单例模式 - Head First设计模式学习

本文深入解析单例模式,探讨如何确保一个类仅有一个实例并提供全局访问点。通过多种实现方式,包括错误示范、synchronized同步、静态变量实例化及双重检查加锁,对比其优缺点。

单例模式是比较简单的设计模式。直接给出定义就明白了。

单例模式确保一个类只有一个实例,并提供一个全局访问点

要保证一个类只有一个实例需要做到以下几点:

  1. 私有类构造器,防止别的类直接用类构造器实例化实例
  2. 既然构造器私有了,那么只有类本身能够实例化。类需要提供一个公开的接口获取实例
  3. 类本身需要保证实例的单一

类图如下:
在这里插入图片描述

类怎么创建单一的实例,有以下几种办法:

错误的示范
public class Singleton {
	
	private static Singleton instance;
	
	//私有的构造器
	private Singleton() {}
	
	//公开的访问点
	public static Singleton getInstance() {
		if (instance == null) {
			instance = new Singleton();
		}
		return instance;
	}
}

上面的代码看似符合单例模式,但是类本身无法保证只实例化一次实例。

在多线程的情况下,可能有多个线程得到 instance == null 为true的结果。

因此单例模式比较重要的就是怎么避免多线程重复实例化的问题。

使用 synchronized 同步
public class Singleton {
	
	private static Singleton instance;
	
	//私有的构造器
	private Singleton() {}
	
	//公开的访问点,加上synchronized避免多线程同时进入方法中
	public static synchronized Singleton getInstance() {
		if (instance == null) {
			instance = new Singleton();
		}
		return instance;
	}
	
}

比较简单的方法,直接在实例方法上加synchronized,两个线程无法同时进入方法,自然不会重复实例化了。

不好的是线程的互相等待影响效率。

实例化静态变量
public class Singleton {
	
	//加载类时就创建对象,由jvm保证单例
	private static Singleton instance = new Singleton();
	
	//私有的构造器
	private Singleton() {}
	
	//公开的访问点
	public static Singleton getInstance() {
		return instance;
	}
	
}

静态变量的实例jvm加载类时会自动创建,并且保证实例的唯一。

这个办法不好的地方是,即使不需要这个实例它也会创建。

双重检查加锁
public class Singleton {
	
	//volatile保证不同线程之间的变量是一样的
	private volatile static Singleton instance;
	
	//私有的构造器
	private Singleton() {}
	
	//公开的访问点,没有实例化的前提下加锁
	public static Singleton getInstance() {
		if (instance == null) {
			synchronized (Singleton.class) {
				if (instance == null) {
					instance = new Singleton();					
				}
			}
		}
		return instance;
	}
	
}

访问点在没有实例化的判断之后加锁,各个线程最多只有第一次获取实例的时候会被同步,提高了效率。

注意的是实例变量需要设置为 volatile。保证各个线程看到的全局变量一致。否则第二次的检查也有可能出现多线程错误。

基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合数据驱动方法与Koopman算子理论的递归神经网络(RNN)模型线性化方法,旨在提升纳米定位系统的预测控制精度与动态响应能力。研究通过构建数据驱动的线性化模型,克服了传统非线性系统建模复杂、计算开销大的问题,并在Matlab平台上实现了完整的算法仿真与验证,展示了该方法在高精度定位控制中的有效性与实用性。; 适合人群:具备一定自动化、控制理论或机器学习背景的科研人员与工程技术人员,尤其是从事精密定位、智能控制、非线性系统建模与预测控制相关领域的研究生与研究人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能预测控制;②为复杂非线性系统的数据驱动建模与线性化提供新思路;③结合深度学习与经典控制理论,推动智能控制算法的实际落地。; 阅读建议:建议读者结合Matlab代码实现部分,深入理解Koopman算子与RNN结合的建模范式,重点关注数据预处理、模型训练与控制系统集成等关键环节,并可通过替换实际系统数据进行迁移验证,以掌握该方法的核心思想与工程应用技巧。
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