银行业务调度系统


面向对象的分析与设计

 

需求 : 有三种类型的客户:VIP客户,普通客户,快速客户,异步随机生成各种类型的客户,各种类型客户在其对应窗口按顺序依次办理业务。

          号码管理器对象,让这个对象不断地产生号码,就等于随机生成了客户。

          由于有三类客户,每类客户的号码编排都是完全独立的,所以,想到本系统一共要产生三个号码管理器对象,各自管理一类用户的排队号码。

          这三个号码管理器对象统一由一个号码机器进行管理,这个号码机器在整个系统中只能有一个,所以,它要被设计成单例。

          各类型客户在其对应的窗口依次办理业务,准确地说,应该是窗口依次叫号。

          各个窗口怎么知道应该叫哪一个号呢?他一定是问相应的号码管理器,即服务窗口每次找号码管理器获取当前要被服务的号码。

各类关系如下

             https://img-my.csdn.net/uploads/201208/23/1345720966_1576.jpg

NumberMachine

定义得到号码管理器对象的功能,因为号码生成器只有一个,使用单例设计模式。

NumberManager

实现取号功能,将号码加入队列中;

如果队列中号码个数大于零,则取出队列中的第一个。因为是多线程,加synchronized

ServiceWindow

定义开始方法,定义一个进程池,根据不同的客户执行不同的服务代码

普通客户服务代码,获取对象,如果有对象,为其服务,结束后,再次调用方法,如果没有,先休息一秒钟,再获取对象

快速客户服务代码,获取对象,如果有对象,为其服务,结束后,再次调用方法,如果没有对象,获取普通客户对象,为普通客户服务,服务时间固定为一秒

VIP客户服务代码,获取对象,如果有对象,为其服务,结束后,再次调用方法,如果没有对象,获取普通客户对象,为普通客户服务

将程序中用到的常量在单独的类中定义,单独定义一个枚举类,存放客户类型,并复写toString()方法。

MainClass类:

按照题目要求,生成4个普通窗口,1个快速窗口,1VIP窗口,调用窗口的start()方法,开始获取相应客户,获取相应客户后为之服务。

建立线程池,按照客户比例设置相应的定时器间隔来生成客户。

---------------ServiceWindow---------------


packageBankDispatchSystem;

importjava.util.Random;
importjava.util.concurrent.Executors;

publicclass ServiceWindow {

    private CustomerType type =CustomerType.COMMON;
    private int windowId = 1;

    public void setType(CustomerType type) {

       this.type = type;

    }
    public void setWindowId(int windowId) {

       this.windowId = windowId;

    }
    public void start(){

       Executors.newSingleThreadExecutor().execute(newRunnable(){

           public void run(){

              while(true)

              {

                  switch(type)

                  {

                  case COMMON:

                     commonService();

                     break;

                  case EXPRESS:

                     expressService();

                     break;

                  case VIP:

                     vipService();

                     break;

                  }

              }

           }

});

    }
           private void commonService() {

              String windowName="第"+windowId+type+"窗口";/

//此处使用type,而不固定为普通,因为快速窗口及VIP窗口会调用该方法

              Integer number =NumberMachine.getInstance().getCommonManager().fetchServiceNumber();

              System.out.println(windowName+"正在获取任务");

              if(number!= null)

              {

                  System.out.println(windowName+"为第"+number+"个普通客户服务");

                  long beginTime = System.currentTimeMillis();

                  int maxRand =Constants.MAX_SERVICE_TIME-Constants.MIN_SERVICE_TIME;

                  long serveTime = newRandom().nextInt(maxRand)+1+Constants.MIN_SERVICE_TIME;

                  try {

                     Thread.sleep(serveTime);

                  } catch (Exception e) {

                     e.printStackTrace();

                  }

                  int costTime=(int)(System.currentTimeMillis()-beginTime)/1000;

                  System.out.println(windowName+"为第"+number+"个普通客户完成服务,耗时"+costTime+"秒");

              }

              else{

                  System.out.println(windowName+"没有取到服务任务,先休息一秒钟嘛");

                  try {

                     Thread.sleep(1000);

                  } catch (Exception e) {

                     e.printStackTrace();

                  }

              }

           }

           private void expressService() {

              String windowName="第"+windowId+"号"+type+"窗口";

              Integer number =NumberMachine.getInstance().getExpressManager().fetchServiceNumber();

              System.out.println(windowName+"正在获取任务");

              if(number!= null)

              {

                  System.out.println(windowName+"为第"+number+"个"+type+"客户服务");

                  long beginTime = System.currentTimeMillis();

                  try {

                     Thread.sleep(Constants.MIN_SERVICE_TIME);

                  } catch (Exception e) {

                     e.printStackTrace();

                  }

                  int costTime=(int)(System.currentTimeMillis()-beginTime)/1000;

                  System.out.println(windowName+"为第"+number+"个"+type+"客户完成服务,耗时"+costTime+"秒");

              }

              else{

                  System.out.println(windowName+"没有取到服务任务");

                  commonService();

                  }

              }

           private void vipService() {

              String windowName="第"+windowId+"号"+type+"窗口";

              Integer number = NumberMachine.getInstance().getVipManager().fetchServiceNumber();

              System.out.println(windowName +"正在获取任务");

              if(number!= null)

              {

                  System.out.println(windowName+"为第"+number+"个"+type+"客户服务");

                  long beginTime =System.currentTimeMillis();

                  int maxRand =Constants.MAX_SERVICE_TIME-Constants.MIN_SERVICE_TIME;

                  long serveTime = newRandom().nextInt(maxRand)+1+Constants.MIN_SERVICE_TIME;

                  try {

                     Thread.sleep(serveTime);

                  } catch (Exception e) {

                     e.printStackTrace();

                  }

                  int costTime=(int)(System.currentTimeMillis()-beginTime)/1000;

                  System.out.println(windowName+"为第"+number+"个"+type+"客户完成服务,耗时"+costTime+"秒");

              }

              else{

                  System.out.println(windowName+"没有取到服务任务");

                  commonService();

              }

              }

           }

--------------------MainClass_Bank--------------------

packageBankDispatchSystem;

importjava.util.concurrent.Executors;
importjava.util.concurrent.TimeUnit;

publicclass MainClass_Bank {
    public static void main(String[] args) {

       for(int i=1;i<5;i++)

       {
           ServiceWindow commonWindow = newServiceWindow();

           commonWindow.setWindowId(i);
           commonWindow.start();

       }
       ServiceWindow expressWindow = newServiceWindow();
       expressWindow.setType(CustomerType.EXPRESS);
       expressWindow.start();
       ServiceWindow vipWindow = newServiceWindow();
       vipWindow.setType(CustomerType.VIP);
       vipWindow.start();
       Executors.newScheduledThreadPool(1).scheduleAtFixedRate(newRunnable(){
           public void run()
           {
              Integer number =NumberMachine.getInstance().getCommonManager().generateNewManager();
               System.out.println(number+"号普通客户等待服务");

           }
       },
       0,
       Constants.COMMON_CUSTOMER_INTERVAL_TIME,
       TimeUnit.SECONDS);
       //使用定时器产生普通客户,快速客户及VIP客户    Executors.newScheduledThreadPool(1).scheduleAtFixedRate(newRunnable(){

           public void run()
           {
              Integer number = NumberMachine.getInstance().getExpressManager().generateNewManager();

              System.out.println(number+ "号快速客户等待服务");

           }
       },
       0,
       Constants.COMMON_CUSTOMER_INTERVAL_TIME*2,

       TimeUnit.SECONDS);
       Executors.newScheduledThreadPool(1).scheduleAtFixedRate(newRunnable(){

           public void run()

           {

              Integer number =NumberMachine.getInstance().getVipManager().generateNewManager();

              System.out.println(number+ "号VIP客户等待服务");

           }
       },
       0,
       Constants.COMMON_CUSTOMER_INTERVAL_TIME*6,

       TimeUnit.SECONDS);
    }
}

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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