Java设计模式之策略模式的深入探究
2024-05-09 18:31:29
0浏览
收藏
哈喽!今天心血来潮给大家带来了《Java设计模式之策略模式的深入探究》,想必大家应该对文章都不陌生吧,那么阅读本文就都不会很困难,以下内容主要涉及到,若是你正在学习文章,千万别错过这篇文章~希望能帮助到你!
策略模式是一种设计模式,通过允许算法或行为独立于客户端对象而变化,从而实现算法或行为的动态改变。这种模式由 Context(上下文)、Strategy(策略)和 ConcreteStrategy(具体策略)等角色组成。在实战案例中,它可以帮助我们创建使用不同算法计算学生成绩的应用程序。策略模式的优点包括灵活性、解耦、可扩展性和可重用性。它适用于系统有多种执行任务方式、算法或行为需要在运行时动态改变以及需要避免客户端代码与算法或行为具体实现产生耦合的情况。

Java 设计模式之策略模式的深入探究
概述
策略模式是一种设计模式,它允许算法或行为独立于客户端对象而变化,从而使算法或行为可以在运行时互换。这种模式提供了灵活性,允许在不修改客户端代码的情况下动态改变应用程序的行为。
结构
策略模式通常由以下角色组成:
- Context(上下文):持有策略的引用并调用其执行方法。
- Strategy(策略):定义算法或行为的接口。
- ConcreteStrategy(具体策略):实现 Strategy 接口的具体算法或行为。
实战案例
考虑一个使用不同的算法来计算学生成绩的应用程序。我们可以使用策略模式来实现这种功能:
// Context (上下文)
public class StudentGradingContext {
private GradingStrategy strategy;
public StudentGradingContext(GradingStrategy strategy) {
this.strategy = strategy;
}
public double calculateGrade(double score) {
return strategy.calculateGrade(score);
}
}
// Strategy (策略)
public interface GradingStrategy {
double calculateGrade(double score);
}
// ConcreteStrategy (具体策略)
public class SimpleGradingStrategy implements GradingStrategy {
@Override
public double calculateGrade(double score) {
return score;
}
}
// ConcreteStrategy (具体策略)
public class WeightedGradingStrategy implements GradingStrategy {
private double weight;
public WeightedGradingStrategy(double weight) {
this.weight = weight;
}
@Override
public double calculateGrade(double score) {
return score * weight;
}
}
// Client (客户端)
public class Client {
public static void main(String[] args) {
StudentGradingContext context = new StudentGradingContext(new SimpleGradingStrategy());
double grade = context.calculateGrade(85.0);
System.out.println("Grade: " + grade);
context = new StudentGradingContext(new WeightedGradingStrategy(0.8));
grade = context.calculateGrade(90.0);
System.out.println("Weighted Grade: " + grade);
}
}输出:
Grade: 85.0 Weighted Grade: 72.0
优点
- 灵活性:允许动态改变算法或行为,而无需修改客户端代码。
- 解耦:将算法或行为与使用它们的客户端解耦。
- 可扩展性:易于添加新算法或行为,只需创建新的具体策略类即可。
- 可重用性:相同算法或行为可用于多个客户端。
使用场景:
- 当一个系统有多种执行任务的方式时。
- 当算法或行为必须在运行时动态改变时。
- 当需要避免客户端代码与算法或行为的具体实现产生耦合时。
今天带大家了解了的相关知识,希望对你有所帮助;关于文章的技术知识我们会一点点深入介绍,欢迎大家关注golang学习网公众号,一起学习编程~
Java设计模式基本概念问答
- 上一篇
- Java设计模式基本概念问答
- 下一篇
- 性能与散热双重突破:真我GT Neo6携第三代骁龙8s亮相 电竞王者归来
查看更多
最新文章
-
- 文章 · java教程 | 1天前 | Java · ServiceLoader module-info.java Java模块
- Java 模块服务加载的可选实现与回退路径
- 363浏览 收藏
-
- 文章 · java教程 | 1天前 |
- Java VarHandle 内存序选择与可见性验证
- 226浏览 收藏
-
- 文章 · java教程 | 1天前 |
- Java JFR 事件流定位短时延迟尖峰
- 213浏览 收藏
-
- 文章 · java教程 | 1天前 |
- Java Record 序列化兼容字段演进方案
- 483浏览 收藏
-
- 文章 · java教程 | 1天前 |
- Java ServiceLoader 隔离模块化插件实现
- 414浏览 收藏
-
- 文章 · java教程 | 1天前 |
- Java Pattern Matching switch 处理密封层级
- 189浏览 收藏
-
- 文章 · java教程 | 1天前 | Stream · Java教程 · java Stream Collector Collectors.teeing 统计汇总
- Java Collectors.teeing 汇总两条统计管道
- 385浏览 收藏
-
- 文章 · java教程 | 1天前 |
- Java Foreign Function Memory API 管理本地内存生命周期
- 385浏览 收藏
-
- 文章 · java教程 | 1天前 |
- Java StampedLock 乐观读校验失败的回退方式
- 165浏览 收藏
-
- 文章 · java教程 | 1天前 | 异常处理 · 并发编程 · Java教程 · StructuredTaskScope Java Structured Concurrency Joiner allUntil 子任务异常 聚合异常
- Java Structured Concurrency 汇总子任务异常
- 260浏览 收藏
-
- 文章 · java教程 | 1天前 |
- Java ForkJoinPool asyncMode 调整任务队列顺序
- 121浏览 收藏
查看更多
课程推荐
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
查看更多
AI推荐
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 431次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 508次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 522次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 464次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 292次使用
查看更多
相关文章
-
- Java try-with-resources 多个资源关闭顺序是什么
- 2026-09-10 501浏览
-
- 矩阵主副对角线快速定位技巧
- 2026-05-31 501浏览
-
- Java多态优化流程代码与行为分发改进
- 2026-05-26 501浏览
-
- JVM 类元数据双亲委派链表深度解析
- 2026-05-21 501浏览
-
- 反射异常处理:InvocationTargetException解析与应用
- 2026-05-16 501浏览

