个人总结的观察者模式

本文通过一个具体的例子介绍了观察者模式的设计原理及其实现方式。通过定义抽象主题、具体主题、抽象观察者和具体观察者等角色,实现了主题状态改变时通知所有观察者进行相应更新的功能。

4个基本的元素:抽象主题、具体主题、抽象观察者、具体观察者。
一对多,让多个观察者对应一个主题。比如:项目负责人通知手底下的人该工作了,程序员工作就是写代码,UI工作就是画图设计,测试人员工作就是测试软件。直接上代码:
抽象主题

public interface Subject {
    void attach(Observer observer);
    void detach(Observer observer);
    void notifyObserver();
}

抽象观察者

public interface Observer {
    void work();
}

具体主题(项目负责人)

import java.util.ArrayList;
import java.util.List;

public class SubjectLeader implements Subject {
    private List<Observer> observers = new ArrayList<>();

    @Override
    public void attach(Observer observer) {
        observers.add(observer);
    }

    @Override
    public void detach(Observer observer) {
        observers.remove(observer);
    }

    @Override
    public void notifyObserver() {
        observers.forEach(observer -> observer.work());
    }
}

具体观察者(程序员)

public class ProgramerObserver implements Observer {
    @Override
    public void work() {
        System.out.println("程序员撸代码了");
    }
}

具体观察者(UI)

public class UiObserver implements Observer {
    @Override
    public void work() {
        System.out.println("UI画图了");
    }
}

具体观察者(测试)

public class TestObserver implements Observer {
    @Override
    public void work() {
        System.out.println("测试开始测试软件了");
    }
}

测试类

public class Test {
    public static void main(String[] args){
        Subject subjectLeader = new SubjectLeader();
        Observer programer = new ProgramerObserver();
        Observer ui = new UiObserver();
        Observer test = new TestObserver();
        subjectLeader.attach(programer);
        subjectLeader.attach(ui);
        subjectLeader.attach(test);
        //领导发通知,通知所有人开工了
        subjectLeader.notifyObserver();
    }
}

运行的结果

程序员撸代码了
UI画图了
测试开始测试软件了

Process finished with exit code 0

MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
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