设计模式之工厂方法模式和抽象工厂模式

定义:定义了一个创建对象的接口,但由子类决定要实例化的类是哪一个。工厂方法把实例化推迟到子类。

用户只需要关心生产相应对象的工厂(符合单一职能原则)每个产品由相对应的工厂生产,无需关心创建细节,而且加入新的产品符合开闭原则。

来个类图

工厂方法模式示例代码

//抽象的产品接口
public interface ICourse {

    public void record();
}


public class JavaCourse implements ICourse {
    @Override
    public void record() {
        System.out.println(" 我是Java课程 ");
    }
}

public class PythonCourse implements ICourse {
    @Override
    public void record() {
        System.out.println(" 我是Python课程 ");
    }
}



//抽象工厂只有生产共同抽象接口的产品
public interface ICourseFactory {

    public ICourse create();
}


public class JavaCourseFactory implements ICourseFactory{
    @Override
    public ICourse create() {
        return new JavaCourse();
    }
}


public class PythonFactory implements ICourseFactory {
    @Override
    public ICourse create() {
        return new PythonCourse();
    }
}

工厂方法模式的UML:

 

工厂方法模式适用场景:

  1. 创建对象需要大量重复代码
  2. 客户端(应用层)不依赖于产品类实例如何被创建,实现等细节
  3. 一个类通过其子类来指定创建那个对象

缺点:

  1. 类的个数多,增加复杂度
  2. 增加了系统的抽象性和理解难度

框架中的应用

  • logback 中工厂方法模式的应用

 


抽象工厂定义:提供一个接口,将一系列的产品族统一到一起创建,而不需要明确指定具体类。有时候我们希望一个工厂可以提供多个产品对象。

先理解两个概念

  • 产品族:是指由同一个工厂生产的,位于不同产品等级结构中的一组产品
  • 产品等级:产品等级结构即产品的继承结构

还用上篇文章工厂方法模式中例子,现在不仅要录视频还要手记,如Java手记、Python手记等,要是按照工厂模式,需要创建Java手记类、python手记类、Java手记工厂、python 手记工厂、手记工厂类,很容易发生类爆炸情况。其中Java视频、python 视频是一个产品等级都是视频,Java手记、python手记又是一个产品等级,Java视频和Java手记是同一产品族

示例代码

//抽象的视频产品
public abstract class Video {

    public abstract void produce();
}

public abstract class Article {
    public abstract void produce();
}


public class JavaVideo extends Video {
    @Override
    public void produce() {

        System.out.println("我是Java视频");
    }
}


public class JavaArticle extends Article {
    @Override
    public void produce() {

        System.out.println("我是Java文章");
    }
}

public class PythonVideo extends Video {
    @Override
    public void produce() {

        System.out.println("我是python视频");
    }
}

public class PythonArticle extends Article {
    @Override
    public void produce() {

        System.out.println("我是PythonArticle文章");
    }
}




//定义工厂

public interface CourseFactory {

    public Article getArticle();
    public Video getVideo();
}

public class JavaFactory implements CourseFactory{
    @Override
    public Article getArticle() {
        return new JavaArticle();
    }

    @Override
    public Video getVideo() {
        return new JavaVideo();
    }
}


public class PythonFactory implements CourseFactory{
    @Override
    public Article getArticle() {
        return new PythonArticle();
    }

    @Override
    public Video getVideo() {
        return new PythonVideo();
    }
}



//测试
public class AbstractFactoryTest {
    public static void main(String[] args) {
        CourseFactory javaFactory = new JavaFactory();
        CourseFactory pythonFactory = new PythonFactory();
        javaFactory.getVideo();
        pythonFactory.getArticle();
    }
}

 

在来一个升级版抽象工厂的类图

抽象工厂模式UML

是时候总结一把了:工厂方法用继承创建对象,而抽象工厂通过对象的组合来创建。抽象工厂完美利用了依赖倒置原则,指导我们避免依赖具体类型

 当系统所提供的工厂生产的具体产品并不是一个简单的对象,而是多个位于不同产品等级结构、属于不同类型的具体产品时就可以使用抽象工厂模式。抽象工厂模式是所有形式的工厂模式中最为抽象和最具一般性的一种形式。抽象工厂模式与工厂方法模式最大的区别在于,工厂方法模式针对的是一个产品等级结构,而抽象工厂模式需要面对多个产品等级结构,一个工厂等级结构可以负责多个不同产品等级结构中的产品对象的创建。当一个工厂等级结构可以创建出分属于不同产品等级结构的一个产品族中的所有对象时,抽象工厂模式比工厂方法模式更为简单、更有效率

几个指导方针

  1. 变量不可以持有具体类的引用
  2. 不要让类派生具体类
  3. 不要覆盖基类中实现的方法
内容概要:本文围绕面向光储充一体化社区的电动汽车有序充电双层优化策略展开研究,提出了一种结合上层系统优化与下层用户优化的协同调度模型。上层以削峰填谷、降低电网购电成本为目标,优化光储系统与电动汽车的整体充放电行为;下层则聚焦于最小化用户个体充电费用,提升用户参与积极性。通过Matlab平台实现模型求解,融合智能优化算法对光伏发电的随机性、负荷波动及用户充电需求多样性进行建模与协同调度,有效提升了可再生能源的就地消纳能力,减小了电网峰谷差。研究还引入虚拟储能、需求响应等机制,增强了系统的灵活性与经济性,为社区级综合能源系统的优化运行提供了理论依据与技术路径。; 适合人群:具备电力系统分析、优化建模及Matlab编程基础的科研人员,尤其适用于从事微电网、综合能源系统、电动汽车调度、需求响应等领域研究的研究生、高校教师及工程技术人员。; 使用场景及目标:①应用于光储充一体化社区能量管理系统的设计与运行优化;②为实现电动汽车有序充电、提升分布式能源利用率、降低电网运行压力提供解决方案;③服务于双层优化模型的学习与复现,深化对主从博弈、分布式优化等高级建模方法的理解与应用。; 阅读建议:建议读者结合提供的Matlab代码深入剖析模型构建细节,重点关注上下层目标函数的耦合关系、约束条件的数学表达以及求解算法的实现流程,同时可参考文中涉及的智能优化算法与其他综合能源案例,拓展实际科研与工程应用思路。
内容概要:本文研究基于TCN-GRU-Attention混合深度学习模型的风电功率预测方法,采用多变量输入实现单步预测,利用Matlab代码进行仿真分析。该模型充分融合时间卷积网络(TCN)在局部与长期依赖建模方面的优势、门控循环单元(GRU)对动态时序特征的捕捉能力,以及注意力(Attention)机制对关键时间步输入变量的自适应加权聚焦,从而有效提升风电功率预测的精度与鲁棒性。研究涵盖数据预处理、模型构建、参数调优及结果评估全过程,特别适用于处理具有高度随机性、间歇性非平稳性的风能出力数据。; 适合人群:具备一定机器学习深度学习理论基础,从事新能源发电预测、电力系统调度、智能算法开发等相关领域的科研人员及工程技术人员,尤其适合电气工程、自动化、计算机等专业的研究生从事风电场运行管理与预测系统开发的从业人员。; 使用场景及目标:①应用于风电场实际运行中的短期功率预测系统,为电网调度、电力交易储能配置提供高精度数据支持;②作为学术研究参考资料,深入理解TCN、GRU与Attention模块的协同机制及其在时序预测任务中的集成方法;③帮助开发者掌握基于Matlab平台的深度学习模型搭建、训练与验证流程,实现端到端的风电功率预测解决方案。; 阅读建议:建议读者结合提供的Matlab代码逐模块分析实现细节,重点关注多变量标准化处理、网络结构设计、注意力权重可视化及预测误差分析部分,同时可通过更换真实风电场数据集或调整模型超参数来进一步验证模型的泛化性能与稳定性。
评论 1
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