c++ - 具有默认属性的访问者模式

Question

我想了解人们对以下方法的看法，甚至可能提出更好的替代方案。

我有一个天气模拟，我希望能够随着模拟的进行计算特定的属性。假设我有一个基类 WeatherSim，从中派生出不同类型的模拟。所以我可能有一个 ConstantTemperatureWeatherSim 或 ConstantPressureWeatherSim 等。

在 ConstantTemperatureWeatherSim 的情况下，我可能对平均气压如何随时间变化(实际模拟中的迭代)等感兴趣。我也可以运行相同的模拟，我想在其中监视其他属性，例如平均速度场 vector 或我想要的一些任意量。

问题是，我需要尽可能以最有效的方式计算属性，因为这些模拟在计算上非常非常昂贵。这意味着虽然我可以有一个属性计算函数的 vector ，如下所示:

class ConstTempWeatherSim {
    std::vector<std::function<double(Model&)>> properties;

    void Iterate() {
     // Perform calculations...

     // Calculate properties
     for(auto& property : properties)
          property(model);
}

这种方法效率很低。对于比方说平均压力的情况，我可以遍历模型中的所有 元素并在每次迭代时获取压力属性。一种更有效的方法是保持运行平均值。

问题是，我不想用所有可能的可计算量来污染我的类(坦率地说，即使我想，我也做不到，因为我不知道用户可能想要计算什么奇怪的属性) .

我对这个问题的解决方案是使用某种访问者模式。我的 WeatherSim 是一个 Visitable 对象，我要计算的属性是我的 Visitor。我在我的 WeatherSim 中存储了一个 Visitors vector ，每次迭代我都调用 Visitors 来完成它们的工作。每个访问者都将接受对 WeatherSim 的引用，因此他们可以在内部存储他们的运行平均值。

在我看来，这是解决这个问题的好方法，除了我需要解决另外两件事，这就是我来这里的原因。

1. 在特定模拟中执行计算需要一些属性。因此，例如，我可能需要在我的 ConstantTempWeatherSim 中使用压力作为算法的一部分。我是否应该只保留与我的 Visitors 分开的所需属性的运行平均值，并使用它们来增加已经由 WeatherSim 计算的属性？或者我应该有一个 PropertyVisitors 的私有(private) vector ，用于必要的属性并让用户将他们需要的任何其他内容添加到单独的队列中？还有其他办法吗？

2. 每次迭代后，WeatherSim 都会调用 Observers 来记录所需的信息。从 PropertyVisitors 获取数据到 Observer 的最佳方式是什么？我认为将对 PropertyVisitors 本身的引用 vector 传递给 Observers 是不明智的。我在想，在包含事件信息的 SimEvent 类中，我可以从所有 PropertyVisitors 获取值并将它们存储在 SimEvent 中的 vector 中。还是我找错了树？

也许访问者模式不是最好的方法。对于如何解决这个问题，我将不胜感激。

提前谢谢大家!

Answer 1

Visitor 模式在这里感觉有点奇怪。通常对于访问者模式，访问者需要知道所有不同的可能的可访问类型。这就是它如何实现访问者类型和可访问类型的双重调度。如果不同的可访问类型相当静态但您将来可能需要添加新的访问者，那么它是合适的。在您的情况下，这意味着属性需要了解所有不同类型的 WeatherSim，这对我来说听起来不太正确。我没想到会有这种耦合。

但根据我有限的理解回答你的具体问题:

1. 我建议只有一个属性列表，但某些属性可能需要注册为特定模拟的特殊属性之一。特殊属性的寄存器只存储对该属性的引用。然后用户可以选择，例如，他们想要将哪个属性注册为特殊的“压力”属性。也许特殊的 Pressure 属性需要符合某些要注册的“压力”接口(interface)/模板。
2. 通常有两种方式来运行 Observers 推送或拉取。您要么将一组数据推送给所有观察者，这就是我认为您通过将值复制到 SimEvent 中的建议。或者你只是告诉观察者有些事情发生了变化，观察者有责任从模拟中提取他们需要的信息。我认为两者都是运行事物的有效方式，走哪条路将取决于您的特定要求。推送模型可能效率低下，因为您必须推送所有数据，即使特定的观察者可能对其中的某些数据不感兴趣。拉模型可能效率低下，因为通信是分两步完成的，观察者可能必须自己找出哪些数据发生了变化。拉模型在观察者和模拟之间引入了更多的耦合。在推送模型中，您可能必须更改每次观察者需要新内容时推送的数据集。