如何用委托包装多个方法——委托链

人生导师 2013-05-25 11:00:41
上一专题介绍了下编译器是如何来翻译委托的,从中间语言的角度去看委托,希望可以帮助大家进一步的理解委托,然而之前的介绍都是委托只是封装一个方法,那委托能不能封装多个方法呢?因为生活中经常会听到,我代表大家的意见等这样的说话,既然委托也是一个代表,那他如果只能代表一个人,那他的魅力就不是很大了吧,所以我们就会委托能不能代表多个方法的? 答案是可以的,这就是本专题要讲的内容——委托链,委托链也是一个委托,只是因为它是把多个委托链在一起,所以我们就以委托链来这么称呼它的。



一、到底什么是委托链

我们平常实例化委托对象时都是绑定一个方法的, 前一个专题介绍的委托也是包装了一个方法的, 用前面的例子就是委派律师的只有一个人,也就是当事人只有一个的,但是现实生活中显然不是这样的,在官司的时候律师可以同时接多个案子,也是接收多个当时人的委派,这样,该律师就与多个当事人绑定在一起了, 需要了解多个当事人的案件情况的。其实这就是生活中的委托链,此时这位律师不仅仅是一个人的代表律师了,而是多个当事人的律师。生活中的委托链和C#中的委托链很类似的,现在就说说C#中的委托链到底是个什么的?

首先委托链就是一个委托,所以大家不要看到委托链感觉又是什么C#中的新特性的,然而要把多个委托链在一起,就必须存储多个委托的引用,那委托链对象是在哪里存储多个委托的引用的呢?还记得我们上一专题中,我们介绍的委托类型有三个非公共字段的吗?这三个字段是——_target,methodPtr 和_invocationList,至于这三个字段具体代表什么大家可以查看我的上一专题的文章,然而_invocationList 字段正是存储多个委托引用的地方的。

为了更好的解释_invocationList是如何来存储委托引用的,下面先看一个委托链的例子和运行结果,然后再分析原因:

using System;

namespace DelegateTest

{
public class Program
{
// 声明一个委托类型,它的实例引用一个方法
// 该方法回去一个int 参数,返回void类型
public delegate void DelegateTest(int parm);

public static void Main(string[] args)
{
// 用静态方法来实例化委托
DelegateTest dtstatic = new DelegateTest(Program.method1);

// 用实例方法来实例化委托
DelegateTest dtinstance = new DelegateTest(new Program().method2);

// 隐式调用委托
dtstatic(1);

// 显式调用Invoke方法来调用委托
dtinstance.Invoke(1);

// 隐式调用委托
dtstatic(2);

// 显式调用Invoke方法来调用委托
dtinstance.Invoke(2);
Console.Read();
}
private static void method1(int parm)
{
Console.WriteLine("调用的是静态方法,参数值为:" + parm);
}

private void method2(int parm)
{
Console.WriteLine("调用的是实例方法,参数值为:" + parm);
}
}

}

运行结果:



下面就来分析下为什么会出现这样的结果的:

一开始我们实例化了两个委托变量,如下代码:

// 用静态方法来实例化委托
DelegateTest dtstatic = new DelegateTest(Program.method1);

// 用实例方法来实例化委托
DelegateTest dtinstance = new DelegateTest(new Program().method2);

委托变量dtstatic和dtinstance引用的委托对象的初始状态如下图:



然后我们定义了一个委托类型的引用变量delegatechain,刚开始它没有任何委托对象,是一个空引用,当我们执行下面的一行代码时,

delegatechain = (DelegateTest)Delegate.Combine(delegatechain, dtstatic);
Combine方法发现试图合并的是null和dtstatic,在内部,Combine直接返回dtstatic中的对象,此时delegatechain和dtstatic变量引用的都是同一个委托对象,如下图所示:



为了演示委托链,我们通过代码在再添加一个委托,此时就再调用了Combine方法,代码如下:

delegatechain = (DelegateTest)Delegate.Combine(delegatechain, dtinstance);
这时候,Combine方法发现delegatechain已经引用了一个委托对象了(此时已经引用了destatic引用的委托对象了),所以Combine会构造一个新的委托对象(这一点很想String.Concat,我们简单的使用是通过+操作符把两个字符串连接起来,关于字符串的讨论大家可以参考我博客中的这篇文章http://www.cnblogs.com/zhili/archive/2012/06/25/String_StringBuilder.html),这个新的委托对象会对它的私有字段_target 和_methodPtr字段进行初始化,然后此时_invocationList字段初始化为引用了一个委托对象的数组,这个数组的第一个元素(下标为0)就是被初始化为引用包装了method1方法的委托,数组的二个元素被初始化为引用包装了method2方法的委托(也就是dtinstance引用的委托对象),最后delegaechain被设为引用新建的这个委托对象,下面是一个图,可以帮助大家理解委托链(也叫多播委托):



同样的道理,如果是添加第三个委托给委托链,过程也是和上面一样的, 此时又会新建一个委托对象,此时_invocationList字段会初始化为引用一个保存这三个委托对象数组,然而有人会问了——对于已经引用了委托对象的委托类型变量调用Combine方法后会创建一个新的委托对象,然后对新的这个委托对象的三个字段进行重新初始化话,最后把之前的委托类型变量引用新创建的委托对象(这里就帮大家总结下委托链的创建过程),那之前的委托对象怎么办呢? 相信大部分人会有这个疑问的,这点和字符串的Concat方法很像,之前的委托对象和——invocationList字段引用的数组会被垃圾回收掉(正是因为这样,委托和字符串String一样是不可变的)。

注意:我们还可以调用Delegate的Remove方法从链中删除委托,如调用下面代码时:

delegatechain =(DelegateTest)Delegate.Remove(delegatechain,new DelegateTest(method1));
Remove方法被调用时,它会扫描delegateChain(第一个参数)所引用的委托对象内部维护的委托数组(如果对于委托数组为空的情况下调用Remove方法将不会有任何作用,就是不会删除任何委托引用,这里主要是说明扫描是从委托数组里进行扫描),如果找到delegateChain引用的委托对象的_target和_methodPtr字段

和第二个参数(新创建的委托)中的字段匹配的委托,如果删除之后数组中只剩下一个数据项时,就返回那个数据项(而不会去新建一个委托对象再初始化的,此时的_invocationList为null,而不是保存一个委托对象引用的数组了,具体可以Remove一个后调试看看的),如果此时数组中还剩余多个数据项,就新建一个委托对象——其中创建并初始化_invocationList数组(此时的数组引用的委托对象已经少了一个了,因为用Remove方法删除了),并且,每次Remove方法调用只能从链中删除一个委托,而不会删除有匹配的_target和_methodPtr字段的所有委托(这个大家可以调试看看的).
...全文
224 2 打赏 收藏 转发到动态 举报
写回复
用AI写文章
2 条回复
切换为时间正序
请发表友善的回复…
发表回复
人生导师 2013-05-26
  • 打赏
  • 举报
回复
引用 1 楼 linrachel 的回复:
这是抄书么。。
也加入了我自己的一些理解的,所以分享给大家
linrachel 2013-05-26
  • 打赏
  • 举报
回复
这是抄书么。。
内容概要:本文提出了一种基于改进扩散模型的高海拔地区新能源高波动出力场景生成方法,并提供了完整的Python代码实现。该方法针对高海拔地区风能、光伏等新能源出力波动剧烈、不确定性高的特点,通过优化扩散模型的结构与训练策略,有效捕捉历史数据的概率分布特征与时序相关性,从而生成高质量、多样化的出力场景。文中详细阐述了模型的数学推导、网络架构设计、损失函数优化及采样算法改进,并通过实验证明其在拟合精度、场景多样性与稳定性方面优于传统生成模型,为电力系统在高比例新能源接入下的规划、调度与风险评估提供了可靠的场景输入支持。; 适合人群:具备一定Python编程能力和机器学习基础,从事新能源发电预测、电力系统分析、智能优化、场景生成等方向研究的科研人员、高校研究生及工程技术人员。; 使用场景及目标:①用于高海拔地区风电、光伏出力的不确定性建模与多场景生成;②支撑含高渗透率新能源的电力系统随机优化调度、鲁棒决策与风险评估;③为相关学术研究、论文复现与算法改进提供可运行的技术方案与代码基础; 阅读建议:建议读者结合所提供的完整资源(代码、数据集、说明文档)进行实践操作,重点关注扩散模型的前向加噪与反向去噪过程的设计细节,以及如何将其适配于新能源时序数据的生成任务,通过参数调优与对比实验深入理解模型的生成机制与性能边界。
内容概要:本文围绕基于静态约束法的配电网电动汽车接入容量评估展开研究,提出了一种在新型电力系统背景下评估主动配电网对电动汽车承载能力的方法。研究通过构建数学模型,结合潮流计算与关键约束条件(如电压越限、线路过载等),量化分析配电网可承受的最大电动汽车充电负荷容量,旨在识别规模化电动汽车接入带来的潜在运行风险,并为电网规划与运行提供科学依据。文中配套提供了完整的Matlab代码实现,便于仿真验证与结果复现。此外,该研究与分布式光伏承载力评估、电动汽车可调能力分析等方向形成技术联动,展现了多主题协同的研究体系。; 适合人群:具备电力系统分析基础理论知识及Matlab编程能力的高校研究生、科研机构研究人员,以及从事新能源并网、智能配电网规划与运行等相关领域的工程技术人员。; 使用场景及目标:①用于学术研究中的模型复现与论文撰写支撑;②评估实际配电网中电动汽车大规模接入的可行性与安全边界,指导充电基础设施布局;③作为高校教学案例,帮助学生深入理解电网承载力评估的核心原理、建模方法与仿真技术; 阅读建议:建议结合文中提及的相关研究方向(如二阶锥规划、多面体聚合方法等)进行对比学习,充分利用所提供的Matlab代码与网盘资料开展仿真实验,重点关注约束条件的设定逻辑与潮流计算模块的实现细节,以深化对评估模型机理与工程应用价值的理解。
内容概要:本文围绕“考虑隐私保护的分布式联邦学习电力负荷预测研究”展开,提出了一种基于Python实现的联邦学习框架,旨在解决居民或行业电力负荷预测中用户电表数据隐私泄露的风险。该研究通过构建分布式机器学习模型,使各参与方在不共享原始数据的前提下协同训练全局模型,有效实现了数据“可用不可见”。文中详细阐述了联邦学习的整体架构设计、本地模型训练流程、参数加密传输与安全聚合机制,并结合差分隐私等技术进一步增强系统的隐私保护能力。同时,研究利用真实电力负荷数据集进行了实验验证,展示了方法在预测精度与隐私保障之间的良好平衡,并提供了完整的代码实例与复现指南,便于后续研究与应用拓展。; 适合人群:具备一定机器学习基础和电力系统背景知识,从事智慧能源、隐私计算或人工智能相关方向研究的研究生、科研人员及工程技术人员。; 使用场景及目标:① 实现跨区域、跨主体的电力负荷协同预测,打破数据孤岛;② 在确保用户用电数据隐私安全的前提下提升负荷预测准确性;③ 推动联邦学习在智能电网、需求响应、虚拟电厂等场景中的实际部署与应用。; 阅读建议:建议结合文中提供的Python代码与网盘资料进行动手实践,重点关注联邦学习的通信轮次设计、模型聚合算法(如FedAvg)的实现细节以及差分隐私噪声添加策略,深入理解其对模型性能与隐私强度的影响,为进一步优化与创新奠定基础。
VDA_Band_19.1_3rd edition_2026 English Inspection of Technical Cleanliness 内容概要:本文档为德国汽车工业协会(VDA)发布的第三版《技术清洁度检验:功能相关汽车部件的颗粒污染检测》(VDA 19.1),系统规范了汽车行业中零部件技术清洁度的检测方法与流程。文件涵盖从取样、提取、过滤到分析的全流程标准化操作,重点更新了干法提取(如 Stamp Test 和刷吸法)、小于50µm颗粒的检测、光学子系统和SEM/EDX标准分析方法,并引入统一材料分类体系以提升结果可比性。同时明确了“标准分析”与“自由检验”的区别,前者用于高兼容性检测,后者允许客户与供应商协商定制参数。文档还强化了对非可测组件的技术清洁保障、测量不确定度评估及方法验证的要求,并提供了多个实际案例支持应用落地。; 适合人群:适用于汽车制造业中从事质量控制、工艺开发、供应商管理及相关检测实验室的技术人员和管理人员,尤其适合具备一定质量管理或洁净度检测基础的专业人员。; 使用场景及目标:①用于制定和执行零部件清洁度检测标准;②指导 incoming/outgoing 检验及生产过程监控;③支持失效分析与质量改进项目;④作为企业内部审核和技术交流的依据; 阅读建议:建议结合VDA 19.2及其他相关标准配套使用,重点关注各章节中的起始参数设定、方法选择逻辑及附录中的检查表示例,在实际操作中同步开展方法验证与人员培训,确保检测结果的有效性和可追溯性。

7,776

社区成员

发帖
与我相关
我的任务
社区描述
.NET技术 非技术区
社区管理员
  • 非技术区社区
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧