设计模式之建造者模式

定义: 将一个复杂的对象通过简单的对象一步一步的构建出来。叫做建造者设计模式(builder)。
                                    具体结构图(图片摘自百度百科)
 
需要的角色:
产品(Product): 即需要构建的对象。
抽象构建造者(Builder): 构建产品和提供产品示实例。
具体建造者(CreateBuilder):具体实现产品的构建和实例的创建, Builder 的具体实现类。
指挥者(Director): 使用具体的建造者来构建产品,并获取产品。

使用场景:
    1、当创建复杂对象的算法应该独立于该对象的组成部分以及它们的装配方式时。
    2、相同的方法,不同的执行顺序,产生不同的事件结果时。
    3、多个部件或零件,都可以装配到一个对象中,但是产生的运行结果又不相同时。
    4、产品类非常复杂,或者产品类中的调用顺序不同产生了不同的效能。
    5、创建一些复杂的对象时,这些对象的内部组成构件间的建造顺序是稳定的,但是对象的内部组成构件面临着复杂的变化。

应用实例:
    1、肯德基店的产品,汉堡、可乐、薯条、炸鸡翅等是不变的,而其组合是经常变化的,生成出所谓的"套餐"2JAVA 中的 StringBuilder。

优点:
    1、使用建造者模式可以使客户端不必知道产品内部组成的细节。
    2、具体的建造者类之间是相互独立的,容易扩展。
    3、由于具体的建造者是独立的,因此可以对建造过程逐步细化,而不对其他的模块产生任何影响。
    4、将构建和表现分离,降低耦合性。

缺点:
    1、产品必须有共同点,范围有限制。
    2、如内部变化复杂,会有很多的建造类。

注意事项:
    与工厂模式的区别是:建造者模式更加关注与零件装配的顺序。

案例分析:
    比如我们去可肯德基点餐,我们可以根据自己的需求选择不同的食物, 这些食物是根据不同人的要求是不一样的, 但是服务员给我们打包的过程是一样的,我们不需要知道打包的过程,我们只需要向服务员提供我们需要的食物即可。这样的场景就适合使用建造者模式。
示例代码(本示例以 “肯德基的套餐 ”为例)

产品类:
public class MealBean {
    private String hamburger;
    private String coke;
    private String fries;
    private String chicken;

    public void setHamburger(String hamburger) {
        this.hamburger = hamburger;
    }

    public void setCoke(String coke) {
        this.coke = coke;
    }

    public void setFries(String fries) {
        this.fries = fries;
    }

    public void setChicken(String chicken) {
        this.chicken = chicken;
    }

    @Override
    public String toString() {
        return "MealBean{" +
                "hamburger='" + hamburger + '\'' +
                ", coke='" + coke + '\'' +
                ", fries='" + fries + '\'' +
                ", chicken='" + chicken + '\'' +
                '}';
    }
}
抽象建造者类:
public abstract class Builder {

    public abstract void builderHamburger(String hamburger);
    public abstract void builderCoke(String coke);
    public abstract void builderFries(String fries);
    public abstract void builderChicken(String chicken);
    public abstract MealBean createBuilder();
}
具体建造者类:
public class MealBuilder extends Builder {
    private MealBean mMeal;

    public MealBuilder() {
        mMeal  = new MealBean();
    }

    @Override
    public void builderHamburger(String hamburger) {
        this.mMeal.setHamburger(hamburger);
    }

    @Override
    public void builderCoke(String coke) {
        this.mMeal.setCoke(coke);
    }

    @Override
    public void builderFries(String fries) {
        this.mMeal.setFries(fries);
    }

    @Override
    public void builderChicken(String chicken) {
        this.mMeal.setChicken(chicken);
    }

    @Override
    public MealBean createBuilder() {
        return mMeal;
    }
}
指挥者类:
public class MealDirector {
    private MealBuilder mBuilder;

    public MealDirector() {
        this.mBuilder = new MealBuilder();
    }

    public MealBean getMealBean(String hamburger, String coke, String fries, String chicken){
        mBuilder.builderHamburger(hamburger);
        mBuilder.builderCoke(coke);
        mBuilder.builderFries(fries);
        mBuilder.builderChicken(chicken);
        return mBuilder.createBuilder();
    }
}
测试代码:
 MealDirector mealDirector = new MealDirector();
        MealBean mealBean = mealDirector.getMealBean("火腿汉堡", "可口可乐", "炸薯条", null);
        System.out.println(mealBean.toString());
测试结果:


【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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