单例模式学习笔记

单例模式:保证一个类只有一个实例,同时提供访问唯一实例的方法。

模式实现思路:把创建类实例的权限收回(即构造方法私有化),让类自己本身来负责创建实例的工作,同时提供一个外部类实例访问的方法。

单例模式分为两种实现方式:饿汉模式和懒汉模式。

(1)饿汉模式:在类加载的时候就创建实例

public class Singleton {       

        private static Singleton singletonInstance=new Singleton();    //实例化Singleton对象

private Singleton(){}    //私有化构造函数

public static Singleton getSingletonInstance(){    //提供获取Singleton对象的方法
return singletonInstance;

}

}

(2)懒汉模式:等到第一次使用的时候才创建实例

public class Singleton {  

        private static Singleton singltonInstance=null;     //定义一个Sington变量singltonInstance
private Singleton(){}     //构造函数私有化

public static Singleton getSingletonInstance(){    //提供获取Singleton对象的方法

//判断singltonInstance是否为空,如果为空,则创建一个对象赋予singltonInstance,否则直接返回

                if(singltonInstance == null){    

singltonInstance=new Singleton();
}
return singltonInstance;

}

(3)两种模式的比较

A:时间与空间

懒汉模式是典型的时间换空间,即每次在获取实例的时候,都要进行判断,是否需要创建实例,浪费时间。但,如果一直没有的时候,就不会创建实例,节省空间。

饿汉模式则是空间换时间,在类加载的时候就创建实例,每次调用的时候直接调用,不需要判断,节省时间,但如果一直没有被使用则会浪费内存空间。

B:线程安全

懒汉模式:不加同步的懒汉模式是线程不安全的。懒汉模式实现线程安全,加上Synchronized即可。

饿汉模式:是线程安全的,因为使用static,虚拟机只保证装载一次。

内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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