建造者模式

建造者模式适用于对于逐渐的拼凑,极大提升灵活性
但是产品必须有共同点,范围有限制。 2、如内部变化复杂,会有很多的建造类。
比如现在我有一个需求生产洋娃娃
有两个公司分别生产组成产品不同的部分,洋娃娃是一个整体

//组件接口
public interface Moduel {
    String getInfo();
    Company getCompany();
    String getPrice();
}
//公司接口
public interface Company {
    String getCompany();
}
//公司实现
public class HeadCompany implements Company {
    @Override
    public String getCompany() {
        return "专业制造头的生产商";
    }
}
public class BodyCompany implements Company {
    @Override
    public String getCompany() {
        return "专业制造身体生产商";
    }
}

//抽象组件类
public abstract class Body  implements Moduel{
    @Override
    public Company getCompany() {
        return new BodyCompany();
    }
}
public abstract class Head implements Moduel {
    @Override
    public Company getCompany() {
        return new HeadCompany();
    }
}
//组件实现类

public class ManHead extends Head {
    @Override
    public String getInfo() {
        return "男性的头";
    }

    @Override
    public String getPrice() {
        return "1¥";
    }
}
public class ManBody extends Body{
    @Override
    public String getInfo() {
        return "男性的身体";
    }

    @Override
    public String getPrice() {
        return "10¥";
    }
}
public class WomanBody extends  Body{
        @Override
        public String getInfo() {
            return "女性的身体";
        }

        @Override
        public String getPrice() {
            return "8¥";
        }
}
public class WomanHead extends Head {
        @Override
        public String getInfo() {
            return "女性的头";
        }

        @Override
        public String getPrice() {
            return "1¥";
        }

}

//洋娃娃

import java.util.ArrayList;
import java.util.List;

public class Yangwawa {
    private List<Moduel> moduels=new ArrayList<>();
    public void addModuel(Moduel moduel){
        moduels.add(moduel);
    }
    public void getInfo(){
        for (Moduel moduel:moduels) {
            System.out.print("Company : " + moduel.getCompany().getCompany());
            System.out.print(" Model :"+moduel.getInfo());
            System.out.println(" price : "+moduel.getPrice());
        }
    }
    public void getCost(){
        int _cost=0;
        for (Moduel moduel:moduels) {
            String price = moduel.getPrice();
          _cost+=Integer.parseInt(price.substring(0,price.lastIndexOf("¥")));
        }
        System.out.println("总价 :"+_cost+"¥");
    }
}


//洋娃娃生产者
public class YangwawaBulider {
    public Yangwawa getManWaWa(){
        Yangwawa yangwawa=new Yangwawa();
        yangwawa.addModuel(new ManBody());
        yangwawa.addModuel(new ManHead());
        return yangwawa;
    }
    public Yangwawa getWomanWaWa(){
        Yangwawa yangwawa=new Yangwawa();
        yangwawa.addModuel(new WomanBody());
        yangwawa.addModuel(new WomanHead());
        return yangwawa;
    }
}
//测试类
public class BuliderDemo {
    public static void main(String[] args) {
        YangwawaBulider yangwawaBulider=new YangwawaBulider();
        Yangwawa manWaWa = yangwawaBulider.getManWaWa();
        System.out.println("创建一个男性娃娃");
        manWaWa.getInfo();
        manWaWa.getCost();
        System.out.println("创建一个女性娃娃");
        YangwawaBulider yangwawaBulider1=new YangwawaBulider();
        Yangwawa womanWaWa = yangwawaBulider1.getWomanWaWa();
        womanWaWa.getInfo();
        womanWaWa.getCost();
    }
}

----out------------------
创建一个男性娃娃
Company : 专业制造身体生产商 Model :男性的身体 price : 10¥
Company : 专业制造头的生产商 Model :男性的头 price : 1¥
总价 :11¥
创建一个女性娃娃
Company : 专业制造身体生产商 Model :女性的身体 price : 8¥
Company : 专业制造头的生产商 Model :女性的头 price : 1¥
总价 :9

跟抽象工厂相比,抽象工厂处理的是整个产品族的变化
而建造者模式是更精细与各个组件的拼接

【负荷预测】基于VMD-CNN-LSTM的负荷预测研究(Python代码实现)内容概要:本文介绍了基于变分模态分解(VMD)、卷积神经网络(CNN)和长短期记忆网络(LSTM)相结合的VMD-CNN-LSTM模型在负荷预测中的研究与应用,采用Python代码实现。该方法首先利用VMD对原始负荷数据进行分解,降低序列复杂性并提取不同频率的模态分量;随后通过CNN提取各模态的局部特征;最后由LSTM捕捉时间序列的长期依赖关系,实现高精度的负荷预测。该模型有效提升了预测精度,尤其适用于非平稳、非线性的电力负荷数据,具有较强的鲁棒性和泛化能力。; 适合人群:具备一定Python编程基础和深度学习背景,从事电力系统、能源管理或时间序列预测相关研究的科研人员及工程技术人员,尤其适合研究生、高校教师及电力行业从业者。; 使用场景及目标:①应用于日前、日内及实时负荷预测场景,支持智慧电网调度与能源优化管理;②为研究复合型深度学习模型在非线性时间序列预测中的设计与实现提供参考;③可用于学术复现、课题研究或实际项目开发中提升预测性能。; 阅读建议:建议读者结合提供的Python代码,深入理解VMD信号分解机制、CNN特征提取原理及LSTM时序建模过程,通过实验调试参数(如VMD的分解层数K、惩罚因子α等)优化模型性能,并可进一步拓展至风电、光伏等其他能源预测领域。
评论
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