(JAVA)仿拼多多砍价算法

简介: (JAVA)仿拼多多砍价算法

前言

先上执行完毕后的控制台输出截图:

我的业务流程是,当用户发起一个砍价,先使用这个方法生成对应人数的砍价金额集合(我们的金额对应人数是支持配置的,例如900元-1000元需要70个人)放入redis(异步写入db),key为用户id,当有人进入砍价,从redis拿出集合随机取一个金额写入缓存(key为用户id,此缓存是砍价记录,同时异步写入db,用于记录;把此金额从原先的集合中抹除),砍价结束把集合从缓存中删除。

package com.dq.utils;
 
import java.math.BigDecimal;
import java.math.BigInteger;
import java.math.RoundingMode;
import java.util.ArrayList;
import java.util.Arrays;
import java.util.HashMap;
import java.util.List;
import java.util.Map;
import java.util.Random;
 
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import org.springframework.stereotype.Service;
 
 
/**
 * 获取砍价的集合公共方法
 * 2018年6月4日 上午9:35:57
 * version 1.0
 *
 * @author lwf
 */
public class BargainCommonUtils {
 
    private static final Logger logger = LoggerFactory.getLogger(BargainCommonUtils.class);
 
    /**
     * 砍价算法优化,避免死循环和空指针
     * <br/>为避免价格生成出错,要求:count<=100;price/count>=0.08
     * <br/>2018年8月14日 上午9:54:39
     * <br/>version 1.0
     * <br/>@author lwf
     * <br/>@param count
     * <br/>@param price
     * <br/>@param finalPrice
     * <br/>@return
     */
    public static List<BigDecimal> getBargainList(Integer count, BigDecimal price, BigDecimal finalPrice) {
        List<BigDecimal> list = new BargainCommonUtils().getTempBargainList(count, price, finalPrice);
        int i = 0;
        while (list == null || list.size() == 0 || list.size() != count) {
            list = new BargainCommonUtils().getTempBargainList(count, price, finalPrice);
            i++;
            if (i > 50000) {
                logger.info("砍价集合生成超时!请重试或重新设定价格/次数比例!");
                break;
            }
        }
        return list;
    }
 
 
    /*
     *  获取砍价的价格集合
     *  <br/>2018年6月7日 下午4:32:31
     *  <br/>version 1.0
     *  <br/>@author lwf
     */
    public static  List<BigDecimal> getTempBargainList(Integer count, BigDecimal price, BigDecimal finalPrice) {
 
        BigDecimal sourcePrice = price;
        sourcePrice = sourcePrice.subtract(finalPrice);    // 实际要折扣掉的金额
        sourcePrice = sourcePrice.setScale(2, RoundingMode.HALF_DOWN);// 把多余的小数点去掉
        ArrayList<BigDecimal> tempPrices = new ArrayList<>();//   实际被砍掉的价格集合
        Map<String, BigDecimal> lastPrice = new HashMap<>();//     最后一次的砍价剩余的价格
        int sum = 0;// 实际砍价次数
        ArrayList<BigDecimal> finalPrices = new ArrayList<>();    // 最终所需要的砍价集合
 
        finalPrice = new BigDecimal(0);
 
        BigDecimal divisor = new BigDecimal(count);
//    获取砍价的平均值
        int countTmep = 2;
        getPirces(sourcePrice, countTmep, tempPrices, finalPrice, lastPrice);
 
        tempPrices.add(lastPrice.get("lastPrice"));
 
        sum = tempPrices.size();
 
        if (sum > count) {    // 如果实际砍价次数大于预期次数,则再进行处理
            int temp = sum - count;// 相差次数
 
            BigDecimal sumPrice = new BigDecimal(0.00);
 
            for (int i = 0; i < tempPrices.size(); i++) {
                if (i < tempPrices.size() - temp) {
                    finalPrices.add(tempPrices.get(i));
                } else {
                    sumPrice = sumPrice.add(tempPrices.get(i));    // 多余的砍价
                }
            }
//      把多余的砍价平均分散到前count中的砍价
            BigDecimal divide = null;
            try {
                divide = sumPrice.divide(new BigDecimal(count), 2, RoundingMode.HALF_DOWN);
            } catch (Exception e) {
                logger.warn(e.getMessage());
                e.printStackTrace();
            }
            divide = divide.setScale(2, RoundingMode.HALF_DOWN);
 
            for (int i = 0; i < finalPrices.size(); i++) {
                BigDecimal add = finalPrices.get(i).add(divide);
                finalPrices.set(i, add);
            }
        } else if (sum == count) {
            finalPrices = tempPrices;
        } else {
            return null;
        }
 
 
//    价格矫正 补总差价,多减少增
        BigDecimal totalPrice = new BigDecimal(0);
        for (BigDecimal bd : finalPrices) {
            totalPrice = bd.add(totalPrice);
        }
        logger.info("价格矫正前的totalPrice:" + totalPrice);
//    如果集合中的总价大于实际原价,则把集合中任意一个大于这个差价的价格减去差价(误差都不会超过0.1)
        int inFlag = 0;
        if (totalPrice.compareTo(sourcePrice) > 0) {
            BigDecimal subtract = totalPrice.subtract(sourcePrice);
 
            for (int i = 0; i < finalPrices.size(); i++) {
                if (finalPrices.get(i).compareTo(subtract) > 0) {    // 集合中的大于这个差价的价格
                    BigDecimal changedPrice = finalPrices.get(i).subtract(subtract);
                    finalPrices.set(i, changedPrice);
                    inFlag = 1;
                    break;
                }
            }
        }
        if (totalPrice.compareTo(sourcePrice) < 0) {    // 如果集合中的总价小于等于实际原价,则把集合中最后一个价格加上差价(误差都不会超过0.1)
            BigDecimal subtract = sourcePrice.subtract(totalPrice);
            BigDecimal sourceLastPrice = finalPrices.get(finalPrices.size() - 1);
            BigDecimal changedPrice = sourceLastPrice.add(subtract);
            finalPrices.set(finalPrices.size() - 1, changedPrice);
            inFlag = 1;
        }
        if (totalPrice.compareTo(sourcePrice) == 0) {
            inFlag = 1;
        }
 
 
        if (inFlag == 0) {    // 如果没有价格大于这个差价,则再完整的调一次本方法
            return null;
        } else {
            logger.info("sourcePrice:" + sourcePrice);
            logger.info("*********************************");
            totalPrice = new BigDecimal(0);
            for (BigDecimal bd : finalPrices) {
                totalPrice = bd.add(totalPrice);
            }
            logger.info("预期砍价次数:" + count + " 实际砍价次数:" + finalPrices.size() + " 价格矫正后的totalPrice:" + totalPrice);
            logger.info(Arrays.toString(finalPrices.toArray()));
 
            return finalPrices;
        }
    }
 
 
    /**
     * 获取被砍的价格集合
     * <br/>2018年6月4日 下午3:19:07
     * <br/>version 1.0
     * <br/>@author lwf
     * <br/>@param sourcePrice  原价
     * <br/>@param avgPrice 砍价平均值:  原价/砍价次数=砍价平均值
     * <br/>@param tempPrices 砍价价格集合
     * <br/>@param finalPrice 最终价
     */
    public static  void getPirces(BigDecimal sourcePrice, int countTemp, List<BigDecimal> tempPrices, BigDecimal finalPrice, Map<String, BigDecimal> lastPrice) {
        Random r = new Random();
        double d = sourcePrice.divide(new BigDecimal(++countTemp), 2, RoundingMode.HALF_DOWN).doubleValue();
        if (tempPrices.size() > 0 && tempPrices.size() % 4 == 0) {
            countTemp = countTemp - 3;
        }
 
        Double randomPrice = r.nextDouble() * d + 0.01;    // 例如:生成0到9.99之间的随机数
 
        BigDecimal bargainPrice = new BigDecimal(randomPrice); // 被砍掉的价格
 
        bargainPrice = bargainPrice.setScale(2, RoundingMode.HALF_DOWN);
 
        BigDecimal surplusPrice = sourcePrice.subtract(bargainPrice);    // 剩余价格
 
        if (surplusPrice.compareTo(finalPrice) <= 0) {
            return;
        }
 
        tempPrices.add(bargainPrice);
        lastPrice.put("lastPrice", surplusPrice);
        getPirces(surplusPrice, countTemp, tempPrices, finalPrice, lastPrice);
 
    }
 
    /*  @Test
        public void testBargain() {
            int count = 100;
            BigDecimal price = new BigDecimal(7);
            BigDecimal finalPrice = new BigDecimal(0);
 
            List<BigDecimal> list = new BargainCommonServiceImpl().getTempBargainList(count, price, finalPrice);
            int i = 0;
            while(list==null || list.size()==0||list.size()!=count) {
                list = new BargainCommonServiceImpl().getTempBargainList(count, price, finalPrice);
                i ++;
                if(i>50000) {
                    logger.info("砍价集合生成超时!请重试或重新设定价格/次数比例!");
                    System.out.println("砍价集合生成超时!请重试或重新设定价格/次数比例!");
                    break;
                }
            }
            System.out.println(i);
        }*/
    public static void main(String[] args) {
        int count = 10;
        BigDecimal price = BigDecimal.valueOf(7L);
        BigDecimal finalPrice =BigDecimal.ZERO;
        List<BigDecimal> list = BargainCommonUtils.getTempBargainList(count, price, finalPrice);
        list.forEach(bigDecimal -> {
            System.out.printf(bigDecimal.toString());
        });
    }
 
}

 

相关文章
|
1月前
|
设计模式 算法 搜索推荐
Java 设计模式之策略模式:灵活切换算法的艺术
策略模式通过封装不同算法并实现灵活切换,将算法与使用解耦。以支付为例,微信、支付宝等支付方式作为独立策略,购物车根据选择调用对应支付逻辑,提升代码可维护性与扩展性,避免冗长条件判断,符合开闭原则。
260 35
|
6月前
|
负载均衡 算法 关系型数据库
大数据大厂之MySQL数据库课程设计:揭秘MySQL集群架构负载均衡核心算法:从理论到Java代码实战,让你的数据库性能飙升!
本文聚焦 MySQL 集群架构中的负载均衡算法,阐述其重要性。详细介绍轮询、加权轮询、最少连接、加权最少连接、随机、源地址哈希等常用算法,分析各自优缺点及适用场景。并提供 Java 语言代码实现示例,助力直观理解。文章结构清晰,语言通俗易懂,对理解和应用负载均衡算法具有实用价值和参考价值。
大数据大厂之MySQL数据库课程设计:揭秘MySQL集群架构负载均衡核心算法:从理论到Java代码实战,让你的数据库性能飙升!
|
1月前
|
存储 算法 搜索推荐
《数据之美》:Java数据结构与算法精要
本系列深入探讨数据结构与算法的核心原理及Java实现,涵盖线性与非线性结构、常用算法分类、复杂度分析及集合框架应用,助你提升程序效率,掌握编程底层逻辑。
|
6月前
|
存储 缓存 监控
上网行为监控系统剖析:基于 Java LinkedHashMap 算法的时间序列追踪机制探究
数字化办公蓬勃发展的背景下,上网行为监控系统已成为企业维护信息安全、提升工作效能的关键手段。该系统需实时记录并深入分析员工的网络访问行为,如何高效存储和管理这些处于动态变化中的数据,便成为亟待解决的核心问题。Java 语言中的LinkedHashMap数据结构,凭借其独有的有序性特征以及可灵活配置的淘汰策略,为上网行为监控系统提供了一种兼顾性能与功能需求的数据管理方案。本文将对LinkedHashMap在上网行为监控系统中的应用原理、实现路径及其应用价值展开深入探究。
175 3
|
1月前
|
存储 人工智能 算法
从零掌握贪心算法Java版:LeetCode 10题实战解析(上)
在算法世界里,有一种思想如同生活中的"见好就收"——每次做出当前看来最优的选择,寄希望于通过局部最优达成全局最优。这种思想就是贪心算法,它以其简洁高效的特点,成为解决最优问题的利器。今天我们就来系统学习贪心算法的核心思想,并通过10道LeetCode经典题目实战演练,带你掌握这种"步步为营"的解题思维。
|
6月前
|
人工智能 算法 NoSQL
LRU算法的Java实现
LRU(Least Recently Used)算法用于淘汰最近最少使用的数据,常应用于内存管理策略中。在Redis中,通过`maxmemory-policy`配置实现不同淘汰策略,如`allkeys-lru`和`volatile-lru`等,采用采样方式近似LRU以优化性能。Java中可通过`LinkedHashMap`轻松实现LRUCache,利用其`accessOrder`特性和`removeEldestEntry`方法完成缓存淘汰逻辑,代码简洁高效。
298 0
|
5月前
|
存储 算法 安全
Java中的对称加密算法的原理与实现
本文详细解析了Java中三种常用对称加密算法(AES、DES、3DES)的实现原理及应用。对称加密使用相同密钥进行加解密,适合数据安全传输与存储。AES作为现代标准,支持128/192/256位密钥,安全性高;DES采用56位密钥,现已不够安全;3DES通过三重加密增强安全性,但性能较低。文章提供了各算法的具体Java代码示例,便于快速上手实现加密解密操作,帮助用户根据需求选择合适的加密方案保护数据安全。
415 58
|
4月前
|
机器学习/深度学习 算法 Java
Java实现林火蔓延路径算法
记录正在进行的森林防火项目中林火蔓延功能,本篇文章可以较好的实现森林防火蔓延,但还存在很多不足,如:很多参数只能使用默认值,所以蔓延范围仅供参考。(如果底层设备获取的数据充足,那当我没说)。注:因林火蔓延涉及因素太多,如静可燃物载量、矿质阻尼系数等存在估值,所以得出的结果仅供参考。
71 4
|
3月前
|
运维 监控 算法
基于 Java 滑动窗口算法的局域网内部监控软件流量异常检测技术研究
本文探讨了滑动窗口算法在局域网流量监控中的应用,分析其在实时性、资源控制和多维分析等方面的优势,并提出优化策略,结合Java编程实现高效流量异常检测。
146 0
|
4月前
|
存储 负载均衡 算法
我们来说一说 Java 的一致性 Hash 算法
我是小假 期待与你的下一次相遇 ~
166 1

热门文章

最新文章

下一篇
oss云网关配置