8.1 单例模式定义 8.2 单例模式的特点 8.3 单例的四大原则 8.4 实现单例模式的方式

8.1 单例模式定义

单例模式是一种创建型设计模式，它保证一个类只有一个实例，并提供了全局访问点来访问这个唯一实例。

8.2 单例模式的特点

- 单例类只有一个实例对象。
- 该单例对象必须由单例类自行创建。
- 单例类对外提供一个访问该单例的全局访问点。

8.3 单例的四大原则

- 单一职责原则：一个类只负责一个功能领域中的相应职责，不要试图将多个不同的职责耦合到同一个类中。
- 开闭原则：对修改关闭，对扩展开放。即在不修改单例类的代码的前提下，可以通过扩展单例类的子类来实现新的功能。
- 依赖倒置原则：高层模块不依赖低层模块，它们都应该依赖抽象。抽象不应该依赖细节，细节应该依赖抽象。
- 防止多线程环境下的多实例：可以使用线程锁等机制来控制在多线程环境下只能有一个实例。

8.4 实现单例模式的方式

- 饿汉式单例模式：在类被加载时就创建单例对象，线程安全，但可能浪费资源。
- 懒汉式单例模式：在第一次使用时才创建单例对象，可能存在线程安全问题，需要加锁控制。
- 双重检查锁单例模式：在懒汉式单例模式的基础上加入双重检查锁机制，可以在保证线程安全的同时减少锁的使用，提高效率。
- 静态内部类单例模式：利用静态内部类的特性，在加载外部类时不会加载内部类，可以实现懒汉式的延迟加载，同时保证线程安全。
- 枚举单例模式：枚举类型是线程安全的，并且只会装载一次，因此可以作为单例模式的实现方式。

相关问题

电流为10,12,14,16,18,20,22,24,26,28,30mA 时He-Ne激光器输出功率为5.0，6.1，6.5，6.9，7.7，8.0，8.1，8.2，8.2，8.3，8.4缪瓦，绘制二者的关系曲线并判断激光器的阈值电流

我们可以将电流与激光器输出功率之间的关系绘制成一个图表，其中x轴表示电流（mA），y轴表示输出功率（mW）。

import matplotlib.pyplot as plt

current = [10,12,14,16,18,20,22,24,26,28,30]
power = [5.0,6.1,6.5,6.9,7.7,8.0,8.1,8.2,8.2,8.3,8.4]

plt.plot(current, power)
plt.xlabel("Current (mA)")
plt.ylabel("Power (mW)")
plt.show()

运行上述代码将得到以下图表：


从图中可以看出，激光器的输出功率随着电流的增加而逐渐增加，并在电流约为18mA时开始迅速增加。因此，我们可以得出结论，激光器的阈值电流约为18mA。

problem=optimproblem("ObjectiveSense","max"); x = optimvar('x',4,10,'TYPE','integer','LowerBound',0,'UpperBound',1); c=[8.4 9.3 8.4 8.1 8.4 9.4 9.5 8.4 8.4 9.0; 8.7 8.4 8.1 8.7 9.0 8.7 8.4 8.8 8.4 8.11; 9.1 8.4 8.4 9.0 8.3 8.5 8.3 8.7 8.4 8.2; 8.7 8.9 9.5 8.4 9.4 8.4 8.4 8.2 9.3 9.1]; M=c.*x; problem.Objective=sum(sum(M)); problem.Constraints.con1=sum(x,2)<=6; b=nchoosek(sum(x),4); problem.Constraints.con2=b==4; d=setdiff(sum(x),b); problem.Constraints.con3=d<=3; x=solve(problem)

您的代码是一个使用MATLAB的优化工具箱进行整数线性规划的示例。根据您的代码，您定义了一个问题`problem`，目标是最大化`Objective`，其中包含一些变量和约束条件。

然而，您在最后一行的代码中尝试重新定义了变量`x`并求解问题。这样做是不正确的，因为您已经在之前的代码中定义了变量`x`和问题`problem`。您可以直接使用`solve`函数解决问题，而不需要重新定义变量。

以下是正确的代码：

problem = optimproblem("ObjectiveSense","max");
x = optimvar('x',4,10,'TYPE','integer','LowerBound',0,'UpperBound',1);
c = [8.4 9.3 8.4 8.1 8.4 9.4 9.5 8.4 8.4 9.0;
    8.7 8.4 8.1 8.7 9.0 8.7 8.4 8.8 8.4 8.11;
    9.1 8.4 8.4 9.0 8.3 8.5 8.3 8.7 8.4 8.2;
    8.7 8.9 9.5 8.4 9.4 8.4 8.4 8.2 9.3 9.1];
M = c.*x;
problem.Objective = sum(sum(M));
problem.Constraints.con1 = sum(x,2) <= 6;
b = nchoosek(sum(x),4);
problem.Constraints.con2 = b == 4;
d = setdiff(sum(x),b);
problem.Constraints.con3 = d <= 3;

x_solution = solve(problem);

在这段代码中，我将求解的结果存储在了`x_solution`变量中。您可以通过访问`x_solution.x`来获取最优解的值。请注意，您可能需要根据您的实际问题进行适当的修改和调整。