Design Pattern 1-builder

博客展示了构建模式的代码实现。定义了 builder 接口、product 类和 director 类,还有两个具体的构建器类 ConcreateBuilder1 和 ConcreateBuilder2。通过 director 类调用构建器的方法来构建产品,体现了构建模式的应用。
部署运行你感兴趣的模型镜像

using System;

namespace Pattern
{
 /// <summary>
 /// Summary description for Class1.
 /// </summary>
 public interface builder
 {
  void buildPartA();
  void buildPartB();
  product getProduct();
 }
 public class product
 {
  public string name;
  public string date;
  public product()
  {
  } 
 }
 public class director
 {
  private builder myb;
  public director(builder b)
  {
   this.myb =b;
  }
  public product construct()
  {

   myb.buildPartA();
   myb.buildPartB();
   return myb.getProduct();

  }

 }
 public class ConcreateBuilder1:builder
 {
  private product p=new product();
  public ConcreateBuilder1()
  {
  }
  public void buildPartA()
  {
   p.name ="A";
   System.Console.WriteLine("build1 part name a");
  }
  public void buildPartB()
  {
   p.date ="b";
   System.Console.WriteLine("build1 part date b");
  }
  public product getProduct()
  {
   System.Console.WriteLine("build1 product");
   return p;
  }
 }

 public class ConcreateBuilder2:builder
 {
  private product p=new product();
  public ConcreateBuilder2()
  {
  }
  public void buildPartA()
  {
   p.name ="A";
   System.Console.WriteLine("build2 part name a");
  }
  public void buildPartB()
  {
   p.date ="b";
   System.Console.WriteLine("build2 part date b");
  }
  public product getProduct()
  {
   System.Console.WriteLine("build 2 product");
   return p;
  }
 }
}

//构建模式builder
   
            director d=new director(new ConcreateBuilder1());
   d.construct();

   d=new director(new ConcreateBuilder2());
   d.construct();

您可能感兴趣的与本文相关的镜像

ACE-Step

ACE-Step

音乐合成
ACE-Step

ACE-Step是由中国团队阶跃星辰(StepFun)与ACE Studio联手打造的开源音乐生成模型。 它拥有3.5B参数量,支持快速高质量生成、强可控性和易于拓展的特点。 最厉害的是,它可以生成多种语言的歌曲,包括但不限于中文、英文、日文等19种语言

基于径向基函数神经网络RBFNN的自适应滑模控制学习(Matlab代码实现)内容概要:本文介绍了基于径向基函数神经网络(RBFNN)的自适应滑模控制方法,并提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力和滑模控制的强鲁棒性,用于解决复杂系统的控制问题,尤其适用于存在不确定性和外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构与权重更新机制、滑模面的构建以及自适应律的推导过程,并通过Matlab仿真验证了所提方法的有效性和稳定性。此外,文档还列举了大量相关的科研方向和技术应用,涵盖智能优化算法、机器学习、电力系统、路径规划等多个领域,展示了该技术的广泛应用前景。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的研究生、科研人员及工程技术人员,特别是从事智能控制、非线性系统控制及相关领域的研究人员; 使用场景及目标:①学习和掌握RBF神经网络与滑模控制相结合的自适应控制策略设计方法;②应用于电机控制、机器人轨迹跟踪、电力电子系统等存在模型不确定性或外界扰动的实际控制系统中,提升控制精度与鲁棒性; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,深入理解算法实现细节,同时可参考文中提及的相关技术方向拓展研究思路,注重理论分析与仿真验证相结合。
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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