代理模式

本文介绍了Java中的动态代理机制,通过一个实例展示了如何使用InvocationHandler接口和Proxy类实现动态代理,以此在不修改原有代码的基础上增强功能。在程序开发中,动态代理常用于功能扩展、AOP(面向切面编程)等场景,如日志记录、权限校验等。示例中,我们创建了一个UserService的动态代理,实现了在调用sayHello方法时同时输出参数。

1. 静态代理

image-20210202101513042

2. 动态代理

可以在不改变目标方法功能的前提下,在代理中增强自己的功能代码,达到功能增强的目的。

程序开发中的意义:比如,你所在的项目中,有一个功能是别人写好的,比如print(“hello”),你想在这个功能基础上再加上其他的功能,比如再输出print(“world”),但不别人的文件,这就需要代理完成

image-20210202102247364

动态代理相关的类:

  • InvocationHandler接口
  • Proxy类newProxyInstance方法
  1. 接口

    public interface UserService {
        void sayHello(String str);
    }
    
  2. 实现类

    public class UserServiceFactory implements UserService {
    
        @Override
        public void sayHello(String str) {
            System.out.println(str);
        }
    }
    
  3. Handler

    public class MyUserServiceHandler implements InvocationHandler {
    
        private Object target = null;
    
        public MyUserServiceHandler(Object target){
            this.target = target;
        }
    
        @Override
        public Object invoke(Object proxy, Method method, Object[] args) throws Throwable {
            // 原来的方法
            method.invoke(target, "Hello");
    
            // 增强方法
            for (Object arg : args) {
                System.out.println(arg);
            }
            return null;
        }
    }
    
  4. test

    public class DynamicProxyTest {
        public static void main(String[] args) {
            UserServiceFactory userServiceFactory = new UserServiceFactory();
    
            MyUserServiceHandler myUserServiceHandler = new MyUserServiceHandler(userServiceFactory);
    
            UserService userService = (UserService) Proxy.newProxyInstance(userServiceFactory.getClass().getClassLoader(),
                    userServiceFactory.getClass().getInterfaces(),
                    myUserServiceHandler);
            userService.sayHello("world");
        }
    }
    
【无人机】基于改进粒子群算法的无人机路径规划研究[和遗传算法、粒子群算法进行比较](Matlab代码实现)内容概要:本文围绕基于改进粒子群算法的无人机路径规划展开研究,重点探讨了在复杂环境中利用改进粒子群算法(PSO)实现无人机三维路径规划的方法,并将其与遗传算法(GA)、标准粒子群算法等传统优化算法进行对比分析。研究内容涵盖路径规划的多目标优化、避障策略、航路点约束以及算法收敛性和寻优能力的评估,所有实验均通过Matlab代码实现,提供了完整的仿真验证流程。文章还提到了多种智能优化算法在无人机路径规划中的应用比较,突出了改进PSO在收敛速度和全局寻优方面的优势。; 适合人群:具备一定Matlab编程基础和优化算法知识的研究生、科研人员及从事无人机路径规划、智能优化算法研究的相关技术人员。; 使用场景及目标:①用于无人机在复杂地形或动态环境下的三维路径规划仿真研究;②比较不同智能优化算法(如PSO、GA、蚁群算法、RRT等)在路径规划中的性能差异;③为多目标优化问题提供算法选型和改进思路。; 阅读建议:建议读者结合文中提供的Matlab代码进行实践操作,重点关注算法的参数设置、适应度函数设计及路径约束处理方式,同时可参考文中提到的多种算法对比思路,拓展到其他智能优化算法的研究与改进中。
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