从声明的成员字段上来看,都是可以随意改变的。

 

1 public struct DateTimeOffset
 2 {
 3     // Fields
 4     private DateTime m_dateTime;
 5     private short m_offsetMinutes;
 6     
 7 }
 8 
 9 public struct DateTime
10 {
11     // Fields
12     private ulong dateData;
13     
14 }
15 
16 public struct TimeSpan
17 {
18     
19     internal long _ticks;
20     
21 }

这就更难理解M$在设计这些类型的时候为什么不把相应的方法(主要指的是AddXXX之类的方法)设计成直接作用在调用的实例本身上而要新生成新的实例了?难道就因为这些类型都是结构,也就是说都是值类型的原因?带着这个疑问我又查看了Framework里面其它常用的结构类型,结果又发现了几个不一样的类型。位于System.Drawing名字空间下的Point(F),Rectangle(F),这几个类型也同样是结构,可是在这些类型上的实例方法,比如说Point(F)的,Offset方法。

1 public void Offset(int dx, int dy)
2 {
3     this.X += dx;
4     this.Y += dy;
5 }
6 public void Offset(Point p)
7 {
8     this.Offset(p.X, p.Y);
9 }

另外还有更“神奇”的是同样是Point(F)里的方法Add却变成了一个静态的方法,而且是重新构造了一个新的Point(F)结构返回,我在这里一点也看不出来为什么这个地方要把Add声明成静态的而不是Point的一个成员方法,功能上这个方法和Offset的那两个方法没有本质上的区别。

1 public static Point Add(Point pt, Size sz)
2 {
3     return new Point(pt.X + sz.Width, pt.Y + sz.Height);
4 }

    同样是结构类型,一部分的方法是把当前对象的值与传入参数运算后构成新的实例返回,而另一部分却直接作用在当前对象本身上,看来上面我猜想的“这样使用的都是结构类型”这种猜测也是不正确的。这两种方式同时出现在Framework里面,感觉好像是随意性比较强,不太符合编程风格的一致性,这只能说明M$自己在写代码的时候也有不遵守规则的地方。
22 

内容概要:本文提出了一种基于非合作博弈理论的居民负荷分层调度模型,并结合双层鲸鱼优化算法(Two-level Whale Optimization Algorithm)进行高效求解,模型与算法均通过Matlab代码实现。研究针对电力系统中居民侧用电负荷的复杂调度问题,引入非合作博弈机制刻画各用户之间的利益竞争关系,实现负荷的分层优化分配;同时设计双层优化架构,上层优化资源配置,下层模拟用户自主决策行为,提升了模型的实用性与合理性。通过智能优化算法求解多层级、非凸非线性的博弈模型,有效提高了调度方案的收敛性与全局寻优能力,适用于现代智能电网中的需求侧管理与能源优化场景。; 适合人群:具备电力系统基础理论知识和Matlab编程能力,从事智能电网、能源优化调度、需求侧管理、博弈论应用等方向的科研人员、高校研究生及工程技术人员。; 使用场景及目标:①应用于居民区电力负荷的分层优化调度系统设计与仿真分析;②为非合作博弈在多主体能源系统建模中的应用提供方法论支持;③利用双层鲸鱼算法解决具有嵌套结构的复杂双层优化问题,提升求解效率与调度方案的可行性。; 阅读建议:建议读者结合提供的Matlab代码深入理解模型构建逻辑与算法实现流程,重点关注博弈模型的效用函数设计、纳什均衡求解思路以及双层优化结构的迭代机制,宜配合实际用电数据开展复现实验以验证模型有效性与鲁棒性。
内容概要:本文围绕基于自适应神经模糊推理系统(ANFIS)智能控制器的可再生能源微电网功率管理系统展开研究,结合Simulink仿真实现,深入探讨了微电网中功率的智能调控与经济机组组合调度问题。通过引入ANFIS控制器,有效应对风能、光伏等可再生能源出力的波动性与不确定性,提升系统运行的稳定性与电能质量。研究内容涵盖微电网多源协调控制策略、功率平衡管理、优化调度模型构建及仿真验证,实现了对分布式电源、储能系统和负荷的协同优化,兼顾经济性与可靠性目标,并通过仿真平台验证了所提方法的有效性与优越性。; 适合人群:具备电力系统、自动化或新能源相关专业背景,熟悉Matlab/Simulink仿真环境,从事微电网能量管理、智能控制、能源优化等领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①用于高比例可再生能源接入场景下的微电网能量管理系统研发与教学实践;②为实现微电网功率稳定控制与经济高效运行提供先进的智能控制解决方案;③支撑高水平学术论文复现、科研课题攻关及实际工程项目的仿真验证与方案优化。; 阅读建议:建议结合提供的Simulink模型与相关代码进行动手实践,重点关注ANFIS控制器的设计流程、规则库构建与参数调优方法,并通过与传统PID或MPC控制策略的对比实验,深入理解其在动态响应与鲁棒性方面的优势。同时可进一步拓展文中提出的优化调度逻辑,应用于多目标、多约束的复杂实际应用场景中。
内容概要:本文档聚焦于“直流电机双闭环控制Matlab仿真”,系统阐述了基于Matlab/Simulink平台实现直流电机双闭环控制系统(主要包括速度环与电流环)的设计与仿真全过程。通过构建直流电机的数学模型,结合PI控制器进行调控,实现对电机转速和电枢电流的高精度动态控制,验证控制策略的稳定性与响应性能。文档详细介绍了仿真模型的搭建流程、关键参数的整定方法、系统动态波形的分析手段以及仿真结果的有效性验证,体现了经典自动控制理论在实际电机系统中的工程应用,是电机控制与电力电子技术相结合的典型研究案例。; 适合人群:具备自动控制原理、电机与拖动基础、电力电子技术和Matlab/Simulink仿真能力的电气工程、自动化、机电一体化等专业的本科生、研究生及从事电机驱动系统研发的工程技术人员。; 使用场景及目标:①作为高校课程设计或实验教学材料,帮助学生深入理解双闭环调速系统的工作机理与工程实现;②服务于科研项目,为新型电机控制算法(如滑模、模糊PID等)的开发与性能对比提供基础仿真验证平台;③作为工业界产品前期设计的仿真工具,用于评估不同控制策略在动态响应、抗干扰能力和稳态精度方面的可行性。; 阅读建议:建议读者在学习过程中紧密结合自动控制理论知识,亲手在Simulink环境中搭建完整的双闭环仿真模型,通过反复调整PI控制器的比例与积分参数,观察并分析转速、电流的阶跃响应曲线,从而深刻理解反馈控制的本质、系统稳定性条件以及参数整定对动态性能的影响,进而掌握电机控制系统的设计精髓。
内容概要:本文研究了基于Benders分解与输电网运营商(TSO)和配电网运营商(DSO)协调机制的不确定环境下输配电网双层优化模型,旨在提升高比例可再生能源接入背景下电网系统的协调性与鲁棒性。模型上层以系统整体经济性为目标进行优化调度,下层采用Benders分解实现TSO与DSO之间的信息交互与协同决策,通过引入割平面迭代机制保障求解的收敛性与全局最优性。研究充分考虑新能源出力与负荷需求的不确定性,构建了具有强适应性的双层优化框架,并基于Matlab完成了模型的编程实现与仿真验证,有效解决了多主体、多层级、多不确定性因素耦合下的电力系统优化调度难题。; 适合人群:具备电力系统分析、运筹学与优化理论基础,熟悉Matlab编程环境,从事智能电网、能源互联网、分布式能源集成、电力市场等方向的研究生、科研人员及工程技术人员。; 使用场景及目标:①研究高渗透率可再生能源条件下输配电网协同优化调度策略;②掌握Benders分解在电力系统双层优化建模中的应用方法与实现技巧;③构建TSO-DSO多主体协调机制,实现跨层级电网资源的高效互动与决策解耦;④提升对不确定性建模、分解算法设计及大规模优化问题求解能力。; 阅读建议:建议读者结合Matlab代码逐模块剖析模型构建流程,重点理解Benders割的生成逻辑、主从问题的信息传递机制及收敛判据设定,推荐在标准IEEE测试系统上复现实验以深入掌握模型特性与算法性能。
内容概要:本文系统研究了基于灰狼优化算法(GWO)优化Elman神经网络的方法,并提供了完整的Matlab代码实现。研究重点在于利用灰狼优化算法强大的全局搜索能力,对Elman神经网络的关键参数进行智能优化,从而克服传统训练方法易陷入局部最优的缺陷,显著提升模型在时序预测与非线性系统建模任务中的精度与稳定性。文章详细阐述了Elman网络的动态反馈机制及其在处理时间序列数据方面的优势,构建了GWO与Elman相结合的混合预测框架,涵盖了从模型搭建、参数寻优、仿真测试到结果分析的全流程,特别适用于风电功率预测、电力负荷预测等具有强时变性和不确定性的工程应用场景。; 适合人群:具备一定Matlab编程能力和神经网络基础知识,从事智能优化算法、时间序列预测、电力系统分析或新能源出力预测等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①掌握灰狼优化算法在神经网络超参数优化中的具体实施路径与技术细节;②深入理解Elman递归神经网络与群体智能优化算法融合的建模范式;③将其应用于风电、光伏等新能源发电功率预测及复杂动态系统的建模与仿真,提升预测性能。; 阅读建议:建议读者结合所提供的Matlab代码进行动手实践,重点关注GWO算法与Elman网络的接口设计、适应度函数构建及参数优化迭代过程,可通过调整数据集或迁移至其他预测场景以深化理解和验证模型泛化能力。
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