观察者模式

本文介绍了一个简单的观察者模式实现案例,通过一个自定义的MyObservable类继承Java的Observable类,并结合自定义的观察者类MyObserver来展示如何使用观察者模式进行对象间的解耦通信。演示了当被观察对象的状态发生改变时,如何通知所有已注册的观察者并传递状态变化信息。
1.在一个extends Observable类的类中需要调用this.setChanged();方法,
还得调用this.notifyObservers(arg);可以带参数,也可以不带,会执行实现了Observer接口update(Observable o,Object obj)方法,在这个方法中可以获取arg参数.(一个类的执行会引起另一个类的执行)
public class MyObservable extends Observable {
 Integer i;
 public void set(Integer i){
  this.i=i;
  this.setChanged();
 }
 
 public void testChange(){
  //设置对象已改变
  this.setChanged();
 // set(Integer.valueOf(8));
  //通知观察者
 // this.notifyObservers(i);
  this.notifyObservers("猪肉涨价了");
 
  System.out.println("世道变了!!");
 }
 
 
 public static void main(String [] args){
 
 
  MyObservable observable = new MyObservable();
 
  MyObserver observer = new MyObserver();
  MyObserver observer2 = new MyObserver();
  //注册观察者
  observable.addObserver(observer);
  observable.addObserver(observer2);
 
  observable.testChange();
 }
}
import java.util.Observable;
import java.util.Observer;
public class MyObserver implements Observer {
 public void update(Observable o, Object arg) {//只要改变了 observable 对象就调用此方法。
  System.out.println( "观察者观察到:::" +(String)arg);
 }
}
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