跳到主要內容

設計模式-Stragety (策略)

當你有很多計算方法,通常會將所以計算法則寫在同一個類別,但是當有新的演算法要加入時,你必須修改原來的程式,這種方式容易造成維護成本較高,如果把這些演算法抽離出來,提供統一個介面去實作,不僅擴充性高、可維護性也不錯。我們稱為策略模式

github: https://github.com/blackbryant/designpattern/tree/master/java/src/design/stragety

策略模式定義

策略模式將多個演算法則定義一個介面,並把每個演算法封裝,方便擴展和使用

策略模式用法

  1. 多個處理方法或演算法(例如排序: 選擇排序、泡沫排序、插入排序) 2.業務邏輯中有類似行為但是使用的方法不同

策略模式例子

我們利用進銷存拋帳為例子,當銷售作業、入庫作業、退貨作業都需要拋帳時,我們可以做一個共同介面為TradeStragety讓各作業來實作拋帳規則。因為對各作業拋帳是共同一個行為,但是實作方法不同。

  • 首先定義一個拋帳介面,當入庫、銷售和退貨當完成程序時,會將做最後帳務拋轉。
    /**
     *  Name: TradeStragety.java
     * Description :  拋帳策略模式-介面
     * Created by bryant on 2017/1/14.
     */
    public interface TradeStragety {
        //拋帳
        public boolean doTrade();
    }


  • 銷售拋障實作TradeStragety介面來完成拋帳
    /**
     *  Name: SaleTradeStragety.java
     * Description :  銷售拋帳
     * Created by bryant on 2017/1/14.
     */
    public class SaleTradeStragety implements  TradeStragety{
        @Override
        public boolean doTrade() {
            System.out.println("銷售拋帳成功");
            return true;
        }
    }


  • 入庫拋帳實作TradeStragety介面來完成拋帳
    /**
     *  Name: EnterTradeStragety.java
     * Description :  入庫拋帳
     * Created by bryant on 2017/1/14.
     */
    public class EnterTradeStragety implements  TradeStragety{
        @Override
        public boolean doTrade() {
            System.out.println("入庫拋帳成功");
            return true;
        }
    }


  • 退貨拋帳實作TradeStragety介面來完成拋帳
    /**
     *  Name: ReturnTradeStragety.java
     * Description :  退貨拋帳
     * Created by bryant on 2017/1/14.
     */
    public class ReturnTradeStragety implements  TradeStragety{
        @Override
        public boolean doTrade() {
            System.out.println("退貨拋帳成功");
            return true;
        }
    }


  • 策略模式Demo
    /**
     *  Name: TradeStragetyDemo.java
     * Description : 策略模式-Demo
     * Created by bryant on 2017/1/14.
     */
    public class TradeStragetyDemo {
        private TradeStragety tradeStragety ;
        public TradeStragetyDemo(TradeStragety tradeStragety){
            this.tradeStragety = tradeStragety  ;
        }

        public  void doTrade(){
             this.tradeStragety.doTrade();
        }

        public static void main(String[] args){
            TradeStragetyDemo saleDemo = new  TradeStragetyDemo(new SaleTradeStragety());
            saleDemo.doTrade();
            TradeStragetyDemo returnDemo = new  TradeStragetyDemo(new ReturnTradeStragety());
            returnDemo.doTrade();
        }
    }

留言

這個網誌中的熱門文章

JavaBean 和POJO

前言 今天介紹JavaBean和POJO的不同,這兩個名詞在JAVA文章常常被拿來使用以及討論。在JDK1.1時候釋出才有的一個標準架構,很多時候常常被搞混,所以我們特別開闢一章來加以討論。POJO規範在企業級應用已經廣大的被使用的規範。 解釋 POJO : 全名為Plain-old-Java-object,只需要繼承Object就可以,沒有特定規定,只要建立的類別有setter/getter方法都可以稱為POJO JavaBean: JavaBean通常用來封裝多個物件成為單獨物件使用,規範比較嚴格,規則如下 規則 說明 1 需要實作序列(Serializable/Externalizable) 2 不能有參數的建構子( no-arg constructor) 3 需要有公用setter/getter 4 屬性必須要私人(private) 5 屬於特定POJO規則 比較 所有的JavaBean都為POJO,但是所有的POJO不一定為JavaBean 都可以當作重複元件 都必須序列化 特性都為可用性、易用性和持久化使用 - 應用 由圖我們可以知道POJO在應用程式中,主要用來存取資料庫資料達到持久化的目的,並提供給商業邏輯流程處理使用。這種POJO的架構提供程式人員開發時的可以很有規則將資料封裝並加以使用。 範例1. JavaBean(以員工為實例) JavaBean建立員工物件,可以發現Employee物件建構子沒有任何參數,屬性為私有化並setter/getter的命名方式。 //實作序列化 public class Employee implements java.io.Serializable{ private int id; private String name; //無參數建構子 public Employee(){} //以下實作setter/getter public void setId(int id){this.id=id;} public int getId(){return id;} public void setName(String ...

Python AI-問題集

Python AI-問題集 問題集 Jupyter Notebook執行ipywidgets會出現kernel死掉的錯誤發生(The kernel appears to have died) 解決方法 (1) 根據log檔來判斷問題: 例如:log訊息出現OMP: Error #15: Initializing libiomp5.dylib, but found libiomp5.dylib already initialized. (2) 根據問題關鍵字找出問題所在: 利用google查詢所遭遇到的問題,例如我把上面的問題上google查詢可以找到這篇的解法 https://blog.csdn.net/bingjianIT/article/details/86182096 (3)實作解法: 我實作下面解法後,就可以順利執行手寫辨識的程式. //在Python宣告時加入 import os os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE" 參考 https://blog.csdn.net/bingjianIT/article/details/86182096

淺談機器學習原理-Nonlinear Transform

Nonlinear Transform 淺談機器學習原理-Nonlinear Transform Nonlinear Transform *通用能力 gerneralization : 就是將訓練好的模型,放到正式環境可以正常的運作,通常Linear Model的gerneralization會比較好,因為線性模型解決的問題比較單純。缺點是應用侷限比較大。 參考Chih-Chung Chang老師的範例:縣性與非線性分類範例 https://www.csie.ntu.edu.tw/~cjlin/libsvm/ 非線性問題 當如果今天假設要圈出裡面小圈圈的資料,我們就無法使用線性的模型,我們可以用非線性解像圈圈的方程式 s i g n ( − x 1 2 − x 2 2 + r ) sign(-x1^2-x2^2+r) s i g n ( − x 1 2 − x 2 2 + r ) 來解決,在演算法我們利用reduce來將不會的問題透過已知的問題來解決,所以在這個問題 我們將圈圈的方程式(非線性模型)reduce成線性模型來解決。 Reduce 方法論 我們調整圓形的方程式改為 z 0 z_0 z 0 ​ , z 1 z_1 z 1 ​ , z 2 z_2 z 2 ​ 來轉換線性方程式, { ( x n , y n ) } \{{(x_n,y_n)}\} { ( x n ​ , y n ​ ) } => { ( z n , y n ) } \{{(z_n,y_n)}\} { ( z n ​ , y n ​ ) } 在這空間資料中只要能找線,就可將不同的分類區分,圖中可以線性可以線去做分類。 透過向量方式來轉換成線性方程式 我們找到一個方式將非線性資料X透過向量轉換為Z後,希望透過線性方程式方式來學習,得到正解。 當我們Nonlinear transform轉換成線性方程式,當有新的資料進來我們無法使用invertiable(逆向工程)的方式去轉回非線...