对Robbin《domain model的延伸讨论(重新编辑) 》一文质疑

本文针对robbin关于domainmodel的讨论提出异议,分析了不同语言环境下domainmodel的应用,并探讨了Java利用AspectJ实现复杂业务逻辑的可能性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

《domain model的延伸讨论》 http://www.iteye.com/topic/57075
robbin试图用两个例子来支撑其观点似乎太过牵强!

1. ruby的代码中是domain model直接包含了操作集合的代码,java的理念则不是如此。用来比较优劣是否妥当暂且不说,首要的问题在于:domain model理念是哪个?是允许一个对象包含自己的集合操作还是不可以?
我以为目前并没有定论。
退一万步说,就算是允许,那么java可以参照的同级别的语言是有些ADO.NET的C#(C#是可以和ruby在ActiveRecord可比的),java想做不难!
再次,允许是一回事,好不好又是另一回事。

回到正题,既然是比较就要标准统一,表面上看都是同一个题目,其实背后的理念是不一样(由此引发的种种设计实现上的变化,robbin就得出了ruby可以做更多的逻辑,因而……),
然而我以为这样的比较是支持不了robbin的观点的。

2. robbin说:“但是Java如果不使用IoC方式注入,而是直接调用依赖类的静态方法,行为就被限定死了,复杂的类依赖关系的创建和织入就是一个很麻烦的问题,这也是Java引入IoC的主要原因。”
为什么不可以直接调用依赖类的静态方法,我可以不用IoC而用AspectJ。可以看看我之前写的blog
http://www.blogjava.net/AndersLin/archive/2007/02/09/95666.html
或者
http://yimlin.iteye.com/blog/53545
看上去有点抬杠,其实不是,看官们请冷静思考一下这个问题(又或各位不以为然,没有关系)。

因此robbin说:“对于Java来说,更加适合采用贫血的模型,Java比较适合于把一个复杂的业务逻辑分离到n个小对象中去,每个小对象描述单一的职责,n个对象互相协作来表达一个复杂的业务逻辑,这n个对象之间的依赖和协作需要通过外部的容器例如IoC来显式的管理。但对于每个具体的对象来说,他们毫无疑问是贫血的。”
从robbin写的这样java来看,似乎确实如此。然而java的程序的设计是否就此一种。
如果用AspectJ来重写代码,是否还需要那么多接口,那么类?同样加上annotation的应用,又可以省去xml文件
有关于dao的设计可以这样处理:
public class User{ public static UserFinder finder; ...... }
public interface UserFinder{ public List doQuery(...); ...... }
public class UserService{ public void FindByDept(...){ List list = User.finder.doQuery(....); .... } }
这里我选择保留了接口,实际的情况则是未必,各自选择。

3. Java在AspectJ的支持下,可以对domain model的各个方面的逻辑进行切割,就像C#的partial class那样,一个应用就是
http://yimlin.iteye.com/blog/54060
我以为是可以解决robbin所认为的一个”充血模型的坏处“:对象高度自洽的结果是不利于大规模团队分工协作。一个编程个体至少要完成一个完整业务逻辑的功能。对于单个完整业务逻辑,无法再细分下去了。

4.如果robbin的观点是:ruby和java在实践domain model理念中,因为ruby的语言特性及其设计理念比java的有自己的优势,那我认为没有什么问题。而现有观点太过草率和武断了。


BTW:感谢newman对小弟《小议领域模型》一文的认可。

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