循环任务切换器 CircleTaskSwitcher -- ESBasic 可复用的.NET类库(06)

 1.缘起:

    假设我的订单处理系统有这样的需求:将一天24小时分为4个时段,凌晨2:158:30采用A类型的处理器处理接收到的订单,8:3014:00采用B类型的处理器,14:0020:00采用C类型的处理器,20:00到第二天凌晨2:15采用D类型的处理器。

    即我们的订单处理器需要在任一天的2:158:3014:0020:00这四个时刻发生切换,这就是一个循环切换器所要做的工作。

    我设计了ESBasic.Threading.Application. ICircleTaskSwitcher(循环任务切换器)来对上述例子所要求的切换器进行抽象。ICircleTaskSwitcher会在需要切换的时间点触发事件,通知预订者要切换到哪个处理器(或任务)。

      循环任务切换器的形象示意图如下:
      
 

2.适用场合:

     如果满足以下条件,则可以使用ICircleTaskSwitcher

(1)循环的周期是一天。

(2)将一天切分为N个(N>=2)连续的时间段。

(3)需要在每个时间段的起始进行切换任务。

 

3.设计思想与实现

       ICircleTaskSwitcher的设计思路是这样的:

(1)我们可以使用前面介绍的ShortTime来记录每个发生任务切换的时间点。

(2)使用前面介绍的Circle来将所有切换的时间点组成一个“圈”,这样便可循环地取到下一个切换时刻。

(3)我们可以使用循环引擎AgileCycleEngine来对是否到达某个切换时间点进行检测。

(4)使用泛型参数来抽象切换的任务的类型。

(5)使用事件通知预订者切换时刻的到来。

ICircleTaskSwitcher的接口定义如下:

 

 

    public   interface   ICircleTaskSwitcher < TTask >
    {
        
///   <summary>
        
///  TaskDictionary key为任务的起始点(hour),value为对应的任务。
        
///   </summary>
         IDictionary < ShortTime , TTask >  TaskDictionary {  get set ; }

        TTask CurrentTask { 
get ; }

        
void  Initialize();
       
        
///   <summary>
        
///  TaskSwitched 当任务发生切换时,触发此事件,事件参数为刚得到控制权的任务。
        
///   </summary>
         event   CbGeneric < TTask >  TaskSwitched;
    }

    

接口的泛型参数TTask代表任务的类型,比如缘起的例子中,该参数可以采用订单处理器接口的类型。

     TaskDictionary属性的键值即是每个切换的时间点,字典的值表示从切换时刻开始要进行的具体任务。

    当切换时刻来到时,TaskSwitched事件将被触发,事件的参数表示从该时刻起要执行的任务对象。

    关于CircleTaskSwitcher的实现要注意以下几点:

(1)Initialize方法主要做了三件事情:一是将N个切换时间点按照从小到大的顺序进行排序(因为TaskDictionary的键不一定是有序的),然后赋值给Circle,这样才能做有序的循环;二是找到当前时间所位于的时间段(因为我们可能在任何时刻启动切换器),并设置正确的当前任务;最后就初始化并启动循环引擎。

(2)在循环引擎的检测方法EngineAction中,我们首先判断是否到达了下一个切换时间点,如果是,则触发切换事件。

CircleTaskSwitcher的源码我们看到,在有了我们前面章节介绍的CircleShortTimeAgileCycleEngine等可复用类的帮助下,CircleTaskSwitcher的实现真是相当的简洁和简单,并且每个类的概念也非常的清晰。这也就是可复用类所带来的好处的一个证明吧。

 

4. 使用时的注意事项

(1)由于循环引擎的检测时间间隔是1秒――这也是循环引擎能设置的最小检测时间间隔,所以,切换时刻不是非常精确,最多时会有1秒的误差。

(2)关于TTask泛型参数,在具体应用中,不一定非得是某个像订单处理器那样的引用类型。比如,我们希望在不同的时间段,给出的商品折扣不一样,那么,TTask完全可以是float,用来记录每个时间段具体的折扣值。
 

5.扩展

循环任务切换器ICircleTaskSwitcher暂时没有任何扩展。


注: ESBasic已经开源,点击这里下载源码。
   
ESBasic开源前言

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