23种设计模式之代理模式

``

我们定义一个接口为IGamePlayer,代表游戏玩家。 定义一个具体的实现类GamePlayer,用于实现游戏者的游戏功能。我们先来看看IGamePlayer,代码如下:

public interface IGamePlayer{
 //登录游戏
public void login(String user,String password);
//杀怪
public void killBoss();
//升级
public void upgrade();
}

IGamePlayer接口定义了三个方法,分别为游戏常用功能:登录、杀怪、升级。其实现类代码如下:

public class GamePlayer implements IGamePlayer{
private String name= "";
public GamePlayer(String _name){
    this.name = _name;
    }
public void killBoss(){
    System.out.println(this.name +"在打怪");
    }
public void login(String user, String password){
    System.out.println("登录名为"+user+"的用户"+this.name+"登录成功");
    }
public void upgrade(){
    System.out.println(this.name +"又升一级");
    }
}

在实现类中通过构造函数传递进来的玩家姓名,方便以后后期进行调试工作。我们通过一个场景类来模拟这样的一个游戏过程,代码如下:

场景类:

public class Client{
    public static void main(String[] args){
      IGamePlayer player = new GamePlayer("张三");
     player.login("zhangSan","password");
     player.killBoss();
     player.upgrade();
    }
}
运行结果如下:

登录名为zhangSan的用户张三登录成功
张三在打怪
张三又升了一级

对于我们想玩游戏又不想触碰到游戏中的烦恼。那么就会出现游戏代练公司,由他们代替我们去打怪升级。

那么我们就会增加一个GamePlayerProxy的,表示游戏代练者,因此同样继承自IGamePlayer接口,代码如下:

代练者

public class GamePlayerProxy implements IGamePlayer{
    private IGamePlayer gamePlayer = null;
    public GamePlayerProxy(IGamePlayer _gamePlayer){
        this.gamePlayer = _gamePlayer;
    }
    public void killBoss(){
       this.gamePlayer.killBoss();
    }
    public void login(String user, String password){
       this.gamePlayer.login(user,password);
    }
    public void upgrade(){
        this.gamePlayer.upgrade();
    }
}
首先通过构造函数说明要代谁打怪升级,然后通过手动开始代用户打怪升级。场景类Client代码也稍作改动,代码如下:

改进后的场景类:

public class Client{
    public static void main(String[] args){
     IGamePlayer player = new GamePlayer("张三");
     IGamePlayer proxy = new GamePlayerProxy(player);
      proxy.login("zhangSan","password");
      proxy.killBoss();
      proxy.upgrade();
   }
}
运行结果与上次完全一致。

以上就是代理模式。

 

下一章我们会详细的介绍代理模式。



内容概要:本文介绍了基于SMA-BP黏菌优化算法优化反向传播神经网络(BP)进行多变量回归预测的项目实例。项目旨在通过SMA优化BP神经网络的权重和阈值,解决BP神经网络易陷入局部最优、收敛速度慢及参数调优困难等问题。SMA算法模拟黏菌寻找食物的行为,具备优秀的全局搜索能力,能有效提高模型的预测准确性和训练效率。项目涵盖了数据预处理、模型设计、算法实现、性能验证等环节,适用于多变量非线性数据的建模和预测。; 适合人群:具备一定机器学习基础,特别是对神经网络和优化算法有一定了解的研发人员、数据科学家和研究人员。; 使用场景及目标:① 提升多变量回归模型的预测准确性,特别是在工业过程控制、金融风险管理等领域;② 加速神经网络训练过程,减少迭代次数和训练时间;③ 提高模型的稳定性和泛化能力,确保模型在不同数据集上均能保持良好表现;④ 推动智能优化算法与深度学习的融合创新,促进多领域复杂数据分析能力的提升。; 其他说明:项目采用Python实现,包含详细的代码示例和注释,便于理解和二次开发。模型架构由数据预处理模块、基于SMA优化的BP神经网络训练模块以及模型预测与评估模块组成,各模块接口清晰,便于扩展和维护。此外,项目还提供了多种评价指标和可视化分析方法,确保实验结果科学可信。
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