Dating Java8系列之通过行为参数化传递代码

本文探讨了技术开发人员如何通过行为参数化和策略设计模式来应对需求的频繁变动,提出将过滤行为抽象为接口,以便灵活处理颜色和价格筛选,提高代码的灵活性和适应性。

翎野君/文

图片

图片

引言

作为技术开发人员,我们无法保证我们写出来的代码的可用时间和保质期,也许今天刚上线的一个功能,等到明天就因为需求变动不得不进行更改。

为什么会不断的变化

作为技术人员,我们当然希望需求能循序渐进地平稳过度,但往往事与愿违,对于其原因我简单总结为以下几点。

  • 用户导向,用户和市场是风向标,它们变了,你的代码就得变。

  • 写不出来自适应需求变动的代码,只得快速响应快速应对变化。

  • 开发人员无法保证跟你搭伙的产品经理的专业素养和业务能力。

典型的对话

聪明的产品经理跑到Apple官网研究最新款的苹果手机,看着看着脑袋里面就蹦出来了个需求,立刻向你提出他宝贵的idea。

1.我想看看颜色是深空灰色的手机有哪些?

这个功能很简单,你很快就给他开发完了,并且部署上线,双方都很满意。

但是第二天,他又冒出来另外一个想法。

2.我又想看看颜色是金色的手机有哪些?

第三天,又出来另外的想法。

3.价格大于8k的手机有哪些?

通过这个例子我们知道了,不要对产品经理抱有任何的幻想,在代码设计上我应该从需求层面进行更宏观的角度进行考量,对行为进行抽象,进行标准化建模。

图片

行为参数化

下面就让我们一起探究一下行为参数化吧

初始化手机列表

public static List<Phone> initPhoneList() {    List<Phone> phones = new ArrayList<>();    Phone phone1 = new Phone(1, "iPhone 11 Pro", "深空灰色", "64GB", 8699);    Phone phone2 = new Phone(2, "iPhone 11 Pro", "金色", "64GB", 8700);    Phone phone3 = new Phone(3, "iPhone 11 Pro Max", "银色", "64GB", 8900);    phones.add(phone1);    phones.add(phone2);    phones.add(phone3);    return phones;}
傻白甜式应对需求变化产品说列出深空灰颜色的手机:
public static List<Phone> filterGrayPhoneList(List<Phone> phoneList) {List<Phone> filteredPhones = new ArrayList<>();for (Phone phone : phoneList) {if ("深空灰色".equals(phone.getColor())) {            filteredPhones.add(phone);        }    }return filteredPhones;}
public static List<Phone> filterGoldenPhoneList(List<Phone> phoneList) {List<Phone> filteredPhones = new ArrayList<>();for (Phone phone : phoneList) {if ("金色".equals(phone.getColor())) {            filteredPhones.add(phone);        }    }return filteredPhones;}

产品又换了另外一个颜色,要你过滤,于是你终于受不了了对颜色这个属性进行提炼写下了下面的方法。

public static List<Phone> filterPhoneListByColor(List<Phone> phoneList, String color) {List<Phone> filteredPhones = new ArrayList<>();for (Phone phone : phoneList) {if (Objects.equals(color, phone.getColor())) {            filteredPhones.add(phone);        }    }return filteredPhones;}
public static List<Phone> filterPhoneListByColor(List<Phone> phoneList, int price) {List<Phone> filteredPhones = new ArrayList<>();for (Phone phone : phoneList) {if (phone.getPrice() > price) {            filteredPhones.add(phone);        }    }return filteredPhones;}

显然这种抽象方式有它的局限性,我们需要站在更高的层次再进行一次抽象。

经验老手的代码

让我们来想象一下“策略设计模式”,我们定义一个算法族,把它们封装起来(称为“策略”),然后在运行时选择一个算法。

过滤策略的算法族

public interface PhonePredicate {boolean test(Phone phone);}
策略接口:PhonePredicate
按颜色过滤的策略实现:PhoneColorPredicate按价格过滤的策略实现:PhonePricePredicate
public class PhoneColorPredicate implements PhonePredicate {@Overridepublic boolean test(Phone phone) {return "深空灰色".equals(phone.getColor());    }}public class PhonePricePredicate implements PhonePredicate {@Overridepublic boolean test(Phone phone) {return phone.getPrice() > 8000;    }}
然后我们需要创建一个filter方法接受PhonePredicate对象,在filter内部执行test()方法。
public static List<Phone> userPredicateImpl(List<Phone> phoneList, PhonePredicate phonePredicate) {List<Phone> filteredPhones = new ArrayList<>();for (Phone phone : phoneList) {if (phonePredicate.test(phone)) {            filteredPhones.add(phone);        }    }return filteredPhones;}
上面的这个方法,就完成了行为参数化要做的事情,把过滤这个动作看做一个行为,把这个行为用接口的形式进行参数化传递。
public static void main(String[] args) {    System.out.println("filter By Predicate : " + userPredicateImpl(initPhoneList(), new PhonePricePredicate()));    System.out.println("filter By 匿名类 : " + userPredicateImpl(initPhoneList(), new PhonePredicate() {        @Overridepublic boolean test(Phone phone) {return "暗夜绿色".equals(phone.getColor());        }    }));    System.out.println("filter By Lambda : " +            userPredicateImpl(initPhoneList(),                    (Phone phone) -> "暗夜绿色".equals(phone.getColor())            ));}
用行为参数化的方式传递代码可以让我们的代码更加的清晰专业,更能适应快速变化的需求。

图片

总结

  • 行为参数化,就是一个方法接受多个不同的行为作为参数,并在内部使用它们,完成不同行为的能力。  

  • 行为参数化可让代码更好地适应不断变化的要求,减轻开发的工作量。

作者:翎野君
博客:https://www.cnblogs.com/lingyejun/

本篇文章如有帮助到您,请给「翎野君」点个赞,感谢您的支持。

内容概要:本文档系统性地介绍了2024年最新提出的两种智能优化算法——青蒿素优化算法与霜冰优化算法(RIME)的原理、实现方法及其性能对比分析,并提供了完整的Matlab代码实现。文档不仅聚焦于核心算法的仿真与验证,还整合了大量前沿科研资源,涵盖微电网优化、风电功率预测、无人机三维路径规划、电动汽车调度、图像融合、负荷预测、通信信号处理、电力系统故障恢复等多个高价值应用场景。所有案例均基于Matlab/Simulink平台进行建模与仿真,强调算法在复杂工程系统中的实际应用能力,旨在为科研人员提供一套从理论到代码再到应用的完整复现体系。; 适合人群:具备一定编程基础和科研背景的研究生、高校教师及工程技术人员,尤其适合从事智能优化算法研究、新能源系统优化、自动化控制、电力系统调度、无人机导航与路径规划等相关领域的研究人员。; 使用场景及目标:①用于高水平学术论文的复现与创新性研究,提升科研效率与成果产出;②应用于复杂工程系统的建模仿真与智能优化设计,如多能互补系统调度、无人机避障路径规划、微电网能量管理等;③作为智能优化算法的教学与学习资料,深入理解现代元启发式算法的设计思想与实现机制。; 阅读建议:建议读者结合文档中提供的Matlab代码与Simulink仿真模型,按照目录结构循序渐进地学习与实践,优先选择与自身研究方向契合的案例进行代码复现,重点关注算法参数设置、收敛曲线分析与多算法对比实验部分,以全面提升算法应用与科研创新能力。
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