一、简单工厂模式(simple factory method)

博客介绍了简单工厂模式,以水果生产为例,给出抽象产品、具体产品和工厂的代码示例。简单工厂模式中工厂类负责产品实例化,优点是客户端相对独立,支持一定的“开 - 闭”原则;缺点是对新加入产品需修改工厂类,对“开 - 闭”原则支持不足。

抽象产品:如抽象类水果(Fruit)。

具体产品:如从Fruit继承下来的苹果、葡萄等。

工厂:负责生产各种水果。

unit FactoryMethodUnit;

interface
type
  TFruitID = (Grape,Apple);
  TFruit = class //抽象接口
  public
    constructor Create; virtual;
  end;
  TGrape= class(Fruit)//具体类
    constructor Create; override;
  end;
  TApple= class(Fruit)//具体类
    constructor Create; override;
  end;

  TCreator = class  //工厂
  public
    constructor Create; virtual;
    function CreateProduct(FruitID : TFruitID): TFruit; virtual; 
  end;

  TMyCreator = class(TCreator)
    constructor Create; override;
   function CreateProduct(FruitID : TFruitID): TFruit; override; //
  end;

implementation

function TCreator.CreateProduct(FruitID : TFruitID ): TFruit;
var
  aProduct: TFruit;
begin
  aProduct := nil;
  if FruitID = Grape then
    aProduct := TGrape.Create;
  if FruitID = Apple then
    aProduct := TApple.Create;
  Result := aProduct;
end;


constructor TGrape.Create;
begin
//......
end;

constructor TApple.Create;
begin
//......
end;

constructor TCreator.Create;
begin
//......
end;

constructor TMyCreator.Create;
begin
//......
end;

function TMyCreator.CreateProduct(FruitID : TFruitID ): TFruit;
var
  aProduct: TFruit;
  aCreator: TCreator;
begin

  aProduct := nil;
  if FruitID = Grape then
    aProduct := TGrape.Create;
  if FruitID = Apple then
    aProduct := TApple.Create;

  if aProduct = nil then
  begin
    aCreator := Tcreator.Create;
    aProduct := aCreator.CreateProduct(FruitID);
  end;
  Result := aProduct;
end;

 

end.

在简单工厂模式中,一个工厂类处于对产品类实例化的中心位置上,它知道每一个产
品,它决定哪一个产品类应当被实例化。这个模式的优点是允许客户端相对独立于产品创
建的过程,并且在系统引入新产品的时候无需修改客户端,也就是说,它在某种程度上支
持“开-闭”原则。这个模式的缺点是对“开-闭”原则的支持不够,因为如果有新的产品加入到系统中去,就需要修改工厂类,将必要的逻辑加入到工厂类中。

MATLAB代码实现了个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归化:使用mapminmax将输入和输出归化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
基于ILP的最优PMU放置优化研究(Matlab代码实现)内容概要:本文围绕基于整数线性规划(ILP)的最优PMU(相量测量单元)放置优化展开研究,旨在通过数学优化方法确定电力系统中PMU的最佳安装位置,以实现系统完全可观测的同时最小化设备成本。研究介绍了PMU在电力系统状态估计中的关键作用,构建了以最小化PMU数量为目标的ILP数学模型,并详细阐述了约束条件的建立,如系统可观测性约束等。文中提供了完整的Matlab代码实现,利用YALMIP工具箱和合适的求解器(如CPLEX或Gurobi)进行求解,验证了该方法的有效性和实用性。; 适合人群:具备电力系统基础知识、优化理论背景以及Matlab编程能力的高校研究生、科研人员及电力系统相关领域的工程师。; 使用场景及目标:① 解决电力系统状态估计中PMU的最优布点问题,降低系统监测成本;② 学习和掌握如何将实际工程问题转化为整数线性规划模型,并利用Matlab进行求解;③ 为智能电网的广域测量系统(WAMS)建设提供理论依据和技术支持。; 阅读建议:此资源以理论结合实践的方式,不仅提供了严谨的数学模型推导,更侧重于Matlab代码的实现。读者应在理解ILP基本原理和电力系统可观测性概念的基础上,仔细阅读并调试所提供的代码,尝试在不同规模的电网模型(如IEEE标准节点系统)上进行测试,以加深对优化算法和电力系统监控的理解。
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