策略模式

策略模式是比较常用的一种模式.封装不算法。每一个算法封装在不同类中。然后根据客户端的需求。选择相应的算法。

策略模式主要角色:

环境角色:一般会持有策略类的父类引用。

抽象策略角色:提供策略类的共有行为和接口。

具体策略角色:每个策略包装一种算法和行为。

现在以人不同方式回家为例。。把每种回家方式封装成一个不同的算法,分别封装在不同的类中

//抽象回家方式接口。封装一个父类接口

public interface GoHomeStrategy{

   //不同回家方式,不同算法行为

   public void howGoHome();

}

 

//走路回家的策略方式。

public class WalkGoHomeStrategy implements GoHomeStrategy{

    //回家的方式 走路

    public void howGoHome(){

      System.out.println("今天我要走路回家...想运动了!");

   }

}

 

//骑自行车回家的方式 不同算法。

public class BikeGoHomeStrategy implements GoHomeStrategy{

    //骑车回家的方法。不同算法的方法

    public void howGoHome(){

        System.out.println("腿有点酸。我要骑车回家!");

  }

}

 

//环境角色。可以选择不同的算法。根据客户端需求 来选择相应的算法。

public class GoHomeContext{

  //策略的引用对象变量

   private GoHomeStrategy goHome;

   private static  GoHomeContext instance = new GoHomeContext();

 

  private GoHomeContext(){}

 

   public static GoHomeContext getInstance(){

    return instance;

   } 

   public void operation(int i ){

      //根据参数判断来选择相应的策略

        if(i==0){

          goHome = new WalkGoHomeStrategy ();

            }else {

         goHome = new BikeGoHomeStrategy ();

   }

         goHome.howGoHome();

 }

}

 

 

 

//客户端调用

public class Client{

  

  public static void main(String args[]){

          GoHomeContext context = GoHomeContext.getInstance();

         //选择走路回家发方式

        context.operation(0);

        //选择骑车走路的方式

       context.operation(1);

   }

 }

 

//打印结果

今天我要走路回家...想运动了!";

腿有点酸。我要骑车回家!";

客户端根据不同的参数,选择不同的算法回家

策略模式关注的是算法的变化。而不关注领域实体的变化。变化的因素是算法行为的变化。

可以任意动态的添加和删除算法类。符合开闭原则。

优点:

1,策略模式,提供管理算法簇的方法。恰当使用继承,可以把公共的代码移到父类中去。避免代码的重复。

2,使用策略类,避免多重条件的转移语句,使代码看起来更优雅。耦合性降低。

缺点:

1, 客户端必须清楚,知道所有的策略类。

2,策略模式会造成很多策略类。有时会使代码臃肿和数量庞大。

策略模式的的核心:

行为的单一变化,每个行为都封装在不同的类中。

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