GCD (Grand Central Dispatc)

本文介绍了苹果公司的Grand Central Dispatch (GCD) 技术,该技术用于优化应用程序以支持多核心处理器。文章详细讲解了GCD的设计理念、任务与队列的概念、不同类型的队列及其使用方法。
GCD的介绍和使用
介绍:
  • Grand Central Dispatch 简称(GCD)是苹果公司开发的技术,以优化的应用程序支持多核心处理器和其他的对称多处理系统的系统。这建立在任务并行执行的线程池模式的基础上的。它首次发布在Mac OS X 10.6 ,iOS 4及以上也可用。 GCD是基于C语言的,这意味着高效率
 
设计
  • GCD是苹果公司为多核的并行运算提出的解决方案
  • GCD会自动利用更多的CPU内核(比如双核、四核)
  • GCD会自动管理线程的生命周期(创建线程、调度任务、销毁线程)
  • 程序员只需要告诉GCD想要执行什么任务,不需要编写任何线程管理代码

注意:
  1. GCD存在于libdispatch.dylib这个库中,这个调度库包含了GCD的所有的东西,但任何IOS程序,默认就加载了这个库,在程序运行的过程中会动态的加载这个库,不需要我们手动导入。
  2. GCD是纯C语言的,因此我们在编写GCD相关代码的时候,面对的函数,而不是方法。
  3. GCD中的函数大多数都以dispatch开头。




任务和队列:
  • GCD中有2个核心概念:
    1. 任务:执行什么操作
    2. 队列:用来存放任务
  • GCD的使用就2个步骤:
    1. 定制任务
    2. 确定想做的事情
将任务添加到队列中,GCD会自动将队列中的任务取出,放到对应的线程中执行
提示:任务的取出遵循队列的FIFO原则:先进先出,后进后出

执行任务:
  • GCD中有2个用来执行任务的函数:
    1. 用同步的方式执行任务 dispatch_sync(dispatch_queue_t queue, dispatch_block_t block);
    2. 用异步的方式执行任务 dispatch_async(dispatch_queue_t queue, dispatch_block_t block);
      注: 参数说明: queue:队列, block:任务  函数说明:把右边的参数(任务)提交给左边的参数(队列)进行执行。 

  • 同步和异步的区别:
    1. 同步:在当前线程中执行
    2. 异步:在另一条线程中执行


队列类型:
  • GCD可以分为两大类:
    • 并发队列(Concurrent Dispatch Queue)  
      1. 可以让多个任务并发(同时)执行(自动开启多个线程同时执行任务)
      2. 并发功能只有在异步(dispatch_async)函数下才有效
    • 串行队列(Serial Dispatch Queue)
      1. 让任务一个接一个的执行(一个任务执行完毕后,再执行下一个任务)

补充说明(同步,异步,串行,并发):
  •  同步异步决定了要不要开启新的线程
    • 同步:在当前线程中执行任务,不具备开启新线程的能力
    • 异步:在新的线程中执行任务,具备开启新线程的能力
  • 并发和串行决定了任务的执行方式
    • 并发:多个任务同时执行
    • 串行:一个任务执行完毕后,再执行下一个任务


并发队列:
GCD默认已经提供了全局的并发队列,供整个应用使用,不需要手动创建
  • 使用dispatch_get_global_queue函数获得全局的并发队列
  • dispatch_queue_t dispatch_get_global_queue(dispatch_queue_priority_t priority,unsigned long flags); // flags 此参数暂时无用,现只能是0,
  • 示例:
    • 第一个参数为优先级,这里选择默认的。获取一个全局的默认优先级的并发队列。dispatch_queue_t queue = dispatch_get_global_queue(DISPATCH_QUEUE_PRIORITY_DEFAULT, 0); // 获得全局并发队列
  • 说明:全局并发队列的优先级 
    #define DISPATCH_QUEUE_PRIORITY_HIGH 2 // 高
    #define DISPATCH_QUEUE_PRIORITY_DEFAULT 0 // 默认(中)
    #define DISPATCH_QUEUE_PRIORITY_LOW (-2) // 低
    #define DISPATCH_QUEUE_PRIORITY_BACKGROUND INT16_MIN // 后台


串行队列:
GCD中获取串行队列有2种途径 
  • 使用 dispatch_queue_create函数创建串行队列
    • dispatch_queue_t queue = dispatch_queue_create(<#const char *label#>, <#dispatch_queue_attr_t attr#>)
    • 队列名称  <#const char *label#>
    • 队列属性  <#dispatch_queue_attr_t attr#> (//DISPATCH_QUEUE_CONCURRENT 并行队列  //DISPATCH_QUEUE_SERIAL   串行队列 或者使用null)
    • 示例
      • dispatch_queue_t queue = dispatch_queue_create("Jack", DISPATCH_QUEUE_SERIAL);
      • // 创建dispatch_release(queue); // 非ARC需要释放手动创建的队列
             
  • 使用主队列(跟主线程相关联的队列)
    • 主队列是GCD自带的一种特殊的串行队列,放在主队列中的任务,都会放到主线程中执行
      • 使用dispatch_get_main_queue()获得主队列
      • 示例:dispatch_queue_t queue = dispatch_get_main_queue();

代码示例:
  • 用异步函数往串行队列中添加任务
    • 示例
      总结:会开启线程,但是只开启一个线程

  •      用同步函数往并发队列中添加任务
    • 示例
    • 总结:不会开启新的线程,并发队列失去了并发功能

  •  补充
    • 队列名称的作用:
      • 调试的时候,可以看得出任务在哪个队列中执行
     
      • 总结:
        • 同步函数不具备开启线程的能力,无论是神马队列都不会开启线程,异步函数具备开启线程的能力,但不一定会开线程,开启几条线程由队列决定(串行队列只会开启一条新的进程,并发队列会开启多条进程).
【SCI复现】含可再生能源与储能的区域微电网最优运行:应对不确定性的解鲁棒性与非预见性研究(Matlab代码实现)内容概要:本文围绕含可再生能源与储能的区域微电网最优运行展开研究,重点探讨应对不确定性的解鲁棒性与非预见性策略,通过Matlab代码实现SCI论文复现。研究涵盖多阶段鲁棒调度模型、机会约束规划、需求响应机制及储能系统优化配置,结合风电、光伏等可再生能源出力的不确定性建模,提出兼顾系统经济性与鲁棒性的优化运行方案。文中详细展示了模型构建、算法设计(如C&CG算法、大M法)及仿真验证全过程,适用于微电网能量管理、电力系统优化调度等领域的科研与工程实践。; 适合人群:具备一定电力系统、优化理论和Matlab编程基础的研究生、科研人员及从事微电网、能源管理相关工作的工程技术人员。; 使用场景及目标:①复现SCI级微电网鲁棒优化研究成果,掌握应对风光负荷不确定性的建模与求解方法;②深入理解两阶段鲁棒优化、分布鲁棒优化、机会约束规划等先进优化方法在能源系统中的实际应用;③为撰写高水平学术论文或开展相关课题研究提供代码参考和技术支持。; 阅读建议:建议读者结合文档提供的Matlab代码逐模块学习,重点关注不确定性建模、鲁棒优化模型构建与求解流程,并尝试在不同场景下调试与扩展代码,以深化对微电网优化运行机制的理解。
个人防护装备实例分割数据集 一、基础信息 数据集名称:个人防护装备实例分割数据集 图片数量: 训练集:4,524张图片 分类类别: - Gloves(手套):工作人员佩戴的手部防护装备。 - Helmet(安全帽):头部防护装备。 - No-Gloves(未戴手套):未佩戴手部防护的状态。 - No-Helmet(未戴安全帽):未佩戴头部防护的状态。 - No-Shoes(未穿安全鞋):未佩戴足部防护的状态。 - No-Vest(未穿安全背心):未佩戴身体防护的状态。 - Shoes(安全鞋):足部防护装备。 - Vest(安全背心):身体防护装备。 标注格式:YOLO格式,包含实例分割的多边形坐标和类别标签,适用于实例分割任务。 数据格式:来源于实际场景图像,适用于计算机视觉模型训练。 二、适用场景 工作场所安全监控系统开发:数据集支持实例分割任务,帮助构建能够自动识别工作人员个人防护装备穿戴状态的AI模型,提升工作环境安全性。 建筑与工业安全检查:集成至监控系统,实时检测PPE穿戴情况,预防安全事故,确保合规性。 学术研究与创新:支持计算机视觉在职业安全领域的应用研究,促进AI与安全工程的结合。 培训与教育:可用于安全培训课程,演示PPE识别技术,增强员工安全意识。 三、数据集优势 精准标注与多样性:每个实例均用多边形精确标注,确保分割边界准确;覆盖多种PPE物品及未穿戴状态,增加模型鲁棒性。 场景丰富:数据来源于多样环境,提升模型在不同场景下的泛化能力。 任务适配性强:标注兼容主流深度学习框架(如YOLO),可直接用于实例分割模型开发,支持目标检测和分割任务。 实用价值高:专注于工作场所安全,为自动化的PPE检测提供可靠数据支撑,有助于减少工伤事故。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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