Java 设计模式 1 —— 策略模式

本文深入探讨了策略模式的概念,通过一个具体的实例,展示了如何将一系列算法封装并使其可以在不同场景下互换,以此来提高代码的灵活性和复用性。策略模式能够避免过度使用继承带来的问题,体现了多用组合,少用继承的设计理念。

策略模式

定义

策略者模式定义了一系列的算法,并将每一个算法封装起来,而且使他们可以相互替换,让算法独立于使用它的客户而独立变化。

这个模式将类中可变的部分抽象出来封装成一类算法。应用场景之间的切换无需修改代码,只要加载不同的算法就能实现不同场景下的不同功能。

策略者模式的出现是为了弥补继承过程中代码复用性的不足。它完美的体现除了“多用组合,少用继承”的设计原则。

UML类图

我们以大学生为例子来演示策略者模式的特点。在下文中,定义了一个Student类和Major接口。对于所有学术来说,身高和体重都是所有人共有的特征。但是每个人的专业可能有所不同,所以抽象出来设计成接口。

代码结构

Student.java

public class Student {
	public double height;
	public double weight;
	Major major;

	public Student(double height, double weight, Major major) {
		this.height = height;
		this.weight = weight;
		this.major = major;
	}

	public Student(Major major) {
		this(0, 0, major);
	}

	//省略getter和setter

	public void introduce() {
		System.out.println("height=" + height + ", " + "weight=" + weight + ", "+major.majorIn());
	}
}

Major.java

public interface Major {
	String majorIn();
}

Math.java

public class Math implements Major {
	public String majorIn() {
		return "I major in Math.";
	}
}

Computer.java

public class Computer implements Major {
	public String majorIn() {
		return "I major in Computer.";
	}
}

English.java

public class English implements Major {
	public String majorIn() {
		return "I major in English.";
	}
}

运行演示

演示代码

public class Main {
  public static void main(String[] args) {
    Student student1 = new Student(170,60, new Math());
    Student student2 = new Student(177, 65, new English());
    Student student3 = new Student(160, 50, new English());

    student1.introduce();
    student2.introduce();
    student3.introduce();
  }
}

输出结果

height=170.0, weight=60.0, I major in Math.
height=177.0, weight=65.0, I major in English.
height=160.0, weight=50.0, I major in English.
【电动汽车充电站有序充电调度的分散式优化】基于蒙特卡诺和拉格朗日的电动汽车优化调度(分时电价调度)(Matlab代码实现)内容概要:本文介绍了基于蒙特卡洛和拉格朗日方法的电动汽车充电站有序充电调度优化方案,重点在于采用分散式优化策略应对分时电价机制下的充电需求管理。通过构建数学模型,结合不确定性因素如用户充电行为和电网负荷波动,利用蒙特卡洛模拟生成大量场景,并运用拉格朗日松弛法对复杂问题进行分解求解,从而实现全局最优或近似最优的充电调度计划。该方法有效降低了电网峰值负荷压力,提升了充电站运营效率与经济效益,同时兼顾用户充电便利性。 适合人群:具备一定电力系统、优化算法和Matlab编程基础的高校研究生、科研人员及从事智能电网、电动汽车相关领域的工程技术人员。 使用场景及目标:①应用于电动汽车充电站的日常运营管理,优化充电负荷分布;②服务于城市智能交通系统规划,提升电网与交通系统的协同水平;③作为学术研究案例,用于验证分散式优化算法在复杂能源系统中的有效性。 阅读建议:建议读者结合Matlab代码实现部分,深入理解蒙特卡洛模拟与拉格朗日松弛法的具体实施步骤,重点关注场景生成、约束处理与迭代收敛过程,以便在实际项目中灵活应用与改进。
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