简单工厂

简单工厂模式详解
本文介绍了一个简单的工厂模式案例,展示了如何使用工厂模式减少客户端对具体类的依赖,并通过反射进一步优化工厂模式,使其遵循开闭原则。

首先说明,简单工厂并不属于23中设计模式。
学习设计模式前,首先了解简单工厂,是代码设计中经常用到的。

现在有个案例如下代码:

// Video的抽象类
public abstract class Video {
    public abstract void produce();
}

//Video的两个实现类

public class JavaVideo extends Video {
    @Override
    public void produce() {
        System.out.println("录制java视频");
    }
}

public class PythonVideo extends Video{
    @Override
    public void produce() {
        System.out.println("录制python视频");
    }
}

//客户端

public class Test {
    public static void main(String[] args) {
        Video video = new JavaVideo();
        video.produce();
        Video video2 = new PythonVideo();
        video.produce();
    }
}

运行结果

录制java视频
录制python视频

问题说明:
当前代码客户端对具体实现类的依赖太强。

我们用简单工厂将其优化

//新增工厂类VideoFactory
public class VideoFactory {
    public Video getVideo(String type) {
        if ("java".equalsIgnoreCase(type)) {
            return new JavaVideo();
        } else if ("python".equalsIgnoreCase(type)) {
            return new PythonVideo();
        }
        return null;
    }
}
//修改客户端
public class Test {
    public static void main(String[] args) {
        VideoFactory videoFactory = new VideoFactory();
        Video video = videoFactory.getVideo("java");
        video.produce();
    }
}

这样就可以了,我们只需要在客户端向工厂类传入类型参数,就可以得到想要的对象。
但是,我们会发现,当出现一个新的Video类时,我们需要修改工厂类的方法,违背了开闭原则(对修改关闭,对扩展开放)。
需要进行优化,这里我们通过反射的法方法来优化工厂方法。代码如下

//修改工厂类的getVideo方法
public class VideoFactory {
    public Video getVideo(Class c) {
        Video video = null;
        try {
            video = (Video)Class.forName(c.getName()).newInstance();
        } catch (InstantiationException e) {
            e.printStackTrace();
        } catch (IllegalAccessException e) {
            e.printStackTrace();
        } catch (ClassNotFoundException e) {
            e.printStackTrace();
        }
        return video;
    }
}
//修改客户端
public class Test {
    public static void main(String[] args) {
        VideoFactory videoFactory = new VideoFactory();
        Video video = videoFactory.getVideo(JavaVideo.class);
        video.produce();
    }
}

这样修改之后,我们只需要在客户端传入我们想要的类型class,就可以获取到对应类型的对象,达到多类型扩展的目的。

提供了基于BP(Back Propagation)神经网络结合PID(比例-积分-微分)控制策略的Simulink仿真模型。该模型旨在实现对杨艺所著论文《基于S函数的BP神经网络PID控制器及Simulink仿真》中的理论进行实践验证。在Matlab 2016b环境下开发,经过测试,确保能够正常运行,适合学习和研究神经网络在控制系统中的应用。 特点 集成BP神经网络:模型中集成了BP神经网络用于提升PID控制器的性能,使之能更好地适应复杂控制环境。 PID控制优化:利用神经网络的自学习能力,对传统的PID控制算法进行了智能调整,提高控制精度和稳定性。 S函数应用:展示了如何在Simulink中通过S函数嵌入MATLAB代码,实现BP神经网络的定制化逻辑。 兼容性说明:虽然开发于Matlab 2016b,但理论上兼容后续版本,可能会需要调整少量配置以适配不同版本的Matlab。 使用指南 环境要求:确保你的电脑上安装有Matlab 2016b或更高版本。 模型加载: 下载本仓库到本地。 在Matlab中打开.slx文件。 运行仿真: 调整模型参数前,请先熟悉各模块功能和输入输出设置。 运行整个模型,观察控制效果。 参数调整: 用户可以自由调节神经网络的层数、节点数以及PID控制器的参数,探索不同的控制性能。 学习和修改: 通过阅读模型中的注释和查阅相关文献,加深对BP神经网络与PID控制结合的理解。 如需修改S函数内的MATLAB代码,建议有一定的MATLAB编程基础。
评论
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