享元模式是一种结构型设计模式,它通过共享对象来最小化内存使用或计算开销。这种模式适用于大量相似对象的情况,通过共享这些对象的公共部分来减少资源消耗。

基本概念

享元模式的核心思想是将对象的内在状态(不变的部分)和外在状态(变化的部分)分离:

  • 内在状态(Intrinsic State):存储在享元内部,可以被多个对象共享,独立于具体场景

  • 外在状态(Extrinsic State):取决于具体场景,通常由客户端保存或计算

实现示例

下面是一个简单的享元模式实现示例,模拟文本编辑器中的字符处理:

#include <iostream>
#include <string>
#include <unordered_map>// 享元类 - 表示字符及其内在状态(字体、大小等)
class Character {
public:Character(char symbol, const std::string& font, int size): symbol_(symbol), font_(font), size_(size) {}void display(int position) const {std::cout << "Character: " << symbol_ << ", Font: " << font_<< ", Size: " << size_<< ", Position: " << position << std::endl;}private:char symbol_;std::string font_;int size_;
};// 享元工厂 - 创建和管理享元对象
class CharacterFactory {
public:Character* getCharacter(char key, const std::string& font, int size) {// 使用组合键来唯一标识享元对象std::string compositeKey = std::string(1, key) + "_" + font + "_" + std::to_string(size);if (characters_.find(compositeKey) == characters_.end()) {characters_[compositeKey] = new Character(key, font, size);}return characters_[compositeKey];}~CharacterFactory() {for (auto& pair : characters_) {delete pair.second;}}private:std::unordered_map<std::string, Character*> characters_;
};// 客户端代码
int main() {CharacterFactory factory;// 文档中的字符及其位置std::string text = "Hello, World!";for (size_t i = 0; i < text.size(); ++i) {char c = text[i];// 假设所有字符使用相同的字体和大小Character* character = factory.getCharacter(c, "Arial", 12);character->display(i); // 位置是外在状态,由客户端提供}return 0;
}

UML结构 

 

享元模式的组成

  1. Flyweight(享元接口):定义享元对象的接口

  2. ConcreteFlyweight(具体享元):实现享元接口,存储内在状态

  3. UnsharedConcreteFlyweight(非共享具体享元):不需要共享的享元实现

  4. FlyweightFactory(享元工厂):创建和管理享元对象,确保合理共享

  5. Client(客户端):维护对享元的引用,计算或存储外在状态

适用场景

  • 一个应用程序使用了大量相似对象

  • 由于大量对象造成很大的存储开销

  • 对象的大多数状态可以变为外部状态

  • 移除了外部状态后,可以用较少的共享对象替代大量对象

优点

  • 减少内存使用,因为共享了相似对象

  • 减少了对象的创建数量,提高了性能

  • 将状态外部化,使得对象更轻量

缺点

  • 增加了系统复杂性,需要分离内在和外在状态

  • 可能需要线程安全考虑,因为享元对象是共享的

  • 外在状态需要由客户端维护和管理

实际应用

  • 文本编辑器中的字符处理

  • 游戏开发中的粒子系统

  • 图形编辑器中的图形对象

  • 数据库连接池

  • 任何需要大量细粒度对象的场景

在C++标准库中,std::string的写时复制(COW)实现某种程度上也使用了享元模式的思想。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。
如若转载,请注明出处:http://www.pswp.cn/pingmian/90706.shtml
繁体地址,请注明出处:http://hk.pswp.cn/pingmian/90706.shtml
英文地址,请注明出处:http://en.pswp.cn/pingmian/90706.shtml

如若内容造成侵权/违法违规/事实不符,请联系英文站点网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Webpack/Vite 终极指南:前端开发的“涡轮增压引擎“

开篇:当你的项目变成"俄罗斯套娃" "我的index.js怎么引入了87个文件?!" —— 这是每个前端开发者第一次面对复杂项目依赖时的真实反应。别担心,今天我要带你认识两位"打包侠":老牌劲旅Webpack和新锐黑马Vite 一、构建工具:前端世界的&qu…

Windows 下配置 GPU 用于深度学习(PyTorch)的完整流程

1. 安装 NVIDIA 显卡驱动 前往 NVIDIA官网 下载并安装适合你显卡型号&#xff08;如 5070Ti&#xff09;的最新版驱动。下载 NVIDIA 官方驱动 | NVIDIA安装完成后建议重启电脑。 2. 安装 CUDA Toolkit 前往 CUDA Toolkit 下载页。 选择 Windows、x86_64、你的系统版本&#…

详解力扣高频SQL50题之180. 连续出现的数字【困难】

传送门&#xff1a;180. 连续出现的数字 题目 表&#xff1a;Logs -------------------- | Column Name | Type | -------------------- | id | int | | num | varchar | -------------------- 在 SQL 中&#xff0c;id 是该表的主键。 id 是一个自增列。 找出所有至少连续…

VSCode 报错 Error: listen EACCES: permission denied 0.0.0.0:2288

使用 npm run dev 启动项目时报错&#xff1a;error when starting dev server: Error: listen EACCES: permission denied 0.0.0.0:2288at Server.setupListenHandle [as _listen2] (node:net:1881:21)at listenInCluster (node:net:1946:12)at Server.listen (node:net:2044:…

[2025CVPR-图象超分辨方向]DORNet:面向退化的正则化网络,用于盲深度超分辨率

1. ​问题背景与挑战​ 盲深度超分辨率&#xff08;Blind Depth Super-Resolution, DSR&#xff09;的目标是从低分辨率&#xff08;LR&#xff09;深度图中恢复高分辨率&#xff08;HR&#xff09;深度图&#xff0c;但现有方法在真实场景下面临显著挑战&#xff1a; ​已知…

关系与逻辑运算 —— 寄存器操作的 “入门钥匙”

前言 哈喽大家好&#xff0c;这里是 Hello_Embed 的新一篇学习笔记。在前文中&#xff0c;我们学习了如何用结构体指针操作硬件寄存器&#xff0c;而寄存器的配置往往离不开位运算和条件判断 —— 比如通过逻辑运算精准修改某几位的值&#xff0c;通过关系运算判断硬件状态。这…

使用 Python 将 CSV 文件转换为带格式的 Excel 文件

在日常的数据处理和报表生成工作中&#xff0c;CSV 格式因其简洁性而被广泛采用。但在展示数据时&#xff0c;CSV 文件往往缺乏格式和结构化样式&#xff0c;不利于阅读与分析。相比之下&#xff0c;Excel 格式&#xff08;如 .xlsx&#xff09;不仅支持丰富的样式设置&#xf…

每天读本书-《如何度过每天的24小时》

全景式书籍探索框架 1. “这本书是关于什么的&#xff1f;”——核心定位 一句话核心思想&#xff1a;这本书的核心并非教你如何高效地工作&#xff0c;而是倡导你将工作之外的“自由时间”视为一个“内在的另一天”&#xff0c;并投入智力与热情去经营它&#xff0c;从而获得精…

前端开发 React 状态优化

为了更深入地理解 React 状态管理的性能问题及其解决方案&#xff0c;本文将详细分析 React Context 和 State 的性能问题&#xff0c;配以示例代码说明优化策略。之后&#xff0c;讨论 Redux 作为不可变库的性能问题&#xff0c;并引出 Immer 作为优化解决方案。1. React Stat…

剑指offer第2版:双指针+排序+分治+滑动窗口

一、p129-JZ21使奇数位于偶数前面&#xff08;不考虑相对位置&#xff09;&#xff08;hoare快排双指针&#xff09; 调整数组顺序使奇数位于偶数前面(二)_牛客题霸_牛客网 如果不考虑相对位置的话&#xff0c;那么我们可以模仿hoare快排&#xff0c;使用双指针的思想&#xf…

14-C语言:第14天笔记

C语言&#xff1a;第14天笔记 内容提要 指针 变量指针与指针变量 指针变量做函数参数指针变量指向数组元素 数组指针与指针数组 数组指针回顾 变量指针与指针变量 变量指针&#xff1a;变量的地址值&#xff08;首地址&#xff09;&#xff0c;本质是指针、地址 指针变量&#…

【笔记】活度系数推导

文章目录一、理想溶液的假设与局限性1.1 理想溶液的定义1.2 理想溶液的局限性二、活度与活度系数的引入2.1 活度的定义2.2 修正后的化学势表达式三、活度系数的物理意义四、为什么需要活度系数&#xff1f;4.1 理论需求4.2 扩散理论中的必要性五、活度系数的具体作用5.1 在化学…

基于Docker的GPU版本飞桨PaddleOCR部署深度指南(国内镜像)2025年7月底测试好用:从理论到实践的完整技术方案

还是网上没找到这个基于Docker的GPU版本飞桨PaddleOCR部署教程&#xff0c;于是就有了这一篇。 这个的确坑很多&#xff0c;可能后面变一个版本就不好用了&#xff0c;也是为什么这篇博客不完全粘贴代码的原因。 端口是示例&#xff0c;可以随意改。在人工智能与文档数字化高速…

Python-初学openCV——图像预处理(三)

目录 一、边缘填充 1、边界复制 2、边界反射 3、边界反射101 4、边界常数 5、边界包裹 二、透视变换 三、图像掩膜 1、制作掩膜 2、与运算 3、颜色替换 四、ROI切割 五、图像添加水印 一、边缘填充 我们对图像进行处理后&#xff0c;需要对空出来的区域进行一个填充…

【ESP32设备通信】-W5500与ESP32 /ESP32 S3集成

W5500与ESP32 /ESP32 S3集成 文章目录 W5500与ESP32 /ESP32 S3集成 1、W5500介绍 2、硬件准备与接线 3、代码实现 3.1 以太网设置 3.2 简单HTTP请求 3.3 HTTPS请求 3.4 查询证书 ESP32 凭借其强大的 Wi-Fi 功能,一直是物联网项目的热门选择。ESP32 现在支持带有 SSL 的原生以太…

vue - 使用canvas绘制验证码

封装绘制验证码 verify-code.vue<template><div class"captcha"><canvas ref"canvasRef" :width"width" :height"height" click"refreshCaptcha"></canvas></div> </template><scri…

[10月考试] F

[10月考试] F 题目描述 给定长度为 nnn 的序列 ana_nan​&#xff0c;保证 aia_iai​ 为非负整数。 mmm 次询问&#xff0c;每次给定区间 l,rl,rl,r&#xff0c;求出 al,al1,…,ara_l,a_{l1},\ldots,a_ral​,al1​,…,ar​ 的 mexmexmex。 对于一个序列&#xff0c;定义其 mexm…

收集了全球55个AI写作工具

我们即将推出一整套AI生产力工具矩阵&#xff0c;覆盖内容创作&#xff08;AI写作助手&#xff09;、视觉设计&#xff08;智能图像处理&#xff09;、音视频制作&#xff08;自动转录与编辑&#xff09;及智能编程等多个核心领域。这些解决方案通过先进的机器学习算法&#xf…

Elastic 劳动力的生成式 AI:ElasticGPT 的幕后解析

作者&#xff1a;来自 Elastic Jay Shah, Adhish Thite ElasticGPT — 由 Elastic 提供支持&#xff0c;专为 Elastic 打造 ElasticGPT 是我们基于检索增强生成&#xff08;RAG&#xff09;框架构建的内部生成式 AI &#xff08;GenAI&#xff09;助手。它是使用 Elastic 自有…

CS231n-2017 Assignment1

KNN&#xff1a;这里要求我们完成一个KNN分类器&#xff0c;实现对图片使用KNN算法进行分类标签k_nearest_neighbor.py这里要求我们完成4个接口# X:测试集 # 使用两个循环 def compute_distances_two_loops(self, X):num_test X.shape[0]num_train self.X_train.shape[0]dist…