对“银行业务调度系统模拟实现”的一点改进

之前的银行业务调度处理一文,写的比较的简单,实际上,其中存在着不少不够“OO”的问题,今天,我们看看要如何的改进

以客户的需求变更为例:

1、银行需要增加一个“理财金窗口”与之对应的就有一个理财金客户

2、理财金客户和VIP客户在办理业务的时候,需要输入他的VIp编码

3、所有的客户办理完业务之后,需要按“满意、不满意”按钮对本次业务进行评价。

 

好吧,我承认,客户的需求变更应该是世界上最令程序员讨厌的事了,记得好像看过一本书,大概的说法是这样的:世界上只有两种软件的程序员没有改过他的软件,一种是这个软件的作者已经死了,一种是这个软件的作者正在去见客户,准备改动他的软件。深以为然。

上次的程序面对这次需求变更,会有什么问题呢?
1、现在的客户Customer已经不仅仅是数据的载体了,它更像一个类,是数据和行为的集合,ok,我们必须也像Employee一样,弄个Customer“家族”出来,不同的Customer有不同的行为
2、Bank类中的三个队列不够用了,我们需要四个,也许哪天需要五个,六个,每次的改动我们都必须修改Bank类,违反了面向对象的Open-Close原则,不能简单地用static声明几个变量就行
3、实际办理业务的时候,有的客户需要输入他的Vip编码,有的不用,客户现在增加了都要评价业务的动作,也许未来还会需要增加办理业务前,客户先做20个俯卧撑(-_-b)

原来的这段代码,就需要改动了
   if (currentCustomer != null)//为客户办理业务
                {
                    Info.AddBeginBusinessInfo(this, currentCustomer);
                    Thread.Sleep(currentCustomer.BusinessTime);
                    Info.AddEndBusinessInfo(this, currentCustomer);
                }

4、Info记录如果需要记录到数据库呢?


一步步来,首先做简单的,第1步和第3步,重新修改Customer和Employee,当然,作为简单工厂的生产方法,不可避免地需要修改

对窗口Employee的业务办理就可以

这里头BeginBusiness和OnBusiness方法可以看成是一个“钩子”,在模板方法中常用

普通情况下,可以像Customer类一样,一个空方法,什么都不做,也可以在子类中重写

 

 

至于第2步
对于bank类中的数据,3个队列变成4个队列,变化的是数据的长度,改用集合,把访问集合的方法GetNormal、GetVIP等统一成一个方法GetCustomer,由外界传递标示,以决定在哪个队列中获取数据,至于标示,“约定胜于配置”,统一使用“Normal、VIP、Money、Quick”即可,窗口员工Employee也使用相同的标示访问队列,这样窗口只要剩一个Employee类就可以了,所有的窗口统一都利用一样的逻辑来访问不同队列,当然,顺序从外部传递.

 

 

窗口Employee统一改为

 

初始化时由外界传入客户的种类和窗口种类

 

 

 

第4步的要求很容易解决,在Info类中维护一个ILoger抽象,输出到屏幕或是输出到文件、输出到数据库,只需要传入不同的ILoger实例即可

 

 

 

这个例子因为要模拟客户的加入取号和窗口业务,因此复杂了些,实际的项目因为不需要考虑多线程生产客户和窗口的死循环获取客户,要简单的多,不过要注意的还是蛮多的

1、在系统中,哪些是经常变化的,或者是可能变化的

2、设计模式很多时候是解决需求变化的良药,但是有时,简单的约定也可以做得到

3、多线程编程时,线程冲突是个问题,写自己的类时,要注意写一个“线程安全”的类,也许哪天,它的方法有可能在多线程环境下调用

 

最后,同一个系统,可能有多种解决方法,不求最优,只要能完成任务即可。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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