Obeverser观察者模式

本文通过两个不同的场景模拟了小孩在睡觉后醒来喂奶的过程。方式一:父亲通过监控小孩是否醒来决定何时喂奶;方式二:小孩醒来后主动呼叫父亲进行喂奶。这两种方式展示了不同的情景逻辑和实现。

模拟:小孩在睡觉,醒来后给小孩喂奶

方式一:父亲监控小孩,小孩一醒就喂奶

/**
 * 模拟小孩睡觉,醒来后喂奶
 *
 */

class Dad implements Runnable{
	private Child c;
	public Dad(Child c){
		this.c=c;
	}
	private void feed(){
		System.out.println("给小孩喂奶。。。");
	}

	@Override
	public void run()
	{
		while(!c.isWakeUp()){
			try
			{
				System.out.println("还没醒。。。");
				Thread.sleep(1000);
			} catch (InterruptedException e)
			{
				// TODO Auto-generated catch block
				e.printStackTrace();
			}
		}
		feed();
	}
}
class Child implements Runnable{
	private boolean isWakeUp=false;
	 void wakeUp(){
		 isWakeUp=true;
		System.out.println("小孩醒来了。。。。。。");
	}
	 
	public boolean isWakeUp()
	{
		return isWakeUp;
	}

	public void setWakeUp(boolean isWakeUp)
	{
		this.isWakeUp = isWakeUp;
	}

	@Override
	public void run()
	{
		try
		{
			Thread.sleep(5000);
		} catch (InterruptedException e)
		{
			// TODO Auto-generated catch block
			e.printStackTrace();
		}
		wakeUp();
		
	}
}
public class Test
{
	public static void main(String[] args){
		Child c=new Child();
		new Thread(c).start();
		new Thread(new Dad(c)).start();
	}
}
方式二:小孩醒了,叫爸爸喂奶

class Dad {
	 void feed(){
		System.out.println("给小孩喂奶。。。");
	}
}
class Child implements Runnable{
	private Dad dad;
	public Child(Dad dad){
		this.dad=dad;
	}
	 void wakeUp(){
		System.out.println("小孩醒来了,喊爸爸喂奶。。。");
		dad.feed();
	}

	@Override
	public void run()
	{
		try
		{
			Thread.sleep(5000);
		} catch (InterruptedException e)
		{
			// TODO Auto-generated catch block
			e.printStackTrace();
		}
		wakeUp();
		
	}
}
public class Test
{
	public static void main(String[] args){
		Dad d=new Dad();
		new Thread(new Child(d)).start();
	}
}



内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
评论 1
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